Identification of denatured and normal biological tissues based on compressed sensing and refined composite multi-scale fuzzy entropy during high intensity focused ultrasound treatment

In high intensity focused ultrasound(HIFU)treatment,it is crucial to accurately identify denatured and normal biological tissues.In this paper,a novel method based on compressed sensing(CS)and refined composite multi-scale fuzzy entropy(RCMFE)is proposed.First,CS is used to denoise the HIFU echo signals.Then the multi-scale fuzzy entropy(MFE)and RCMFE of the denoised HIFU echo signals are calculated.This study analyzed 90 cases of HIFU echo signals,including 45 cases in normal status and 45 cases in denatured status,and the results show that although both MFE and RCMFE can be used to identify denatured tissues,the intra-class distance of RCMFE on each scale factor is smaller than MFE,and the inter-class distance is larger than MFE.Compared with MFE,RCMFE can calculate the complexity of the signal more accurately and improve the stability,compactness,and separability.When RCMFE is selected as the characteristic parameter,the RCMFE difference between denatured and normal biological tissues is more evident than that of MFE,which helps doctors evaluate the treatment effect more accurately.When the scale factor is selected as 16,the best distinguishing effect can be obtained.

基于IRCMMRDE和HHO-PNN的轴承损伤辨识模型

采用单通道振动信号无法完全准确表征轴承多角度的故障信息,导致特征提取不够充分。针对这一缺陷,构建了一种基于改进精细复合多元多尺度反向散布熵(IRCMMRDE)和参数优化概率神经网络(PNN)的滚动轴承损伤辨识模型。首先,使用了振动加速度计和麦克风两种类型的传感器,同时获得了滚动轴承不同工况下的振动和声音信号,构建了故障信息量更丰富的多通道信号;随后,提出了能够同步分析多通道信号的IRCMMRDE方法,并将其用于提取滚动轴承多通道信号的故障特征;接着,采用哈里斯鹰优化器(HHO)对概率神经网络的平滑因子进行了自适应寻优,构造了网络结构最优的PNN模型;最后,将损伤样本输入至HHO-PNN模型中,进行了故障的分类识别,完成了滚动轴承样本的故障辨识;并基于滚动轴承声振信号数据集,对基于IRCMMRDE-HHO-PNN的故障诊断方法的有效性进行了验证。研究结果表明:基于IRCMMRDE和HHO-PNN的故障诊断方法的准确率达到了99.6%,平均的识别准确率达到了99.8%,优于其他多种特征提取方法;同时,对多通道融合信号进行分析取得的准确率优于单个通道的信号,准确率分别提高了8.8%和4.8%;此外,HHO-PNN分类器模型的诊断性能优于其他分类模型,更具有泛化性和实用性。

基于多元精细复合多尺度波动散布熵和累积欧氏距离矩阵测度的风电机组变桨轴承退化状态评估

针对风电机组变桨轴承服役过程环境噪声干扰严重、退化状态评估精度低的问题,提出一种基于多元精细复合多尺度波动散布熵和累积欧氏距离矩阵测度的退化状态评估模型。该模型将监测数据状态特征获取过程由单通道拓展为多通道进行,通过提出的多元精细复合多尺度波动散布熵算法来获取多通道监测数据的多尺度状态特征,并将累积和检验算法与欧氏距离矩阵测度方法相结合,用于定量衡量基准样本与待分析样本间的差异,从而实现变桨轴承退化状态评估。风电机组变桨轴承全寿命周期加速疲劳实验验证结果表明:该模型能够及时捕捉到变桨轴承的初始退化时刻并且准确跟踪整个退化过程。

