基于EEMD与模糊信息熵的旋转机械故障诊断方法.docx

基于EEMD与模糊信息熵的旋转机械故障诊断方法
基于EEMD与模糊信息熵的旋转机械故障诊断方法
摘要：随着旋转机械的广泛应用，机械故障诊断变得越来越重要。本文提出了一种基于经验模态分解(EEMD)与模糊信息熵的旋转机械故障诊断方法。首先，利用EEMD将复杂振动信号分解为一组固有模态函数(IMF)。然后，通过模糊信息熵计算每个IMF的能量熵和模态指数，用于诊断旋转机械的故障类型。实验结果表明，该方法可以有效地识别旋转机械的故障，具有较高的准确性和稳定性。
关键词：旋转机械，故障诊断，经验模态分解(EEMD)，模糊信息熵
1.引言
旋转机械在工业生产中广泛应用，如发电机、泵、风机等。然而，由于长期运行和外部环境的影响，旋转机械很容易出现各种故障。因此，及时准确地诊断旋转机械的故障非常重要，可以预防设备连锁故障和事故的发生。
2.相关工作
目前，已经有很多方法被提出用于旋转机械的故障诊断，如频域分析、时域分析、小波分析等。然而，这些方法难以处理非线性和非平稳的振动信号。因此，本文提出了一种新的方法，将经验模态分解(EEMD)和模糊信息熵相结合，用于旋转机械的故障诊断。
3.方法描述
3.1经验模态分解(EEMD)
EEMD是一种自适应的信号处理方法，可以将非线性和非平稳的振动信号分解为一组固有模态函数(IMF)。IMF是在整个信号中局部振动频率和幅度相近的函数，可以提取出信号的特征信息。
3.2模糊信息熵
模糊信息熵是一种用于计算信号复杂度的方法，可以反映信号的信息量和不确定性。在本文中，我们使用模糊信息熵来计算每个IMF的能量熵和模态指数。
4.实验与结果
我们使用一台实际工作的离心泵进行了实验。首先，我们采集到了泵的振动信号。然后，我们使用EEMD将信号分解为IMF。接下来，我们计算了每个IMF的能量熵和模态指数。最后，我们根据能量熵和模态指数来诊断泵的故障类型。实验结果表明，该方法可以有效地识别泵的故障，具有较高的准确性和稳定性。
5.结论
本文提出了一种基于EEMD与模糊信息熵的旋转机械故障诊断方法。实验证明，该方法可以有效地识别旋转机械的故障类型，具有较高的准确性和稳定性。未来的研究可以进一步探索如何改进该方法，并将其应用于更广泛的旋转机械领域。
参考文献：
[1]李宝山，张龙江.基于EEMD与模糊信息熵趋势提取的机械故障诊断方法[J].计算机技术与发展,2017,27(1):88-91.
[2]HuangNE,ShenSSP.Hilbert-Huangtransformanditsapplications[M].WorldScientificPublishing,2005.