符号熵与证据理论集成的转子故障识别研究

针对转子振动信号的非线性、非平稳性造成的故障状态难以准确识别问题,提出了一种符号熵与证据理论集成的转子故障识别方法。首先对转子系统的监测数据进行去均值处理和差分运算得到波动序列,继而通过二进制处理得到二进制序列,再通过编码得到符号序列而计算符号熵。通过一个符号熵均值相对增长率的指标来确定符号熵计算中的编码长度。通过实验分析,以转子四个通道的符号熵作为识别向量,再与历史数据得到的识别标准向量做对比,得到各状态的识别概率,最后通过D-S证据理论将其中两次测试的结果进行融合得到最终的判别结果。通过与传统的基于符号熵的故障识别方法的对比,能准确识别转子系统的常见状态,为振动信号处于非线性、非平稳条件下的转子故障状态识别问题提供了一个解决方案。

主减速器故障的增强多尺度微分符号熵和优化SVM诊断

为准确提取出能够表征车辆主减速器故障的故障特征,同时针对多尺度微分符号熵(Multi-scale Differential Symbolic Entropy,MDSE)粗粒化过程中存在的问题,提出增强多尺度微分符号熵(Enhanced Multi-scale Differential Symbolic Entropy,EMDSE)的概念,并结合蝴蝶算法(Butterfly Optimization Algorithm,BOA)优化的支持向量机(Support Vector Machine,SVM),提出主减速器故障诊断的EMDSE和BOA-SVM方法。EMDSE可解决MDSE粗粒化过程中存在的信息泄露和计算结果不稳定的不足,能够更加有效地利用信号中存在的故障信息。主减速器故障诊断实例结果表明,相比于MDSE,EMDSE的计算结果更稳定,对主减速器不同故障状态的可区分性更强,BOA-SVM得到的诊断精度更高。

结合VMD符号熵与SVDD的滚动轴承性能退化评估

针对滚动轴承的早期故障难以检测的问题,提出了一种基于变模态分解(Variable mode decomposition,VMD)符号熵和支持向量数据描述(Support vector data description,SVDD)的滚动轴承性能退化评估模型。首先对振动信号进行VMD分解并提取各个分量符号熵,并采用双样本Z值对各个分量符号熵进行评价,选取双样本Z值最大的特征作为特征向量。特征提取完毕后,采用SVDD模型进行性能退化评估,使用全寿命数据进行模型的验证。实验结果表明,相比于排列熵特征提取方法以及模糊C均值聚类(Fuzzy c-means clustering,FCM)方法,该模型可以更好显示出滚动轴承性能退化规律。

基于符号熵与支持向量机的滚动轴承故障诊断

为诊断滚动轴承状态,对采集到的石油钻井设备滚动轴承正常、内圈裂缝、滚子裂缝和外圈裂缝四种工况下的振动信号进行均值二值化处理后,利用符号熵进行特征提取,对提取到的特征向量再利用支持向量机进行故障类型的模式识别。从实验处理结果可以看到,任何一种振动信号中的确定性信号对应的符号编码呈现大概率值,而随机噪声对应的符号编码则呈现小概率值,因此经过符号熵处理可以减小振动信号中的随机噪声影响。利用符号熵能捕获信号中大尺度特征的特点,再结合支持向量机能识别小样本的模式识别功能,就能有效地进行滚动轴承故障分类,以实现滚动轴承的故障诊断与预报。

基于概率分布的符号熵在心音分析中的应用

心音信号是一种重要的人体生理信号,蕴含大量生理、病理信息。根据心音的特性提出了一种基于概率分布的符号熵算法,该算法突破传统均匀符号化的线性约束,一方面在第一心音幅值分布密集区域分配较多的符号,在稀疏区域分配较少的符号,减小数据冗余;另一方面在符号化过程中采用自适应方法决定符号集的大小,使得符号熵对心音数据的变化更加敏感,能够快速、灵敏捕捉心音信号中的非线性异常状态。由此不但可消除非平稳突变干扰和序列概率分布对熵值的影响,还能够自适应符号化。仿真实验结果表明,该算法具有显著的可行性和有效性,并且为心衰的无损快速诊断提供了一种新的思路。

