[1]李志远,黄亦翔,刘成良,等.基于经验模态分解与深度森林的液压泵健康评估[J].机械与电子,2020,(05):3-8.
　LI Zhiyuan,HUANG Yixiang,LIU Chengliang,et al.Health Assessment of Hydraulic Pump Based on Empirical Mode Decomposition and Deep Forest[J].Machinery & Electronics,2020,(05):3-8.
点击复制

基于经验模态分解与深度森林的液压泵健康评估()
分享到：

机械与电子[ISSN:1001-2257/CN:52-1052/TH]

卷:
期数:
2020年05期
页码:
3-8
栏目:
设计与研究
出版日期:
2020-05-22

文章信息/Info

Title:
Health A ssessment of Hydraulic Pump Based on Empirical Mode Decomposition and Deep Forest
文章编号:
1001-2257(2020)05-0003-06
作者:
李志远; 黄亦翔; 刘成良; 李彦明; 贡 亮
上海交通大学机械系统与振动国家重点实验室，上海 200240
Author(s):
LI Zhiyuan;  HUANG Yixiang;  LIU Chengliang;  LI Yanming;  GONG Liang
State Key Laboratory of Mechanical System and Vibration, Shanghai Jiao Tong University, Shanghai 200240, China
关键词:
液压泵; 经验模态分解; 深度森林; 健康评估
Keywords:
hydraulic pump;  empirical mode decomposition;  deep forest;  health assessment
分类号:
TH137.51；TP181
文献标志码:
A
摘要:
提出了一种基于经验模态分解和深度森林的方法，用于分析液压泵出口压力，从而进行健康状态评估。通过试验系统采集了不同工作时间下液压泵的出口压力信号，利用经验模态分解的方法对其进行分解，分别得到一组本征模态函数，提取其特征；结合原始信号典型时域特征，最终构成信号的特征向量。采用深度森林的方法进行不同健康状态的分类。实验结果表明，所提方法的分类结果准确率可达９７％，采用经验模态分解和深度森林结合的方法可以有效提高液压泵健康状态评估的准确率。
Abstract:
A method based on empirical mode decomposition (EMD) and deep forest was proposed to analyze the pressure at the pump outlet to evaluate the health status. The pressure signals of hydraulic pump outlets under different working hours are collected by the test system, and they are decomposed by the EMD method to obtain a set of intrinsic mode function (IMF). The features of the IMFs are extracted and combined with the typical time-domain features of the original signal to form the feature vectors of the signal. Deep forest method is used to classify different health states. The experimental results show that the accuracy of the classification results of the proposed method can reach 97%, and the combination of EMD and deep forest can effectively improve the accuracy of the health assessment of the hydraulic pump.

参考文献/References:

［１］ 杨正强，杜随更．现代机械设备液压系统状态评估及故障诊断综述［Ｊ］．西安航空学院学报，２０１５，３３（５）：４７- 53.

