基于VMD和FCM的火箭发动机涡轮泵状态监测方法

V434; 面向重复使用火箭发动机的状态监测与故障诊断需求,针对振动信号的非平稳性和难以提取有效故障特征的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)和模糊C均值聚类(Fuzzy C-Means,FCM)的状态监测方法.采用优化VMD算法自适应地将振动信号分解为多个本征模态分量(Intrinsic Mode Function,IMF),根据加权相关样本熵最大准则选取关键IMF分量;利用t分布随机近邻嵌入(t-SNE)对关键IMF分量的多维时域、频域特征降维,得到特征向量矩阵;利用模糊C均值聚类算法实现发动机工作状态的监测.将该方法应用于...

Full description

Saved in:
Bibliographic Details
Published in测试技术学报 Vol. 38; no. 5; pp. 527 - 551
Main Authors 敖一峰, 李洪, 张金刚, 黄辉
Format Journal Article
LanguageChinese
Published 北京宇航系统工程研究所,北京 100076%中国航天科技集团有限公司,北京 100048 2024
Subjects
variational mode decompo-sition
模糊均值聚类
vibration signal
rocket engine
涡轮泵
fuzzy C-means
变模态分解
火箭发动机
状态监测
振动信号
condition monitoring
turbopump
Online AccessGet full text
ISSN1671-7449
DOI10.3969/j.issn.1671-7449.2024066

Cover

More Information
Summary:V434; 面向重复使用火箭发动机的状态监测与故障诊断需求,针对振动信号的非平稳性和难以提取有效故障特征的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)和模糊C均值聚类(Fuzzy C-Means,FCM)的状态监测方法.采用优化VMD算法自适应地将振动信号分解为多个本征模态分量(Intrinsic Mode Function,IMF),根据加权相关样本熵最大准则选取关键IMF分量;利用t分布随机近邻嵌入(t-SNE)对关键IMF分量的多维时域、频域特征降维,得到特征向量矩阵;利用模糊C均值聚类算法实现发动机工作状态的监测.将该方法应用于发动机涡轮泵工作状态监测,结果表明其能够提取振动信号关键特征,准确识别涡轮泵工作状态,测试集识别准确率达92.50%,为火箭发动机状态监测与故障诊断提供了理论支撑.
ISSN:1671-7449
DOI:10.3969/j.issn.1671-7449.2024066