基于APSO-SSD-SVD的特高压换流站OLTC振动信号降噪方法

随着中国特高压交直流换流站的大规模投运,有载分接开关(on-load tap changer, OLTC)已成为特高压换流站中发生故障较多的设备之一。针对强背景噪声环境下特高压换流站OLTC故障特征难以提取的问题,提出一种基于自适应粒子群算法优化奇异谱分解和奇异值分解的方法。首先,利用自适应粒子群优化(adaptive particle swarm optimization, APSO)算法对奇异谱分解算法中的模态参数进行优化,选取最优分解模态数。其次,基于最大峭度准则选取最佳奇异谱分量。然后,确定最佳重构阶数,通过奇异值分解重构信号,从而达到信号降噪的目的。将所提方法应用于仿真信号和实验信号,结果表明所提方法的信噪比达到23.302,均方根误差仅为0.004,并且波形相似参数高达0.998,优于其他降噪方法。所提方法能够更有效地实现对特高压换流站OLTC振动信号的降噪,为辅助运维人员诊断OLTC状态提供参考。

基于CMMFDE与多传感器信息融合的旋转机械故障诊断研究

采用单一传感器采集的振动信号难以准确描述旋转机械动态特性,导致提取的故障特征无法准确辨识旋转机械故障。针对这一缺陷,提出了一种基于复合多元多尺度波动散布熵(CMMFDE)、多传感器信息融合和哈里斯鹰算法优化极限学习机(HHO-ELM)的旋转机械故障诊断方法。首先,引入复合多元粗粒化处理,提出了CMMFDE方法,避免了传统单变量分析方法只能处理单一通道振动信号而导致特征的表征性能不足的缺陷,增强了故障特征的表征性能;随后,利用布置在旋转机械不同部位的传感器收集了多种类型的信号,组成混合多通道信号,并进行了CMMFDE分析,构建了故障特征;最后,采用HHO对极限学习机的参数进行了自适应优化,并对特征样本进行了训练和测试,完成了旋转机械的故障识别工作;利用齿轮箱、离心泵两种典型的旋转机械数据集进行了实验分析。研究结果表明:该方法对多个通道的信号进行分析时,所获得的准确率达到了100%和98%,优于对单个通道信号进行分析时获得的准确率,同时CMMFDE方法的准确率和特征提取时间均优于精细复合多元多尺度熵(RCMMSE)、精细复合多元多尺度模糊熵(RCMMFE)、精细复合多元多尺度排列熵(RCMMPE)、多元多尺度波动散布熵(MMFDE)。

基于精细复合多尺度散布熵的抗蛇行减振器故障诊断

抗蛇行减振器作为高速列车关键悬挂元件在减轻列车横向振动提高安全性和稳定性上有重要作用,为实现对抗蛇行减振器故障进行精确诊断,针对非线性振动信号故障特征不明显的问题,提出一种自适应噪声完备集合经验模态分解(Complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与精细复合多尺度散布熵结合的故障诊断方法。首先采用CEEMDAN分解信号得到本征模态函数(Intrinsic mode function,IMF),计算精细复合多尺度散布熵组成特征集,然后融合多个通道振动信号特征并用核主成分分析法进行降维,将降维后的特征集分成训练集和测试集,最后输入到改进麻雀算法优化的支持向量机模型中进行训练与诊断。为验证方法的可行性,以机车滚动振动试验台模拟列车运行的不同速度,设置抗蛇行减振器故障工况,通过转向架和车体多个位置传感器获得试验数据进行分析。研究结果表明,经过优选的特征集能更好地捕捉抗蛇行减振器故障的特征信息,与未经优选的特征集相比故障诊断结果正确率有所提升;多通道融合特征的方法与单通道相比反映故障信息更加全面,补偿了单一通道诊断结果精确度低的不足,进一步提高了故障诊断结果正确率;改进麻雀算法优化了模型参数,解决了参数设计的盲目性,提高了模型分类识别能力,并与其他算法相比验证了优越性。运用该方法对抗蛇行减振器进行故障诊断,能够有效诊断出抗蛇行减振器故障类型,为抗蛇行减振器故障诊断提供了一种新的方法。

