Adaptive Bearing Fault Diagnosis based on Wavelet Packet Decomposition and LMD Permutation Entropy

Bearing fault signal is nonlinear and non-stationary, therefore proposed a fault feature extraction method based on wavelet packet decomposition （WPD） and local mean decomposition （LMD） permutation entropy, which is based on the support vector machine （SVM） as the feature vector pattern recognition device Firstly, the wavelet packet analysis method is used to denoise the original vibration signal, and the frequency band division and signal reconstruction are carried out according to the characteristic frequency. Then the decomposition of the reconstructed signal is decomposed into a number of product functions （PE） by the local mean decomposition （LMD） , and the permutation entropy of the PF component which contains the main fault information is calculated to realize the feature quantization of the PF component. Finally, the entropy feature vector input multi-classification SVM, which is used to determine the type of fault and fault degree of bearing The experimental results show that the recognition rate of rolling bearing fault diagnosis is 95%. Comparing with other methods, the present this method can effectively extract the features of bearing fault and has a higher recognition accuracy

Classification of Power Quality Disturbances Using Wavelet Packet Energy Entropy and LS-SVM

The power quality (PQ) signals are traditionally analyzed in the time-domain by skilled engineers. However, PQ disturbances may not always be obvious in the original time-domain signal. Fourier analysis transforms signals into frequency domain, but has the disadvantage that time characteristics will become unobvious. Wavelet analysis, which provides both time and frequency information, can overcome this limitation. In this paper, there were two stages in analyzing PQ signals: feature extraction and disturbances classification. To extract features from PQ signals, wavelet packet transform (WPT) was first applied and feature vectors were constructed from wavelet packet log-energy entropy of different nodes. Least square support vector machines (LS-SVM) was applied to these feature vectors to classify PQ disturbances. Simulation results show that the proposed method possesses high recognition rate, so it is suitable to the monitoring and classifying system for PQ disturbances.

Wavelet packet decomposition entropy threshold method for discrete spectrum interferences rejection of on-line partial discharge monitoring

The frequency domain division theory of dyadic wavelet decomposition and wavelet packet decomposition (WPD) with orthogonal wavelet base frame are presented. The WPD coefficients of signals are treated as the outputs of equivalent bandwidth filters with different center frequency. The corresponding WPD entropy values of coefficients increase sharply when the discrete spectrum interferences (DSIs), frequency spectrum of which is centered at several frequency points existing in some frequency region. Based on WPD, an entropy threshold method (ETM) is put forward, in which entropy is used to determine whether partial discharge (PD) signals are interfered by DSIs. Simulation and real data processing demonstrate that ETM works with good efficiency, without pre-knowing DSI information. ETM extracts the phase of PD pulses accurately and can calibrate the quantity of single type discharge.

Pattern recognition of surface electromyography signal based on wavelet coefficient entropy

This paper introduced a novel, simple and ef-fective method to extract the general feature of two surface EMG (electromyography) signal patterns: forearm supination (FS) surface EMG signal and forearm pronation (FP) surface EMG signal. After surface EMG (SEMG) signal was decomposed to the fourth resolution level with wavelet packet transform (WPT), its whole scaling space (with frequencies in the interval (0Hz, 500Hz]) was divided into16 frequency bands (FB). Then wavelet coefficient entropy (WCE) of every FB was calculated and corre-spondingly marked with WCE(n) (from the nth FB, n=1,2,…16). Lastly, some WCE(n) were chosen to form WCE feature vector, which was used to distinguish FS surface EMG signals from FP surface EMG signals. The result showed that the WCE feather vector consisted of WCE(7) (187.25Hz, 218.75Hz) and WCE(8) (218.75Hz, 250Hz) can more effectively recog-nize FS and FP patterns than other WCE feature vector or the WPT feature vector which was gained by the combination of WPT and principal components analysis.

基于PSO-ADMMF和WPE的发电机转子匝间短路故障诊断

针对常规的数学形态滤波器对定子电流信号滤波效果不理想,提出粒子群算法改进的数学形态滤波器。引用粒子群算法寻找最优的数学形态滤波器中开-闭和闭-开运算的权系数,建立自适应数学形态滤波器模型,对定子电流信号进行滤波处理。结合小波包理论和信息熵理论,提出小波包熵作为故障特征的故障诊断方法。仿真实验对比了PSO算法改进的自适应数学形态滤波器和常规数学形态滤波器的滤波效果,计算了滤波后的不同状态信号的小波包熵,并以此进行了转子匝间短路故障诊断,仿真验证表明本方法是有效的。

基于RVACD和WPE感应电机转子断条故障诊断

针对感应电机转子断条故障诊断存在故障信号复杂多变、诊断时受负载和电源波动影响较大等诸多不足之处,提出断电残压(Residual Voltage after AC dump,RVACD)和小波包熵(Wavelet Packet Entropy,WPE)的故障诊断方法。以电机断电后残余电压为研究对象,建立转子断条故障的断电残压模型;分析断电残压信号频谱,得到故障特征频率;结合小波包和信息熵理论得到小波包Shannon熵,计算并与正常电机熵值作对比,得到故障诊断依据。仿真结果表明,断电残余电压可有效避免外界因素的干扰,断电残压频谱简单明了,小波包熵值作为故障诊断依据简单可靠,为工程实际提供了新的思路。

