基于VMD模糊熵与GG聚类的直流配电网故障检测方法

针对直流配电网存在的故障信号难以提取、不易对各类故障进行诊断等问题,提出一种基于变分模态分解(VMD)模糊熵与Gath-Geva(GG)聚类的故障检测方法。首先,提取出暂态电流,采用VMD算法将故障暂态电流分解成若干个固有模态分量(IMF)。然后,分别计算分解得到的若干个IMF的模糊熵,将其作为特征向量。最后,采用GG聚类算法对故障特征的特征向量进行聚类识别。GG聚类的主要算法为将聚类样本划分为c类,设出隶属度矩阵,通过设定迭代来计算聚类中心与最大似然估计距离,更新隶属度矩阵,当隶属度矩阵满足条件矩阵时终止迭代,从而实现对单极故障、极间故障以及区外交流侧接地故障的聚类识别。仿真结果表明,所提保护方案可靠性强、准确率高,在不同故障类型、故障位置和过渡电阻等工况下均能可靠检测直流线路故障并准确识别故障类型,且具备一定的抗干扰能力。

基于AVMD多尺度模糊熵和VPMCD算法的宽频振荡分类

电力系统宽频振荡具有宽频域、非线性和时变性的特点,对振荡分类在准确性、快速性等方面提出了更高的要求。为此,提出一种基于自适应变分模态分解(adaptive variational mode decomposition,AVMD)的多尺度模糊熵(multi-scale fuzzy entropy,MFE)和变量预测模型(variable predictive model-based class discriminate,VPMCD)相结合的宽频振荡分类新方法。首先,对宽频振荡信号进行AVMD,得到固有模态分量(intrinsic mode functions,IMFS)。然后,引入MFE对IMFS进行时域特征描述,同时实现对IMFS构造特征向量的降维处理。最后,采用VPMCD对MFE降维后的特征向量实现宽频振荡的分类检测。通过仿真和实测数据分析,结果表明,所提方法的宽频振荡分类检测准确率比支持向量机(support vector machines,SVM)、BP神经网络方法的分类准确率更高,分类时间更短。

基于脑电节律能量与模糊熵的VR诱发晕动症水平检测研究

晕动症一直是影响虚拟现实用户体验及限制虚拟现实行业发展的一个关键因素。为解决这一问题,本文研究了虚拟现实晕动症对大脑神经活动的影响,并利用脑电特征对晕动症水平进行检测。为得到可度量眩晕水平的特征,记录受试者在体验眩晕测试场景前及过程中的脑电信号,计算节律能量和模糊熵,并利用统计分析进行特征选择,最后分类验证该特征的有效性。结果表明,受试者产生晕动症时,CP4和Oz的θ、α频段能量及C4的β、γ频段能量显著降低(p<0.01);在模糊熵方面,δ频段有FC4、Cz模糊熵值显著升高(p<0.0001),β频段有O1模糊熵值显著降低(p<0.0001)。对比线性判别分析(Linear discriminant analysis,LDA)、逻辑回归(Logistic regression,LR)和支持向量机(Support vector machine,SVM),K最近邻(K-nearest neighbor,KNN)算法的分类效果较好,它在节律能量和模糊熵上的分类准确率分别为89%和91%。本研究表明脑电节律能量及模糊熵有望成为晕动症水平检测的有效指标,为研究虚拟现实晕动症成因及缓解方案提供客观依据。

基于ICEEMDAN模糊熵与Bi-LSTM的工业设备健康状态预测

工业设备健康状态关系着工业生产能否正常进行,为此提出一种基于改进自适应噪声完备经验模态分解(ICEEMDAN)和双向长短期记忆网络(Bi-LSTM)的工业设备健康状态预测方法。ICEEMDAN用于将原始音频信号进行分解得到若干个固有模态函数(IMF)分量,通过计算相关系数选取最佳分量组进行信号重构,然后计算重构IMF分量的模糊熵值构造特征向量集合,最后再输入到Bi-LSTM网络进行模型训练和预测。实验结果表明:相较于其他模型,基于ICEEMDAN模糊熵和Bi-LSTM的工业设备健康状态预测方法,能够有效提取音频信号特征,并准确进行健康状态预测。

