韩中合　徐搏超　朱霄珣　焦宏超

华北电力大学，保定,071003



基于近似熵和集成经验模态分解的转子多故障诊断方法研究

韩中合徐搏超朱霄珣焦宏超

华北电力大学，保定,071003

为了提高汽轮机转子多故障分类的准确率，提出一种集成经验模态分解(EEMD)、近似熵和支持向量机相结合的多状态分类方法。首先进行EEMD得到各频段的单分量信号；再求出熵值作为故障信号的特征向量输入到基于二叉树的支持向量机中实现多状态分类。对比近似熵、模糊熵和能量法这三种方法，实验结果验证了利用EEMD和熵理论相结合的方法量化故障信号非线性特征的正确性。同时也表明在欧氏空间中，近似熵值组成的特征向量彼此间的距离最远，分类效果也最好。

集成经验模态分解；近似熵；支持向量机；多故障诊断

0　引言

对汽轮机转子不同故障状态进行准确的辨别是保证维修工作顺利进行的关键，同时也可以避免重大的工业生产损失。状态判别在本质上属于模式识别[1]问题，支持向量机[2](supportvectormachine,SVM)作为一种新兴的方法，相比于专家系统和神经网络，在小样本处理方面有着独特的优势[3]，被广泛运用于转子的故障诊断中。

支持向量机分类的核心思想是把低维样本的特征向量通过核函数映射到高维空间再寻找最优超平面对其进行分类[4]。在高维空间内，不同类别的特征向量彼此间的距离越远，SVM分类准确率越高。因而提取出能反映该类故障的信号特征值，构建高品质的训练样本至关重要。……