基于改进层次样本熵和极限学习机的离心泵故障诊断方法

为了提高离心泵早期故障诊断模型的准确性,提出一种改进层次样本熵(improved hierarchical sample entropy,IHSE)和极限学习机(extreme learning machine,ELM)相结合的离心泵故障诊断方法.首先,针对传统分层样本熵在高层次下算法稳定性弱的问题,利用移动平均和移动差分过程代替传统的分层模式,提出一种新的评估时序信号复杂性工具——IHSE;然后,利用IHSE提取离心泵振动信号的故障特征;最后,将故障特征输入ELM模型,实现离心泵不同运行状态的有效识别.研究结果表明:所提方法在2个不同类型离心泵故障数据集上的诊断率分别为99.58%和99.68%,在所有诊断模型中表现最佳,表明该方法具有良好的诊断性能.研究结果为离心泵故障诊断提供了一种新的方法,具有良好的参考价值与应用前景.

一种无偏差的多通道多尺度样本熵算法

多通道数据采集技术的发展为复杂系统非线性动力学特性研究提供了更加丰富的先验信息.然而传统的非线性特征量只能处理单通道数据,无法直接提取多通道数据的非线性特征.近年来,有学者对多尺度样本熵算法进行了一般化处理,提出了多通道多尺度样本熵算法.该算法不仅可以对多通道数据整体的复杂度进行表征,还可以有效提取通道内和通道间隐含的相关性信息.但是,该算法缺乏相应的理论支撑,在实际应用中无法兼顾性能和稳定性.针对以上问题,本文提出了一种无偏差的多通道多尺度样本熵算法,并利用概率论从理论上分析了多通道多尺度样本熵算法不稳定以及性能差的原因.后续的仿真实验证明改进后的算法不但可以有效地提取通道内和通道间的相关性信息,同时在处理复杂数据时表现出了良好的稳定性.该算法为诸如模糊熵、排列熵等非线性特征量的算法一般化提供了思路和理论依据.

磁声发射信号样本熵特征量的应力检测方法研究

为解决在应力检测中传统磁声发射(magnetic acoustic emission,MAE)特征量易受噪声干扰的问题,提出基于磁声发射信号样本熵特征量的应力检测方法。在研究Q235钢试样在0~400 MPa拉伸应力状态下磁声发射信号中样本熵变化规律的基础上,分析励磁强度、嵌入维数、容限系数对磁声发射信号样本熵特征量的影响规律。结果表明磁声发射信号样本熵特征量与应力具有良好的对应关系,并且相较于传统时域特征量(峰峰值和均方根值),样本熵值的波动性指标分别下降89%和33%,在所选励磁条件下由样本熵值计算得到的应力值和实际应力值平均误差仅为8.5%,其受噪声干扰较小且一致性更好,更适合应用于铁磁性材料的应力检测。

基于ICEEMDAN与样本熵的脑血氧信号去噪方法

人体生理活动和随机噪声都会对脑血氧检测数据精度产生影响,为提高测量精度,需解决信号采集时遇到的噪声干扰。文中提出一种利用改进的具备自适应噪声的完全集成经验模态分解(Improved Complete Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)与样本熵(Sample Entropy,SampEn)相结合的脑血氧信号去噪方法。利用ICEEMDAN对脑血氧信号进行模态分解,从而获得不同时间复杂度的固有模态函数(Intrinsic Mode Function,IMF)分量。通过样本熵值判断各IMF分量的时间复杂度,依据IMF分量的样本熵值选择合适的分量重构信号,从而去除原始信号的噪声。实验结果表明,所提方法可以有效去除原始脑血氧信号中的噪声,实现采集数据的精度提升,进而提高脑血氧检测精度。

基于EEMD-SpEn (样本熵)联合小波阈值对山西太原GNSS站点时间序列去噪分析

文章基于集合经验模态分解方法(EEMD)联合样本熵(SpEn)对山西太原GNSS站点时间序列降噪。首先,将原始站点时间序列进行EEMD分解,得到不同IMF (intrinsic mode function)分量,其次,计算每个IMF分量进行样本熵计算,根据样本熵值统计选择一个适当的去噪声阈值。最后,根据样本熵值去除小于阈值的小波系数,并重构IMF分量。得到去噪信号。计算结果显示,通过信噪比,相关系数评估去噪结果,得到结果可靠、高精度毫米级时间序列,为地震预报业务提供更好的服务。In this paper, based on ensemble empirical Mode decomposition (EEMD) combined with sample entropy (SpEn), the time series of GNSS stations in Taiyuan, Shanxi Province is denoised. First, the original station time series was decomposed by EEMD to obtain different intrinsic mode function (IMF) components. Secondly, sample entropy was calculated for each IMF component, and an appropriate noise removal threshold was selected according to the sample entropy statistics. Finally, the wavelet coefficients smaller than the threshold are removed according to the sample entropy, and the IMF component is reconstructed. The denoised signal is obtained. The calculation results show that the denoising results are evaluated by signal-to-noise ratio and correlation coefficient, and the results are reliable and high-precision millimeter time series, which provides better service for earthquake prediction.

