《机电工程》杂志,月刊( 详细... )

中国标准连续出版物号 ISSN 1001-4551 CN 33-1088/TH
主办单位浙江省机电集团有限公司
浙江大学
主编陈 晓
副 主 编唐任仲、罗向阳(执行主编)
总 经 理罗向阳
出 版浙江《机电工程》杂志社有限公司
地 址杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel+86-571-87041360、87239525
E-mailmeem_contribute@163.com
国外发行中国国际图书贸易总公司
订阅全国各地邮局   国外代号M3135
国内发行浙江省报刊发行局
邮发代号32-68
广告发布登记证:杭上市管广发G-001号

在线杂志

当前位置: 机电工程 >>在线杂志

基于EMATE和POA-ELM的声音信号故障诊断方法

作者:徐浙君,王凯,罗少杰,等. 日期:2024-06-27/span> 浏览:78 查看PDF文档

基于EMATE和POA-ELM的声音信号故障诊断方法*
徐浙君1,2,王凯3,罗少杰4,崔炳荣5


(1.重庆大学 计算机学院,重庆 400030;2.浙江邮电职业技术学院 人工智能学院,浙江 绍兴 312366;3.国网浙江省电力有限公司 

设备管理部,浙江 杭州 310063;4.国网杭州市余杭区供电公司 科技数字化部,浙江 杭州 311199;

5.北京智芯微电子科技有限公司 数字芯片设计中心,北京 100192)


摘要:常规的工程机械故障诊断方法一般需对振动信号进行分析,但采集振动信号时需要使振动传感器与工程机械相接触,在某些情况下工程机械表面不适合安装传感器,如设备的温度较高或者传感器的安装空间有限。针对这些问题,以声音信号作为故障诊断对象,提出了一种基于增强多尺度注意熵(EMATE)和鹈鹕优化算法优化极限学习机(POA-ELM)的工程机械故障诊断方法。首先,利用声音传感器采集了工程机械不同故障的声音信号,避免了振动传感器存在的接触式采集缺陷;然后,利用EMATE提取了声音信号中的故障信息,建立了表征工程机械不同故障状态的特征向量;接着,鉴于ELM的参数需要优化的问题,采用POA对ELM的关键参数进行了寻优,建立了参数自适应设置的ELM分类模型;最后,利用POA-ELM分类器对故障特征进行了辨识,实现了工程机械的故障识别,并利用往复压缩机和滚动轴承的声音信号数据集对基于EMATE-POA-ELM的故障诊断方法的有效性进行了验证。研究结果表明:将EMATE方法作为故障特征提取指标能够取得100%和99.23%的识别准确率,且特征提取的时间仅为53.88s和172.47s;与多尺度注意熵、复合多尺度注意熵、时移多尺度注意熵等指标相比,EMATE的平均故障识别准确率更高,并具有更好的综合性能。

关键词:工程机械;往复压缩机;滚动轴承;故障数据集;增强多尺度注意熵;故障诊断;鹈鹕优化算法优化极限学习机

中图分类号:TH133;TU607文献标识码:A文章编号:1001-4551(2024)06-0956-13


本文引用格式:

徐浙君,王凯,罗少杰,等.基于EMATE和POA-ELM的声音信号故障诊断方法[J].机电工程,2024,41(6):956-968.

XU Zhejun, WANG Kai, LUO Shaojie, et al. Fault diagnosis method of sound signal based on EMATE and POA-ELM[J].Journal of Mechanical & Electrical Engineering, 2024,41(6):956-968.




友情链接

浙江机械信息网