［２］ ＤＩＮＧＹ，ＭＡＪ，ＴＩＡＮ Ｙ．ＨｅａｌｔｈａｓｓｅｓｓｍｅｎｔａｎｄｆａｕｌｔｃｌａｓｓｉｆｉｃａｔｉｏｎｆｏｒｈｙｄｒａｕｌｉｃｐｕｍｐｂａｓｅｄｏｎＬＲａｎｄｓｏｆｔｍａｘｒｅｇｒｅｓｓｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＶｉｂｒｏｅｎｇｉｎｅｅｒｉｎｇ，２０１５，１７（４）：１８０５- １８１６．
［３］ ＨＡＮＣＯＣＫ Ｋ Ｍ，ＺＨＡＮＧ Ｑ．Ａ ｈｙｂｒｉｄａｐｐｒｏａｃｈｔｏｈｙｄｒａｕｌｉｃｖａｎｅｐｕｍｐｃｏｎｄｉｔｉｏｎｍｏｎｉｔｏｒｉｎｇａｎｄｆａｕｌｔｄｅｔｅｃｔｉｏｎ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＡＳＡＢＥ，２００６，４９（４）：１２０３- １２１１．
［４］ ＧＡＯ Ｙ，ＺＨＡＮＧ Ｑ，ＫＯＮＧ Ｘ．Ｗａｖｅｌｅｔ ｂａｓｅｄｐｒｅｓｓｕｒｅａｎａｌｙｓｉｓｆｏｒｈｙｄｒａｕｌｉｃｐｕｍｐｈｅａｌｔｈｄｉａｇｎｏｓｉｓ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＡＳＡＥ，２００３，４６（４）：969．
［５］ 郑直．液压泵健康状态评估方法研究［Ｄ］．秦皇岛：燕
山大学，２０１２．
［６］ 路广勋，李建增，李鹏俊．基于云重心法的发射场液压泵的健康状态评估［Ｊ］．计 算 机 测 量 与 控 制，２０１４，２２
（３）：８００- ８０２．
［７］ 王浩任，黄亦翔，赵帅，等．基于小波包和拉普拉斯特征值映射的柱塞泵健康评估方法［Ｊ］．振动与冲击，２０１７，３６（２２）：４５- ５０．
［８ ＨＵＡＮＧＮＥ，ＳＨＥＮＺ，ＬＯＮＧＳＲ，ｅｔａｌ．ＴｈｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎａｎｄｔｈｅＨｉｌｂｅｒｔｓｐｅｃｔｒｕｍｆｏｒｎｏｎｌｉｎｅａｒａｎｄｎｏｎ ｓｔａｔｉｏｎａｒｙｔｉｍｅｓｅｒｉｅｓａｎａｌｙｓｉｓ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ ＲｏｙａｌＳｏｃｉｅｔｙｏｆＬｏｎｄｏｎ．Ｓｅｒｉｅｓ Ａ：Ｍａｔｈｅｍａｔｉｃａｌ，Ｐｈｙｓｉｃａｌ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ Ｓｃｉｅｎｃｅｓ，１９９８，４５４（１９７１）：９０３- ９９５．
［９］ ＺＨＯＵＺＨ，ＦＥＮＧＪ．Ｄｅｅｐｆｏｒｅｓｔ［Ｊ］．ＮａｔｉｏｎａｌＳｃｉｅｎｃｅ Ｒｅｖｉｅｗ，２０１８，６（１）：７４- ８６．
［１０］ ＲＩＬＬＩＮＧ Ｇ，ＦＬＡＮＤＲＩＮ Ｐ，ＧＯＮＣＡＬＶＥＳ Ｐ．Ｏｎ ｅｍｐｉｒｉｃａｌ ｍｏｄｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ａｎｄ ｉｔｓ ａｌｇｏｒｉｔｈｍｓ［Ｃ］／／ＩＥＥＥ
ＥＵＲＡＳＩＰ Ｗｏｒｋｓｈｏｐ ｏｎ Ｎｏｎｌｉｎｅａｒ
ＳｉｇｎａｌａｎｄＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ．ＮＳＩＰ ０３，Ｇｒａｄｏ （Ｉ），２００３，３（３）：８- １１．
［１１］ ＢＲＥＩＭＡＮＬ．Ｒａｎｄｏｍｆｏｒｅｓｔｓ［Ｊ］．ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ，２００１，４５（１）：５- ３２．

相似文献/References:

[1]刘志宇,黄亦翔.基于深度学习和迁移学习的液压泵健康评估方法[J].机械与电子,2018,(09):67.
　LIU Zhiyu,HUANG Yixiang.Health Assessment for Hydraulic Pump Based on Deep Learning and Transfer Learning[J].Machinery & Electronics,2018,(05):67.
[2]王 博,钟 硕,郑晓亮.智能变电站隔离开关机械状态自动监测方法研究[J].机械与电子,2023,41(07):47.
　WANG Bo,ZHONG Shuo,ZHENG Xiaoliang.Research on Automatic Monitoring Method of Mechanical State of Disconnector Switch in Intelligent Substation[J].Machinery & Electronics,2023,41(05):47.
[3]骆东松,魏義民,张杰锋.基于经验模态分解和优化 BiLSTM 的短期负荷预测[J].机械与电子,2024,42(09):11.
　LUO Dongsong,WEI Yimin,ZHANG Jiefeng.Short-term Load Forecasting Based on Empirical Modal Decomposition and Optimized BiLSTM[J].Machinery & Electronics,2024,42(05):11.

备注/Memo

备注/Memo:
收稿日期：２０１９- １２- ２３
基金项目：国家重点研发计划（２０１７ＹＦＢ１３０２００４）；２０１９—２０２１广东省重点领域科技研发计划项目（２０１９Ｂ０９０９２２００１）
作者简介：李志远 （１９９４－），男，河南周口人，硕士研究生，研究方向为设备故障诊断与健康评估；黄亦翔 （１９８０－），男，上海人，硕士研究生导师，助理研究员，研究方向为工业大数据分析、设备故障诊断与寿命预测等。
更新日期/Last Update: 2020-05-22