基于复合多尺度等概率符号化样本熵的两相流动态特性分析

多尺度样本熵(MSE)在两相流动态特性分析中存在两点不足:一是熵值无法单纯反映时间序列信息增长速率,在高尺度下稳定性较差;二是传统粗粒化过程中有部分数据信息丢失.针对上述问题,提出复合多尺度等概率符号化样本熵(CMESSE),并通过对几种典型非线性时间序列进行分析验证了其有效性.与MSE相比,CMESSE不仅能够有效表征不同动力系统非线性时间序列复杂性,而且在时间序列较短时稳定性更好.在此基础上分析了123组流动条件下垂直上升管内空气-水两相流压差波动时间序列.研究结果表明,泡状流、塞状流及混状流的CMESSE变化趋势能够在不同尺度下定性表征不同流型的动态特性,CMESSE复杂性指数可跨多尺度定量描述不同流型的动力学复杂性.

基于WSO-VMD样本熵和SSA-SVM算法的有载分接开关故障诊断方法研究

有载分接开关(On-Load Tap-Changer,OLTC)作为变压器的重要机械结构部件,负责变压器分解绕组切换调压,随着服役时间增加或出厂缺陷等原因容易使其发生机械故障并造成电力系统重大经济损失,开展OLTC故障诊断方法研究对确保变压器本体及电力系统安全稳定运行具有重要意义.搭建了10 kV OLTC典型缺陷模拟实验平台,开展了正常、弹簧断裂、弹簧疲软以及触头松动4种工况下的模拟实验,获得了4种不同工况的振动信号样本库.针对OLTC振动信号特征提取不完整及故障识别准确率低的问题,以模态分量(IMF)的包络熵为目标函数,提出了基于大白鲨(WSO)优化变分模态分解(VMD)和样本熵的特征构建方法,利用WSO优化后的VMD模型对原始振动信号进行模态分解并构建样本熵特征向量,作为支持向量机(SVM)的输入开展OLTC故障识别研究.研究结果表明:与经验模态分解(EMD)、集成经验模态分解(EEMD)、给定参数VMD的振动信号分解方法相比,基于WSO-VMD样本熵的OLTC振动信号特征信息更加丰富,故障识别准确率高达95.83%.为进一步提高OLTC故障识别准确率,选用麻雀搜索(SSA)、粒子群(PSO)以及灰狼优化(GWO)算法分别对SVM进行参数寻优.结果表明:基于WSO-VMD样本熵和SSA-SVM算法的OLTC运行状态识别效果最好,对正常、弹簧断裂、弹簧疲软以及触头松动4种运行工况样本测试集的识别准确率为100%,该算法具有较高的可行性以及有效性.

基于样本熵重构与RF-LSTM模型的水电机组状态趋势预测

针对水电机组运行状态预测问题,提出一种基于样本熵重构(sample entropy reconstruction, SER)与随机森林(random forest, RF)-长短期记忆网络(long short-term memory, LSTM)的混合预测模型。首先,利用改进自适应噪声完备集成经验模态分解(improved complete ensemble empirical mode decomposition with adaptive white noise, ICEEMDAN)方法,将复杂非线性振摆信号分解为一组本征模态(intrinsic mode functions, IMFs)分量;其次,采用SER原理重组具有相似复杂度的IMFs,得到多个重构特征分量(reconstruction feature components, RFCs);然后,利用随机森林预测样本熵最小的RFC,利用LSTM预测剩余的RFCs;最后,叠加各RFCs预测结果,实现水电机组状态趋势的准确预测。实验结果表明,所提方法具备更优的预测性能,可为实施机组预测性维护提供可靠的数据支持。

