《表2 交叉样本熵均值及分类结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于VMD交叉样本熵的旋翼桨叶故障诊断方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

首先使用变分模态分解对采集到4路的加速度信号进行分解，共得到7个模态，将他们依据频率从高到低排列，得到正常桨叶的其中一组结果如图5所示。仅取频率最高，信息最丰富的Imf7作为分析模态，定义CSEij表示传感j，相对于传感器i在分析模态上的交叉样本熵，取[CSE12，CSE13，CSE14，CSE23，CSE24，CSE34]作为特征向量，由于篇幅有限，且得到的数据相对集中，最大标准差为0.1左右，故将计算得到各个情况交1 000组数据的交叉样本熵的平均值列如表2所示。取每种情况前600组特征向量为训练集，后400组作为验证集，代入支持向量机。支持向量机使用的是台湾大学林智仁教授等开发的软件包，对于多分类问题，该软件包采用一对一的解决策略。随后分别采用ICA和遗传算法（genetic algorithm，GA）优化支持向量机。且均采用5折交叉验证，核函数γ值，惩罚参数c取值范围保持一致，其余均按软件默认设置。其中经ICA优化后核函数γ值最优值为3.746 8，惩罚参数c为256，训练正确率为98.888 9%，训练平均总耗时8 463s。由GA优化后核函数γ值为3.979 7，惩罚参数c为75.5290，训练正确率为98.652 8%。训练平均总耗时16 558s。随后用测试数据验证模型，实验结果如表2所示。基于ICA-SVM的总测试正确率为98.67%，而基于GA-SVM的总测试正确率为98.75%。实验结果表明，本文提出的基于交叉样本熵的特征具有较高的区分度，无论是基于GA算法优化和ICA算法优化的诊断模型都将各类故障加以了准确的区分，两者结果非常接近，而基于ICA-SVM的模型在当前样本下具有明显更快的收敛速度。