离散混沌系统类随机性的符号熵分析法

采用符号熵分析法,分析和讨论了经典的Logistic映射和Henon映射的类随机性强弱。先将离散混沌系统产生的实数序列转化为二进制序列,然后进行编码,计算其符号熵,绘制其符号熵图,并深入讨论了系统参数和初始值对符号熵的影响。数值仿真分析表明,符号熵法能定量区别不同离散混沌系统类随机性的强弱。同时作为随机源,Logistic映射比Henon映射好。

基于符号熵特征提取方法的特种品质鸡蛋近红外光谱鉴别分析

特种品质鸡蛋的快速、无损、准确鉴别是目前急需解决的问题。提出利用符号熵特征提取方法进行特种品质鸡蛋的近红外光谱鉴别。选择普通鸡蛋、柴鸡蛋、富硒蛋和富锌蛋作为研究对象,测得其在12 000～4 000cm-1范围内近红外漫反射光谱,基于符号聚合近似算法进行符号化表示,提取符号光谱序列的符号熵作为特征向量,然后设计纠错编码支持向量机多类分类器对光谱进行定性鉴别。算法参数变化时,符号熵特征表现出很好的鲁棒性,最高识别率达100%。研究结果表明利用近红外方法鉴定特种品质鸡蛋是可行的,同时符号熵可作为一种新的近红外光谱特征提取方法。

基于内禀尺度分量符号熵和ANNC的齿轮故障诊断方法

为提高齿轮故障诊断的准确率,提出了基于内禀尺度分量符号熵和ANNC的齿轮故障诊断方法。该方法利用局部特征尺度分解(LCD)对齿轮振动信号进行分解,获取原始信号不同尺度下的内禀尺度分量(ISC);根据符号熵能有效区分不同故障信号的复杂度,计算ISC分量的符号熵,获得原始信号多个尺度下的复杂度特征作为齿轮故障的特征参数;将该特征参数输入ANNC分类器中判断齿轮故障,实现故障诊断。齿轮故障诊断实验结果表明,所提方法能够有效地识别齿轮的典型故障,相比其他一些方法,具有一定的优势。

雷达信号WVD主脊线符号熵特征提取

为增加雷达信号有效分选特征,研究了可供分选的新的脉內特征。利用ASTFT谱抑制的WVD兼具良好的时频边缘特性和抑制交叉项性能,对信号进行时频变换,提取出反映能量特性的时频脊线,并以脊线特征为对象,计算表征其复杂度的符号熵作为该信号的分选特征。仿真测试可知,新特征具有良好的可分性和抗噪声性能。

连续混沌系统类随机性的符号熵分析法

采用符号熵分析法,分析和讨论了经典的Lorenz连续混沌系统和Rssler连续混沌系统的类随机性强弱。先将连续混沌系统产生的实数序列转化为二进制序列,然后进行编码,计算其符号熵,绘制其符号熵图,并深入讨论了系统参数和初始值对符号熵的影响。数值仿真分析表明,符号熵法能定量区别不同连续混沌系统类随机性的强弱。同时作为随机源,Lorenz混沌系统比Rssler混沌系统好。

基于变分模态分解和符号熵的齿轮故障诊断方法

为提高齿轮的故障诊断效果,提出了基于变分模态分解(Variational Modal Decomposition,VMD)和符号熵(Symbol Entropy, SE)的齿轮故障诊断方法。首先,利用VMD对齿轮故障振动信号进行分解,得到若干个本征模态分量(Intrinsic Mode Function,IMF);然后,计算IMF分量的符号熵,并将IMF符号熵组成齿轮故障特征向量;最后,将特征向量输入SVM进行故障诊断。齿轮故障诊断实测结果验证了该方法的有效性和优势。

符号熵驱动的零件机加工艺过程的多维度相似性度量方法

机加工艺过程从表象看是一道道工序加工方法组成的序列,但从内里看其实是工件从初始毛坯模型到最终成品模型的几何结构演变过程,单纯从工序加工序列或三维几何结构的角度出发进行相似性检索会降低检索到工艺的有效性.针对以上问题,提出一种符号熵驱动的零件机加工艺过程的多维度相似性度量方法.首先建立基于符号熵的序列相似性度量方法,直接对加工方法序列进行相似性计算;然后建立与加工方法序列对应的几何演变序列,并在符号熵方法的支持下实现对几何演变过程的相似性度量;最后将加工方法序列的相似性计算结果及对应几何演变过程的相似性计算结果进行融合,实现对机加工艺过程相似性的多维度和精准评价.实例结果表明,所提方法在度量不同类型机械零件的工艺相似性时,评价结果更贴近实际制造工艺过程和工艺人员的经验认知,证明方法是可行的.