基于RCMDE和GWO-LSSVM的抗蛇行减振器故障诊断

针对高速列车抗蛇行减振器故障振动信号具有非线性、非平稳特征以及特征信号提取相对困难的问题,提出一种基于自适应噪声完备集合模态分解(CEEMDAN)与灰狼算法优化的最小二乘支持向量机(LSSVM)相结合的故障诊断方法。利用CEEMDAN方法分解车辆的振动信号,得到振动信号的各模态分量(IMF),并计算IMF各分量的精细复合多尺度散布熵(RCMDE),组成每个样本下的特征向量,最后输入到利用灰狼优化算法(GWO)对LSSVM的惩罚系数和核函数参数迭代寻优以获得最优分类效果的LSSVM中进行故障诊断。试验结果表明:通过提取CEEMDAN各模态分量IMF的精细复合多尺度散布熵作为特征输入到GWO-LSSVM中具有很好的诊断效果,实现了抗蛇行减振器故障的有效判别,验证了该方法的可行性。

基于SORT映射的IRCMFDE在旋转机械故障诊断中的应用

针对旋转机械振动信号的强非线性和非平稳性,导致故障特征提取困难的问题,提出了一种基于SORT映射的改进精细复合多尺度波动散布熵(IRCMFDE)和蝙蝠算法优化的相关向量机(BA-RVM)的旋转机械故障诊断方法。首先,利用SORT映射函数替换了精细复合多尺度波动散布熵(RCMFDE)方法的正态累积分布函数,同时对RCMFDE方法的粗粒化方式进行了改进,提出了基于SORT映射的IRCMFDE方法;随后,利用IRCMFDE方法提取了旋转机械振动信号的故障特征,构造了故障特征集;最后,采用BA-RVM分类器对旋转机械的故障类型进行了智能化的识别和分类;将基于IRCMFDE和BA-RVM的故障诊断方法应用于滚动轴承、离心泵和齿轮箱的实验数据分析,并将其与现有故障诊断方法进行了对比分析。研究结果表明:基于IRCMFDE和BA-RVM的故障诊断方法能够有效地识别旋转机械的故障状态,识别准确率分别达到了100%、98%和99%,相比基于RCMFDE、精细复合多尺度熵、精细复合多尺度模糊熵、精细复合多尺度排列熵和精细复合多尺度散布熵的故障特征提取方法,该故障诊断方法的效率和平均识别准确率均优于对比方法,其更适合应用于旋转机械的在线实时故障监测。

精细复合多尺度波动散布熵在液压泵故障诊断中的应用

液压泵振动信号具有非线性、非平稳性的特点,熵算法在该类信号分析方面有着独到的优势,但传统的熵算法在液压泵振动信号特征提取中有计算速度慢、熵值不准确、不稳定等不足,为了更有效地提取故障特征信息并提高故障诊断准确性,将精细复合多尺度波动散布熵(refined composite multiscale fluctuation dispersion entropy,RCMFDE)引入到液压泵的故障特征提取中,提出了一种基于RCMFDE和粒子群优化支持向量机结合的液压泵故障诊断方法。计算不同故障振动信号的RCMFDE,并选取合适尺度下的多个RCMFDE值作为特征向量形成特征样本,输入粒子群优化支持向量机中进行故障分类识别。通过仿真信号和液压泵故障实测信号进行分析,并将所提出的方法与基于多尺度样本熵(multiscale sample entropy,MSE)、多尺度排列熵(multiscale permutation entropy,MPE)、多尺度符号动态熵(multiscale symbolic dynamic entropy,MSDE)、多尺度散布熵(multiscale dispersion entropy,MDE)、精细复合多尺度散布熵(refined composite multiscale dispersion entropy,RCMDE)、多尺度波动散布熵(multiscale fluctuation dispersion entropy,MFDE)的故障特征提取方法进行对比。试验结果表明,该方法能够更加准确地识别多类液压泵故障并能对液压泵性能退化程度进行有效评估。

基于变分模态分解的癫痫脑电信号分类方法

癫痫是一种常见的脑部疾病,通过脑电图能非侵入地定位人脑中的致痫区域.为了辨别病灶性和非病灶性癫痫脑电信号,文章提出一种基于变分模态分解的癫痫脑电信号自动检测方法,首先将原信号分割成多个子信号,并对各子信号进行变分模态分解,然后从分解后的不同变分模态函数中提取精细复合多尺度散布熵和精细复合多尺度模糊熵两个特征并利用支持向量机进行分类.针对癫痫脑电的公共数据集,最终的实验结果表明,准确率、灵敏度和特异度三个性能指标分别达到94.24%,95.58%和90.64%,ROC曲线下面积达0.978.