基于样本熵的港口集装箱吞吐量可预测性测度研究

港口吞吐量历史时间序列数据具有较强的随机性,而不同特征的时间序列数据的预测精度差异较大,由此产生了时间序列数据可预测性的测度问题。学术界认为,这种可预测性可以用熵进行描述。文章采用样本熵表征测度我国20个港口集装箱吞吐量时间序列数据的复杂性,然后运用自回归综合移动平均模型(ARIMA)预测港口吞吐量。结果表明,样本熵与其预测精度之间的相关性较弱,ARIMA模型对于港口生命周期处于“成长”阶段的港口或者大型港口的预测精度更好。研究结论有助于理解熵和时间序列数据可预测性之间的关系。

基于ROC分析及样本熵的轴承故障检测

轴承故障检测对旋转机械的维护至关重要。尽管已有的故障诊断方法取得了长足的进步,但仍然面临着一些挑战,如缺乏足够的故障数据用于训练,对复杂的分布式数据的有效性不高,对早期故障的敏感性低,以及噪声和离群值的干扰。因此,本文提出了一种基于样本熵和ROC分析的故障检测方法,通过提取振动信号的样本熵指标,然后使用ROC分析对其进行检测。实验结果表明,本文所提方法能够以较高的准确率检测轴测故障。

基于改进阈值原则与样本熵的轴承阈值降噪方法

为了提高对故障轴承信号的降噪效果、降低重构信号中噪声信号的比例,提出基于改进阈值原则与样本熵的小波阈值降噪新算法。采用小波变换法对信号进行多层分解,以样本熵为标准采用改进阈值原则设置不同分解层的阈值,并重构降噪后的小波系数,最终实现信号降噪。仿真实验结果表明,新算法对轴承信号的降噪效果显著,改进的标准阈值原则优于传统的通用阈值原则和固定阈值原则。

基于全信息样本熵的轴承故障诊断方法研究

将样本熵算法和同源信息融合技术结合起来,提出了一种基于全信息样本熵的轴承故障诊断方法,并通过实验模拟轴承的内圈、外圈和滚动体故障,证明了该方法可以有效地区分三种故障。

基于ArcGIS与样本熵的黑龙江省降水复杂性分析

为探究水文时间序列和时空变化的特征及趋势,以黑龙江省各地区为例,基于样本熵算法、 ArcGIS揭示1975~2021年(共564个月)降水复杂性态势及影响因子,结果表明:黑龙江省总体降水变化呈现较大波动,趋势性变化不明显;大兴安岭地区拟合优度最优,统计检验值最接近-1.96,表明大兴安岭降水变化趋势相较于其他地区更显著。由黑龙江省降水复杂性强度排序结果发现,大兴安岭地区降水序列样本熵值最小,降水复杂性最弱;鸡西地区降水序列样本熵值最大,降水复杂性最强。根据ArcGIS绘制降水复杂性等级时空分布图可以看出:黑龙江省降水复杂性呈自北向南、自西向东逐渐增强态势,同时,黑龙江省降水熵值与水域面积、城镇面积呈显著正相关性,表明降水复杂性受两者影响最强烈。

基于样本熵和极端学习机的超短期风电功率组合预测模型

该文提出一种经验模态分解(empirical mode decomposition,EMD)–样本熵(sample entropy,SE)和极端学习机(extreme learning machine,ELM)相结合的风电功率超短期预测方法。该方法首先利用EMD-SE将风电功率时间序列分解为一系列复杂度差异明显的风电子序列;其次利用最小二乘支持向量机(least squares support vector machine,LSSVM)、极端学习机和经原始岭回归(primal ridgeregression,PRR)改进的极端学习机(PRR-ELM)对各子序列建立组合预测模型,并采用交叉验证法和重构相空间法确定各模型的参数和输入向量维数,以提高各组合模型的预测精度;最后以某一风电场实际采集的数据为算例,结果表明基于EMD-SE理论的ELM和PRR-ELM组合预测模型在预测精度和训练速度上都明显优于EMD-SE理论和LSSVM的组合模型,且其预测结果更接近于真实值,为实现风电功率在线的较高精度超短期预测提供了可能。

基于小波包样本熵的滚动轴承故障特征提取

将样本熵引入故障诊断领域,讨论了样本熵的性能和计算参数的选择。结合小波包分解和样本熵,提出了一种新的滚动轴承故障特征提取方法。首先对轴承振动信号进行小波包分解;然后对归一化能量最大的子带进行重构,计算重构信号的样本熵;最后通过样本熵评价故障状态。滚动轴承故障诊断实例验证了该方法的有效性。

基于EEMD样本熵的高速列车转向架故障特征提取

为了监测高速列车转向架关键部件的工作状态,提出了采用聚合经验模态分解和样本熵信息测度理论相结合的方法提取信号特征.以转向架正常、空气弹簧失气、横向减振器故障和抗蛇行减振器故障4种典型工况下车体及转向架的振动信号为研究对象,将信号进行聚合经验模态分解,得到一系列成分简单的固有模态函数,分别计算样本熵值构成高维特征矢量,最后采用支持向量机进行故障状态的分类识别.实验结果表明,列车在200 km/h速度下,故障识别率可以达到88%,证明了该特征提取算法的有效性.