基于模糊熵和离散Fréchet距离的小电流接地系统故障选线方法

根据故障线路与非故障线路的故障特征,提出一种基于模糊熵和离散Fréchet距离的小电流接地系统故障选线方法。利用完备集合经验模态分解(CEEMDAN)对各线路暂态零序电流进行分解,并根据峰度和连续均方误差选取特征IMF分量。对各线路特征IMF分量求取相关系数,构造相似特征矩阵,判断其是线路故障或是母线故障。若为线路故障,则对各线路特征IMF分量进行模糊信息粒化,将各线路粒化后的三组Low,R,Up分别混合叠加,并求取离散Fréchet距离,结合隶属函数,求取加入复杂影响因子的模糊熵,构造复杂特征矩阵;利用双重特征矩阵进行故障选线。经过大量的仿真分析证明了该选线方法的准确性,同时不受过渡电阻和故障合闸角的影响,且抗噪能力强。

基于中心偏移的Fisher score与直觉邻域模糊熵的多标记特征选择

现有多标记Fisher score模型中边缘样本会影响算法分类效果。鉴于邻域直觉模糊熵处理不确定信息时具有更强的表达能力与分辨能力的优势,文中提出了一种基于中心偏移的Fisher score与邻域直觉模糊熵的多标记特征选择方法。首先,根据标记将多标记论域划分为多个样本集,计算样本集的特征均值作为标记下样本的原始中心点,以最远样本的距离乘以距离系数,去除边缘样本集,定义了新的有效样本集,计算中心偏移处理后的标记下每个特征的得分以及标记集的特征得分,进而建立了基于中心偏移的多标记Fisher score模型,预处理多标记数据。然后,引入多标记分类间隔作为自适应模糊邻域半径参数,定义了模糊邻域相似关系和模糊邻域粒,由此构造了多标记模糊邻域粗糙集的上、下近似集;在此基础上提出了多标记邻域粗糙直觉隶属度函数和非隶属度函数,定义了多标记邻域直觉模糊熵。最后,给出了特征的外部和内部重要度的计算公式,设计了基于邻域直觉模糊熵的多标记特征选择算法,筛选出最优特征子集。在多标记K近邻分类器下、9个多标记数据集上的实验结果表明,所提算法选择的最优子集具有良好的分类性能。

基于强化层次模糊熵的柴油机故障诊断方法

针对多尺度模糊熵(multi-scale fuzzy entropy,简称MFE)算法中多尺度化过程采用滑动均值滤波器导致原始信号高频信息丢失的问题,提出强化层次模糊熵方法(enhanced hierarchical fuzzy entropy,简称EHFE),用于表征原始信号中富含的高低频故障模式信息。结合萤火虫算法优化支持向量机(firefly algorithm optimized support vector machine,简称FAOSVM),提出一种基于EHFE和FAOSVM的柴油机故障诊断方法。柴油机试验数据对比分析表明:相比于现有方法,所提出方法能够充分表征柴油机故障信号富含的模式信息,并且能够有效识别柴油机正时齿轮故障,识别精度达到99.6%,在极小样本下也能达到较好的识别精度。

基于模糊熵加权融合的单轨运输机器人动态倾角辨识研究

针对现有传感器检测单轨运输机器人动态倾角时存在辨识精度低的问题,提出了一种基于模糊熵加权融合的单轨运输机器人动态倾角精准辨识方法。首先,基于构建的轨道曲率与倾角变化双模型,通过改进的遗忘递归最小二乘(IFFRLS)算法分别计算出轨道曲率值和倾角动态变化率;其次,再以轨道曲率值和倾角动态变化率作为输入值,通过无迹卡尔曼滤波(UKF)和扩展卡尔曼滤波(EKF)算法不断迭代更新分别计算出倾角动态角度;最终,采用全局模糊熵加权融合(GFEWF)将各角度值深度融合,提高动态倾角的检测精度。实验表明,基于双模型的全局模糊熵加权融合(GFEWF)与基于单一模型的UKF或EKF算法相比,其辨识的动态倾角精度在轨道段1和轨道段2分别提升了10.38%和25.60%。

基于模糊熵的碳纤维复合芯导线缺陷X射线图像增强研究

碳纤维复合芯导线作为一种先进的输电线材,在承载高负载输电方面发挥着重要作用。然而其不耐弯折等原因,导致正在工作中的导线断线等危害线路安全的情况发生。本文提出针对碳纤维复合芯导线缺陷X射线图像的一种提高对比度的方法,使缺陷部位X射线图像增强。该方法先利用引导滤波对图像进行预处理,然后对图像进行平滑处理,计算出图像的模糊熵,利用局部直方图均衡化重新分配图像像素的灰度级,增强该区域的对比度,最后将计算后的模糊熵映射到[0, 1]的区间内,得到最终图像。通过与传统直方图均衡化、灰度变换和对比度限制自适应直方图均衡化(CLAHE)处理算法对比,证明本文算法具有更好的增强效果。

