机械工程学报

作者：李贝贝, 孙深圳, 刘秀梅, 刘启航, 刘申, 赵巧, 贺杰

单位：1. 中国矿业大学机电工程学院 徐州 221116;2. 中国矿业大学大学生创新训练中心 徐州 221116;3. 徐州工程学院电气与控制工程学院 徐州 221018

关键词：调节阀,空化状态识别,SVM,遗传算法；

基金：国家自然科学基金(51875559)和江苏省优势学科建设(PAPD)资助项目

空化现象往往致使调节阀产生振动、噪声以及工作效率下降等问题，严重影响煤液化系统的安全运行和元件寿命。准确识别调节阀内的空化状态可以为监测调节阀内空化状态、调节阀预测性维修提供数据支撑。针对调节阀空化状态难以有效识别的问题，构建一种基于遗传算法和核主成分分析(Kernel principle component analysis，KPCA)的支持向量机(Support vector machines，SVM)模型来对调节阀空化状态进行识别。利用时域、频域以及小波包变换提取振动信号的特征，通过KPCA提取特征向量的主成分，然后使用遗传算法优化后的SVM进行调节阀空化状态识别。试验结果表明，KPCA能够有效提取振动信号特征向量的非线性主成分，构建的SVM可有效识别调节阀空化状态。相比基于神经网络的空化状态识别而言，改进SVM具有更好的识别效果，识别准确率达98.7%。

来源：2023年第24期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2023年第24期