基于变分模态分解与精细复合多尺度散布熵的发电机匝间短路故障诊断

针对多极发电机匝间短路故障诊断与识别难度高的问题,提出了变分模态分解与精细复合多尺度散布熵结合的方法处理发电机定子振动信号。所提方法应用变分模态分解将原始信号分解为多个模态分量,并依据峭度和相关系数原则选取2个不同分量进行信号的重构,应用精细复合多尺度散布熵来进行重构信号的分类及故障识别。对3对极发电机匝间短路故障前、后定子振动数据的处理效果表明,所提方法可以对发电机匝间短路故障进行有效识别与诊断,与其他多尺度熵方法相比具有一定优越性。

复合多尺度散布熵在滚动轴承故障诊断中的应用

为了提取滚动轴承的非线性故障特征,将复合多尺度散布熵应用于滚动轴承故障特征提取,提出1种基于复合多尺度散布熵与支持向量机的滚动轴承故障诊断方法,并将所提方法应用于滚动轴承实验数据分析。通过与多尺度散布熵和多尺度熵进行对比,结果表明:论文提出的故障诊断方法不仅能够准确地诊断滚动轴承的故障类型和程度,而且识别率优于所对比的方法。

FDM和RCMDE结合的特征提取与故障诊断

为提取有效特征向量以实现航空发动动机转子的故障诊断,针对航空发动机转子振动信号的非线性、非平稳的特性,首先,应用傅里叶分解方法(Fourier decomposition method,简称FDM)提取航空发动机转子信号的边际谱重心及最大能量层的谱重心;其次,计算振动信号的精细复合多尺度散布熵;最后,应用双阶自适应小波聚类方法对特征空间实现故障分类与识别。应用航空发动机转子试验器采集的样本验证表明,上述方法提取的特征值准确且波动小,同种故障类型的特征值集中,不同故障类型之间差异大,有利于提高多种故障类型混合的诊断精度。

基于优化VMD复合多尺度散布熵及LSTM的风力发电机齿轮箱故障诊断方法研究

以风力发电机齿轮箱加速度信号为研究对象,提出一种数据驱动的风力发电机齿轮箱故障诊断方法,该方法以灰狼优化的变分模态分解方法(AGWO-VMD)、复合多尺度规范化散布熵(NCMDE)及长短期记忆网络(LSTM)为基础,实现齿轮箱故障的快速诊断。首先将时域信号转换至角域;然后通过AGWO-VMD方法对角域信号进行自适应分解,并采用NCMDE算法提取分解后及原始信号中的故障特征构成特征向量;最后利用LSTM模型对特征向量进行智能识别与分类。对实际采集的6种故障齿轮信号进行测试与验证,试验结果表明该方法能快速有效区分齿轮故障类型。

基于RCMDE与极限学习机的滚动轴承故障诊断

针对滚动轴承故障信号识别率低的情况,提出一种基于精细复合多尺度离散熵(RCMDE)与极限学习机(ELM)的故障诊断方法。首先,从原始振动信号中提取20个尺度的精细复合多尺度离散熵并以此构建故障特征集,然后利用ELM对其进行故障种类识别。通过凯斯西储大学的轴承数据验证提出方法的有效性,最后将提出方法与MPE-ELM进行对比。对比结果说明提出的故障诊断方法具有更高的分类精度。