一种新的毕达哥拉斯模糊熵的几何构造方法

从空间几何意义角度对毕达哥拉斯模糊熵的变化规律进行分析,根据图形结构特点,综合考虑毕达哥拉斯模糊集直觉性与模糊性对熵的影响,提出了等熵圆弧的概念.构造出一个新的毕达哥拉斯模糊熵计算公式,新的熵公式不仅满足公理化定义,而且可以从毕达哥拉斯模糊集的几何图形上直观地比较熵的大小.

模糊熵与灰云模型在既有玻璃幕墙安全评价中的应用

针对既有玻璃幕墙的安全评价问题,考虑指标信息的不确定性与等级归属的复杂性,提出一种基于模糊熵与灰云聚类模型的既有玻璃幕墙安全评价方法。首先,以实际工程为背景,通过识别既有玻璃幕墙安全风险因素,构建一套定性与定量指标相结合的安全评价指标体系;其次,基于可变模糊云与正态云模型进行评价指标的赋值;再次,运用极差最大化组合赋权法,计算评价指标的权重;最后,引入灰云聚类模型与模糊熵,实现既有玻璃幕墙安全状态的二维评估。实例结果显示:该方法既能对玻璃幕墙的安全状态进行诊断,还能运用模糊熵,从复杂性的层面揭示既有幕墙的健康状况,进而为既有玻璃幕墙的安全评估提供可行思路。

基于参数优化VMD和多尺度模糊熵的星-三角接法FS-PMM匝间短路故障诊断方法

星-三角(Y-Δ)接法多层绕组结构可以抑制分数槽永磁电机电枢磁场的低次谐波磁动势,提高电机运行效率。但其结构较常规Y接法双层绕组结构更为复杂,发生匝间短路的风险更高。首先,建立Y-Δ接法分数槽永磁电机(FS-PMM)发生匝间短路的电路模型,推导出故障发生后电机三相电流,分析出三相故障电流会受匝间短路位置的影响。其次,利用自适应权重和柯西-高斯变异策略对鲸鱼捕食优化算法进行改进,用于优化变分模态分解参数,提出一种参数优化的变分模态分解算法对电流信号进行处理。最后,通过计算电流和电磁转矩的多尺度模糊熵,提出Y-Δ接法FS-PMM匝间短路故障诊断方法。该方法故障诊断准确率达到95%以上,并可以对Y接法部分和Δ接法部分的匝间短路故障进行有效区分。

基于模糊熵的连续相位调制识别算法

针对不同调制参数的多调制指数(Multi-h)连续相位调制(CPM)信号间识别问题,提出一种基于模糊熵的调制识别算法。模糊熵理论摒弃了近似熵中距离与数目的二值化相似性判断,提出利用隶属度函数判断相似性,可以更精确地描述时间序列的复杂度。算法分离接收信号的同相和正交分量并分别求其模糊熵,将求取的模糊熵作为分类特征送入支持向量机(SVM)进行分类,完成不同Multi-h CPM信号的调制识别。仿真实验结果表明,该算法在信噪比大于6 dB时,对不同调制指数集合的全响应矩形成形Multi-h CPM信号可以实现100%识别,且仅需较少符号数即可实现调制识别。

基于HIFU回波信号和多尺度模糊熵的生物组织变性识别研究

为了解决高强度聚焦超声(HIFU)治疗中的监测问题,在无需引入其他监测源的情况下,通过研究HIFU回波基波与二次谐波的多尺度模糊熵(MFE),提出了一种生物组织变性辨析新方法。HIFU回波信号通过谱减法去噪后,利用信息散度优化的变分模态分解(KLD-VMD)提取其基波与二次谐波分量,然后结合基波与二次谐波的MFE对组织进行变性识别,并使用等错误概率(EER)评价了该方法的有效性。最后,研究还比较了KLD-VMD与VMD、经验模态分解(EMD)和固有时间尺度分解(ITD)等其他分解方法,结合MFE分析了其辨析变性组织的能力。试验结果表明:基于KLD-VMD和MFE的组织变性识别其EER达到5.1%,相较于其他方法表现出了更好的识别效果;结合基波和二次谐波的识别结果比使用单一特征参数更好。该研究为HIFU治疗提供了一种新的监测方法,具有潜在的实际应用价值。

