[发明专利]一种基于HHT和神经网络的气阀故障诊断方法在审
| 申请号： | 201710932434.9 | 申请日： | 2017-10-10 |
| 公开（公告）号： | CN107908812A | 公开（公告）日： | 2018-04-13 |
| 发明（设计）人： | 邵继业;谢昭灵 | 申请（专利权）人： | 电子科技大学 |
| 主分类号： | G06F17/50 | 分类号： | G06F17/50;G06N3/04;G01M13/00 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 611731 四川省*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于HHT和RBF神经网络的压缩机气阀故障诊断方法，在截断矩阵奇异值分解对振动信号预处理的基础上，利用希尔伯特‑黄变换(HHT)对信号进行分解与时频分析，然后利用径向基(RBF)网络对故障样本特征进行训练和识别。包括以下步骤1、利用截断矩阵奇异值分解对气阀正常和故障状态下的振动信号进行降噪预处理；2、利用HHT算法获得降噪后的各状态下的EMD分解结果和Hilbert边际谱；3、基于EMD分解结果和Hilbert边际谱，提取气阀各运行状态下的特征向量，并作归一化处理；4、利用RBF网络训练各状态下的特征样本；对测试样本进行了识别，验证了该方法对气阀故障诊断的有效性。 | ||
| 搜索关键词： | 一种 基于 hht 神经网络 气阀 故障诊断 方法 | ||
【主权项】：
一种基于HHT和RBF神经网络的气阀故障诊断方法，包括以下步骤：步骤1：利用截断矩阵奇异值分解方法对采集的正常状态和故障状态下的压缩机气阀振动信号进行降噪预处理；步骤2：利用HHT算法获得降噪后的气阀各工作状态下信号的EMD分解结果和Hilbert边际谱；步骤3：基于上述振动信号的EMD分解结果和Hilbert边际谱，提取气阀各运行状态下的特征向量，并将特征向量进行归一化处理；步骤4：利用RBF神经网络训练各状态下的训练样本特征数据；利用测试样本数据对该方法进行识别率的计算，验证该方法对压缩机气阀故障诊断的有效性。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于电子科技大学，未经电子科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201710932434.9/，转载请声明来源钻瓜专利网。