基于EEMD-样本熵和Elman神经网络的短期电力负荷预测

针对电力负荷序列的非线性、非平稳性等特点,提出了一种基于集总经验模式分解EEMD-样本熵和El-man神经网络的短期负荷预测方法。为了减小电力负荷序列局部分析的计算规模以及提高负荷预测的精度,先利用EEMD-样本熵将原始电力负荷序列分解成一系列复杂度差异明显的子序列;然后在综合考虑温度及日期类型等因素对各子序列影响的基础上,根据各子序列的特点构造不同的Elman神经网络对各子序列分别进行预测;最后将各子序列的预测结果叠加得到最终预测值,并对EUNITE国际电力负荷预测竞赛公布的数据进行仿真实验。仿真结果表明该方法能有效地提高负荷预测的精度。

基于ROC曲线的驾驶疲劳脑电样本熵判定阈值研究

为了获得客观而准确的驾驶疲劳判别阈值,采用驾驶模拟实验研究方法,采集驾驶员在清醒及疲劳状态下的脑电信号,对比分析不同状态下脑电信号的时域特征,选取表征信号复杂程度的样本熵作为驾驶疲劳判别指标,并利用受试者工作特性曲线(receiver operating characteristic curve,ROC)分析方法,确定基于脑电信号样本熵值的驾驶疲劳判别阈值.研究结果表明:脑电信号样本熵值处于区间(0.32,0.71)时,驾驶员处于疲劳过渡时期,可能出现疲劳特征;脑电信号样本熵值小于阈值0.605时,判定驾驶员处于驾驶疲劳状态,准确率为0.95,该值可作为基于脑电信号样本熵的驾驶疲劳判定阈值.

谐波窗分解样本熵与灰色关联度在转子故障识别中的应用

针对实测转子振动信号的非平稳特性和在现实条件中难以获得大量典型故障样本的问题,提出一种基于谐波窗分解(harmonic window decomposition,HWD)、样本熵与灰色关联度相结合的故障识别方法。首先,为了降低噪声的影响,引入循环统计学的思想对传统形态滤波方法进行改进,定义了顺序形态滤波器,并结合实际选用最简单的直线结构元素,对实测转子振动信号进行顺序形态滤波降噪预处理。然后,采用不分层分析的HWD来提取包含转子典型故障信息的6个特征频带,运用非线性动力学参数样本熵作为特征,计算转子正常、不平衡、不对中、油膜涡动、油膜振荡等5种工况的样本熵。最后,由于灰色关联度分析对小样本模式识别具有良好的分类效果,以特征频带的样本熵为元素构造特征向量,通过计算不同振动信号的灰色关联度来判断转子的工作状态和故障类型。试验分析结果表明,所提的方法能够有效地应用于转子系统的故障诊断。

基于振动信号样本熵和相关向量机的万能式断路器分合闸故障诊断

为实现对万能式断路器分合闸故障的非侵入式监测和诊断,以分合闸过程中所产生的包含丰富机械特性信息的振动作为信号来源,提出一种基于振动信号互补总体平均经验模态分解(CEEMD)-样本熵和相关向量机(RVM)相结合的万能式断路器故障诊断方法。该方法首先将振动信号通过改进的小波包阈值去噪算法处理;其次采用CEEMD提取若干个反映断路器状态信息的固有模态函数(IMF)分量,依据各IMF分量的能量分布特点,选择其中前7阶进行处理,计算其样本熵形成有效的特征样本;最后通过计算不同故障类型的样本间欧氏距离来定量评价类间样本平均距离,建立基于RVM的二叉树多分类器,诊断得出万能式断路器故障类型。基于所设计的分合闸典型故障模型进行实验。与其他方法的对比实验表明,所提方法可利用相对较少的故障数据样本实现对万能式断路器故障类型的识别并具有较高的识别率;同时实验表明,辅以同一故障类型的样本间欧氏距离,可实现对分合闸故障中三相不同期故障严重程度的初步评估。