基于复合多尺度交叉模糊熵的行星齿轮箱故障诊断

模糊熵是衡量时间序列复杂性的非线性动力学分析方法,也是提取齿轮箱非线性故障特征的有效工具。然而模糊熵只对单个时间序列进行复杂性测量,忽略了两个不同时间序列之间模式的相似性。为充分利用振动信号间的丰富信息,将能够有效衡量两个时间序列同步性、相似性和互预测性的交叉熵理论引入到行星齿轮箱故障诊断中。针对单一尺度的熵值不能完整反映序列间模式复杂性问题,通过复合粗粒化的方式对时间序列进行多尺度分析,提出了衡量两通道时间序列相似性与互预测性的复合多尺度交叉模糊熵方法。在此基础上,提出了一种基于复合多尺度交叉模糊熵和萤火虫优化支持向量机的行星齿轮箱故障诊断方法。最后,将所提的故障诊断方法应用于行星齿轮箱试验数据分析,并与现有方法进行了对比,结果表明所提方法能够有效提取故障特征,并且在故障类型诊断方面有更高的识别率。

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。

基于模糊转化的2种毕达哥拉斯模糊熵构造方法

为了精确刻画毕达哥拉斯模糊集不确定性和未知性程度,给出毕达哥拉斯模糊熵的定义,借助模糊转化公式,将直觉模糊熵转化为毕达哥拉斯模糊熵.探讨现有转化公式的不足,提出一种新的毕达哥拉斯模糊集与直觉模糊集的转化方法,新构造的熵不仅满足毕达哥拉斯模糊熵公理化定义,而且也适用于直觉模糊集.

基于改进直觉模糊熵与Dice测度的VIKOR应急决策

针对不确定信息环境下决策属性权重未知的应急决策问题,提出一种改进直觉模糊熵权与Dice距离测度的VIKOR决策模型.首先,分析现有直觉模糊熵存在的不足,提出一种考虑隶属度、非隶属度以及犹豫度综合影响的改进直觉模糊熵;其次,引入Dice系数,结合犹豫度的特点构建直觉模糊Dice距离测度;然后,将直觉模糊熵权与直觉模糊Dice距离测度运用到基于直觉模糊的VIKOR方法中,并定义了群体贴近度公式,进而构建契合现实环境的应急决策模型;最后通过地震灾害后的应急决策算例,验证了该模型的合理性和有效性.

VMD模糊熵和SVM在柱塞泵故障诊断中的应用

为有效提取非线性非平稳特性的柱塞泵故障特征,提高故障诊断准确率,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)模糊熵和支持向量机(Vupport Vector Machine,SVM)相结合的柱塞泵故障诊断方法。首先将信号经过VMD分解形成K个固有模态分量(Intrinsic Modal Component,IMF);然后确定IMF个数,提出了基于峭度分析的IMF个数确定方法;其次取峭度值较大的IMF并计算其模糊熵,确定了各状态下相应的模糊熵;最后将模糊熵作为特征向量输入SVM进行故障识别,准确率可达98.3%。将该方法与经验模态分解(Empirical Mode Decomposition,EMD)模糊熵-SVM、VMD模糊熵-BP神经网络对比,结果表明,VMD模糊熵和SVM相结合的方法在柱塞泵故障诊断中具有优越性。

基于EEMD模糊熵和GA-SVM的牵引网故障诊断研究

牵引网发生故障时,如何快速诊断故障对维护铁路的正常运输秩序有极大影响,针对这一问题,提出一种基于EEMD模糊熵和GA-SVM的故障诊断方法。选取牵引网馈线电压在故障发生时刻后两个周期的故障分量波形作为原始故障信号,首先,对其进行EEMD分解得到一系列的本征模态函数(IMF)分量,选取IMF1~IMF3分量并计算其模糊熵作为表征不同故障类型的特征量;然后,为对故障类型进行诊断,建立多分类支持向量机(SVM)模型,将特征量输入至SVM模型中进行训练和识别;同时,为使模型的性能达到最佳,采用遗传算法(GA)对模型进行优化。测试结果表明,该方法能够有效地对5种典型牵引网故障进行诊断,且准确率达到了96%,验证了该方法的可行性。