基于经验模态分解的转子故障信号熵特征提取研究的中期报告.docxVIP

基于经验模态分解的转子故障信号熵特征提取研究的中期报告 在本次中期报告中，我将介绍基于经验模态分解的转子故障信号熵特征提取研究的相关进展。 首先，我们完成了转子故障信号的采集与预处理工作。针对转子故障的不同类型，我们采集了包括轴承故障、不平衡、弯曲等多种故障状态下的转子振动信号。在采集后，我们使用 Matlab 对信号进行筛选、滤波、去噪等前置处理操作。 接下来，我们使用经验模态分解（Empirical Mode Decomposition, EMD）方法对转子故障信号进行了分解，并得到了多组固有模态函数（Intrinsic Mode Function, IMF）。通过对单独的 IMF 进行小波分析，我们发现其中的高频成分比较突出，这表明了转子故障信号在高频段内的能量分布规律可能比较适合熵特征提取。 接着，我们分别采用了三种常用的熵测度方法，即 Shannon 熵、Rényi 熵和 Tsallis 熵，对 IMFs 的高频部分进行了熵分析。我们发现，在不同类型的转子故障信号中，熵测度值的变化规律均存在一定的差异。例如，在某些故障情况下，熵值随着故障程度的增加而较快地增加，而在另一些情况下，熵值变化较为平缓，需要结合其他特征进行分析。 最后，我们进一步探讨了基于熵特征的转子故障分类方法。在此过程中，我们采用了支持向量机（Support Vector Machine, SVM）算法，并