基于内禀模态符号熵的滚动轴承故障分析

经验模态分解(EMD)方法是一种自适应的局部化分析方法。首先采用EMD方法将滚动轴承振动信号分解为若干个内禀模态(IMF)分量,IMF分量是根据频率由高到低进行分解的。EMD分解得到的IMF分量突出了信号的局部特征,而轴承的故障特征通常在前几个IMF分量中集中体现出来。在此基础上将含有轴承故障特性的IMF分量转化为符号序列,再根据符号序列Shannon熵方法计算其熵值。由实测数据计算表明,内禀模态符号熵能够反映轴承不同的故障特征。

基于符号相位转移熵的抑郁脑电信号分析

目的抑郁症是现代社会的主要精神疾病之一,以连续、长期的心情低落为主要临床特征,可能严重影响人的行为能力。如何尽早对抑郁症患者进行干预治疗现已成为临床医学的重点课题。本文通过探索抑郁脑电的耦合特征,从而推断系统间信息流的方向和强度,为抑郁症患者的临床诊断提供新的方向。方法通过符号相位转移熵对抑郁症患者和健康人的脑电数据进行非线性分析。通过对抑郁脑电和健康人脑电对称脑区脑电信号的加窗处理,计算符号相位转移熵、符号转移熵值,并对所得数据进行t检验。最后分析实验结果,并和符号转移熵进行对比性分析。结果T7与T8导联上抑郁脑电的符号相位转移熵和健康脑电有显著差别(P<0.05)。因此,相比于符号转移熵,利用符号相位转移熵法进行实验分析所需的数据量更少、转移熵值更稳定、可更有效地识别抑郁脑电的耦合特征。结论在对左右对称脑区导联分析的情况下,符号相位转移熵比符号转移熵效果好,能够有效分析抑郁脑电的耦合特征,研究结果有助于抑郁脑电病理特征的研究。

基于多尺度迁移符号动力学熵和支持向量机的轴承诊断方法研究

针对传统数据驱动故障诊断模型在机械系统诊断中存在的泛化能力下降甚至失效的问题,应用迁移学习的思想,提出了基于多尺度迁移符号动力学熵和支持向量机的故障识别算法。采用多尺度符号动力学熵提取故障特征,在此基础上提出基于迁移学习的特征映射技术,使非同分布数据的特征在映射后分布差异减小。对多尺度迁移符号动力学熵方法的参数进行优选,将其输入支持向量机中,进一步提高最终的故障识别率。通过轴承故障实验信号的测试证明,基于多尺度迁移符号动力学熵的滚动轴承诊断方法能够有效提升数据驱动故障诊断模型的泛化能力,实现少量样本下滚动轴承不同故障位置的准确识别。

采用改进多尺度符号动力学熵的铁路机车轴承故障诊断

针对铁路机车轴承在真实复杂环境下故障特征难以提取而导致故障诊断困难的问题,提出一种改进多尺度符号动力学熵(IMSDE)的铁路机车轴承故障诊断方法。首先,通过邻域滑移均值化的方式改进多尺度符号动力学熵,克服了传统粗粒化造成的熵值偏差缺陷;然后,利用IMSDE充分提取振动信号在不同尺度下的关键故障特征;最后,结合极限学习机(ELM)实现铁路轴承不同故障类型与程度的识别。在此基础上,分别进行了3组试验分析。结果表明,对人为构造的轴承故障和工程实际产生的轴承故障,该方法都具有精准的故障识别效果,对比其他4种方法故障识别率更高,验证了该方法具有一定的工程实际应用价值。