精细广义复合多元多尺度反向散布熵及其在滚动轴承故障诊断中的应用

多尺度反向散布熵能够有效度量时间序列的复杂性,但在粗粒化构造上存在缺陷,且在表征滚动轴承非线性故障特征时缺乏对其他通道同步信息的有效利用。为了准确提取轴承信号的故障特征,结合精细化和广义复合多尺度的思想,将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中,提出了精细广义复合多元多尺度反向散布熵(RGCMvMRDE)。在此基础上,提出了一种基于RGCMvMRDE与引力搜索算法优化支持向量机(GSA-SVM)的滚动轴承故障诊断方法。首先,利用RGCMvMRDE全面表征滚动轴承故障特征信息,构建故障特征集;其次,采用GSA-SVM对故障类型进行智能识别;最后,将所提方法应用于滚动轴承实验数据分析,并将其与现有基于多尺度反向散布熵、广义多尺度反向散布熵和精细复合多元多尺度排列熵的故障特征提取方法进行了对比。研究结果表明,所提RGCMvMRDE不仅能够有效和精准地诊断轴承的不同故障类型和故障程度,且诊断效果优于上述对比方法。

基于CEEMDAN和RCMDE的往复压缩机轴承故障诊断方法

针对往复压缩机振动加速度信号的非线性、非平稳等特性,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和精细复合多尺度散布熵(RCMDE)的往复压缩机轴承故障特征提取方法。采用CEEMDAN方法对信号进行分解时,通过不同的参数组合,可得到不同的IMF分量;计算不同参数条件下重构后的信号的峭度值,选用峭度值最大的一组参数重新对信号进行CEEMDAN分解,并进行信号重构。对重构后的信号进行RCMDE分析,提取故障特征向量,并利用支持向量机(SVM)进行分类识别。将优选参数的CEEMDAN分解方法和原CEEMDAN分解方法进行对比,结果表明:优选参数的CEEMDAN分解方法能更好地提取往复压缩机周期冲击性信号,有利于提高故障诊断的精确度。

基于精细复合多尺度散布熵与XGBoost的海面小目标检测方法

针对传统海面漂浮小目标的特征检测方法难以有效提取目标特征的问题,提出了一种基于RCMDE-XGBoost海面小目标检测方法。利用变分模态分解对信号进行去噪预处理,通过精细复合多尺度散布熵提取目标的多尺度特征,构建多维度特征矩阵,输入XGBoost网络进行特征分类,通过模型训练,实现海面小目标检测。利用IPIX雷达实测数据库,在#54、#311、#320海情HV极化方式下检测率分别达到了93.33%、92.38%、95%,相较于图连通密度检测法平均提升12%,证明了RCMDE-XGBoost检测方法有效。

基于改进的CEEMDAN和CHDE的往复压缩机气阀故障诊断

由于往复压缩机的振动信号具有非线性非平稳性的特点,为进一步提高故障识别率,提出对自适应噪声完备集合经验模态分解(CEEMDAN)进行改进并与复合层次散布熵相结合的往复压缩机气阀故障诊断方法。利用正交性为指标选择最佳模态函数,有效提高了CEEMDAN对非平稳性信号的分解精度,减少噪声残差;采用峭度作为评价指标对分解后的IMF分量进行筛选并重构信号,求解重构信号的复合层次散布熵,提取故障特征向量;利用支持向量机进行分类识别。试验结果验证了该方法的有效性和优越性。

基于改进EWT-精细复合多尺度散布熵和GG聚类的球磨机负荷识别方法

针对球磨机振动信号具有非线性、非平稳性特点所导致的负荷状态难以识别问题,提出一种基于改进经验小波变换(EWT)、精细复合多尺度散布熵(RCMDE)和GG聚类的球磨机负荷识别方法。首先,在EWT的基础上,引入滑动频率窗的思想,提出自适应频率窗EWT算法,将其用于对球磨机原始振动信号的分解以获得本征模态分量;其次,通过相关系数法选出能表征原始信号状态的敏感模态分量进行信号重构;第三,利用RCMDE对重构信号进行处理提取负荷状态特征;最后,将特征向量作为GG聚类算法的输入,将球磨机负荷状态作为输出,建立球磨机负荷识别模型。通过磨矿实验验证了该方法的有效性,结果表明,该方法的聚类内紧致性较好,识别的评价指标PC值最高可达0.9989,而CE值仅为0.0013,识别效果显著,能够准确识别球磨机的负荷状态。