基于等分符号化序列熵的滚动轴承退化特征提取方法

为深入探究岸边集装箱起重机滚动轴承的退化特征,提出一种基于等分符号化序列熵的退化特征提取方法。考虑符号化标准的统一性,该方法以正常状态信号的均方根作为基础,建立统一的基本尺度,同时结合信息熵理论,定量衡量信号符号序列的复杂程度大小。实例分析表明,等分符号序列熵可以准确地衡量非线性时间序列的实际复杂水平,能够敏感地刻画滚动轴承性能退化的全过程,且计算速度快、抗噪能力强,适用于设备在线状态监测与特征分析。

基于在线改进符号序列熵与逻辑回归模型的岸桥起升减速箱在线退化评估

针对岸桥起升减速箱的退化状态评估问题,提出一种基于在线改进符号序列熵(O_ISSE)与逻辑回归的退化状态在线评估方法.首先引入阈值因子,保留信号变化方向与幅值的“粗粒化”信息,降低原算法对于冲击成分的“敏感性”,提出改进后的符号序列熵(ISSE).采用滑动窗Weibull拟合的方法有效滤除ISSE特征序列中的波动影响,形成O_ISSE.最后,训练并建立逻辑回归模型,在线计算得到未知样本的健康因子H值,实现未知样本的状态识别.采用上港某码头在线监测的起升机构减速箱全寿命数据进行实例分析.研究结果表明,所提ISSE和逻辑回归模型方法能够挖掘信号中的复杂度变化规律,准确地跟踪并识别性能退化状态.

基于变尺度符号传递熵的多通道脑肌电信号耦合分析

在运动控制中,脑肌电耦合强度可以反映大脑皮层和运动肌肉之间的联系。传统的时间序列符号化方法容易混淆原始信号,丢失信号的动态特性。因此,提出可变尺度参数的符号传递熵,对上肢不同握力下的皮层脑电和表面肌电信号进行多通道耦合性分析,进而提出一种耦合强度的表示方法,对脑肌电耦合强度进行定量分析。首先,分析并比较尺度参数对脑肌电传递熵的影响,并选择优化的尺度进行符号化传递熵的计算;其次,针对不同握力下多通道脑肌电信号的分析,验证大脑运动区C3、C4通道的脑电在运动控制中占主导地位以及大脑的对侧控制机制。实验中还发现,随着握力的增强,肌电到脑电的传递熵有增大趋势,右手(惯用手)脑电到肌电的传递熵较左手的高,同时随着输出力量的增强,脑肌电的双向平均耦合强度也增大。结果分析显示:5、10、20 kg握力下,EMG→EEG方向的左手耦合强度分别为0.033 0±0.005 8、0.037 3±0.004 0、0.045 1±0.005 5,右手耦合强度分别为0.035 2±0.002 9、0.043 2±0.003 5、0.060 3±0.001 8,除左手5和10 kg握力间不存在显著性差异,其余都具有显著性差异(P<0.05);EEG→EMG方向左手耦合强度分别为0.025 3±0.004 7、0.037 9±0.002 6、0.048 1±0.006 8,右手耦合强度分别为0.033 3±0.004 1、0.051 0±0.005 7、0.064 9±0.008 5,不同握力间均有显著性差异。研究结果表明:皮层肌肉功能耦合具有双向性,而且耦合强度在通道和握力不同时有差异。变尺度传递熵可用于定量描述大脑皮层与神经肌肉组织之间的非线性同步特征及信息交互。

基于振摆信息融合的水电机组状态预测及符号化表征研究

该文以水轮发电机组振动和摆度信号为对象,开展机组运行状态的预测和表征方法研究。通过主成分分析,将水电机组振摆信号进行数据融合研究,实现多组信号的融合,并且大幅降低数据计算量;依托循环神经网络模型,对融合信号进行时间序列建模,根据已知样本预测机组信号;开展机组状态表征研究,提出融合信号的符号熵特征;以我国西南地区某轴流式水电机组为实验对象,获取多种工况下的振摆数据,通过计算得到的预测信号与原始信号平均R2系数大于0.9,验证了所提出方法的有效性。该研究依托深度学习和符号熵分析方法,实现了机组振摆信号的融合、预测及表征。