基于WPEE-RF的模拟电路故障诊断

为实现高效的模拟电路故障诊断,提出了基于小波包能量熵(WPEE)和随机森林(RF)的模拟电路故障诊断方法;选择合适的测试激励信号,监测电路收集数据,对模拟电路监测数据进行5层小波包分解,计算多频带WPEE向量表征故障特征,由RF分类器实现故障诊断;仿真实验结果表明,该方法在双二次滤波电路、Sallen-key滤波电路容差故障诊断以及对数放大器综合故障诊断中体现出良好的性能,故障诊断准确率达99%以上,且该方法具有参数鲁棒性,RF模型训练时间短;较支持向量机和BP网络方法相比,表现出更好的综合性能,更能贴近工程实践应用。

High impedance fault detection in distribution network based on S-transform and average singular entropy

When a high impedance fault(HIF)occurs in a distribution network,the detection efficiency of traditional protection devices is strongly limited by the weak fault information.In this study,a method based on S-transform(ST)and average singular entropy(ASE)is proposed to identify HIFs.First,a wavelet packet transform(WPT)was applied to extract the feature frequency band.Thereafter,the ST was investigated in each half cycle.Afterwards,the obtained time-frequency matrix was denoised by singular value decomposition(SVD),followed by the calculation of the ASE index.Finally,an appropriate threshold was selected to detect the HIFs.The advantages of this method are the ability of fine band division,adaptive time-frequency transformation,and quantitative expression of signal complexity.The performance of the proposed method was verified by simulated and field data,and further analysis revealed that it could still achieve good results under different conditions.

光伏并网逆变器参数性故障的VMD-WPE和MPA-LSTM诊断方法研究

针对三相光伏并网逆变器参数性故障的特征量提取难、诊断准确率较低等问题,提出变分模态分解的小波包能量特征与海洋捕食者算法优化长短期记忆神经网络相结合的故障诊断方法。首先,以逆变器三相线电压为原始数据,以最小样本熵为准则优化变分模态分解的模态数;然后,利用小波包分解提取变分模态分解各模态分量的小波包能量作为故障特征量;最后,利用海洋捕食者算法优化长短期记忆网络超参数实现故障的参数性辨识。对比分析结果表明,所提方法用于光伏并网逆变器参数性故障诊断具有可行性和精确性。

基于小波包分解与CEEMDAN能量熵的水电机组振动信号特征提取

针对水电机组振动信号非平稳、非线性及噪声问题,提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与能量熵结合的特征提取方法,首先对采集的振动信号进行小波包降噪处理,然后对降噪后信号进行CEEMDAN分解,运用相关系数法筛选有效固有模态函数(IMF)并计算其能量熵,由此构建特征向量集,最后将其输入到海洋捕食者优化支持向量机算法(MPA-SVM)进行模式识别。基于模拟信号、实测信号验证所提特征提取方法的有效性,并与其他方法作对比。结果表明,基于小波包分解与CEEMDAN能量熵的特征提取方法能准确提取特征,有效区分机组不同状态,为工程领域提供了应用价值。

基于经验模态分解和小波包能量熵的杉木加载过程中细观损伤监测与识别

【目的】细观损伤是承载木材断裂的主要原因之一。木材的多孔层状结构使其损伤过程变得复杂,针对单一信号处理方法较难充分挖掘木材断裂声发射信号中的细观损伤信息,造成识别信息不充分、不完备的问题。本研究提出通过经验模态分解(EMD)和小波包能量熵结合的信号处理方法,通过声发射无损检测手段,识别杉木加载过程中的细观损伤类型。【方法】以杉木为研究对象,进行单轴压缩、双悬臂梁和顺纹拉伸3种单一损伤试验,并对其进行加载过程中声发射信号的采集、监测与分析。通过小波包阈值法消除损伤试验中采集的声发射信号噪声,经由EMD和相关系数计算,分离出最能体现杉木细观损伤特征的本征模态(IMF)分量,并对IMF分量进行基于傅里叶变换的峰值频率分析和小波包能量熵分析,提取杉木细观损伤的特征。【结果】(1)EMD和小波包能量熵结合的信号处理方法能够判断杉木加载过程中声发射信号对应的细观损伤类型与构成。(2)杉木不同细观损伤类型的声发射信号对应不同的小波包能量熵区间:胞壁屈曲与塌溃(0.69~0.99)、层间开裂(1.57~1.78)、纤维束断裂(1.92~2.27)。(3)宏观断口观察和电镜显微分析验证了该方法的准确性。【结论】经验模态分解–小波包能量熵法避免了声发射信号模态堆叠的影响,并解决了木材细观损伤复杂且难以识别的问题,为杉木木材断裂的早期诊断方法提供了理论支撑。

反激式开关电源故障非侵入式AI诊断方法研究

将人工智能技术应用到故障诊断领域可以实现电力设备的自动化、智能化诊断,提高诊断精度和效率。以单输入多输出的反激式开关电源为例,针对其因脆弱元件失效而引起的电路工作性能异常的问题,通过分析不同故障模式的信号特性和可分性,提出了融合输入电流和输出电压信息的非侵入式开关电源故障诊断方法。构建了由时域特征及频带小波包奇异熵特征组成的融合时频域信息的多维特征矢量,建立了故障特征与故障模式之间的映射关系。进而,提出了基于人工智能技术的深度神经网络(DNN)故障诊断方法,实时监测反激式开关电源的运行状态,并通过数据分析及时识别故障位置,对潜在故障进行预警。实验结果表明,所提出的方法对单故障和多故障模式均具有良好的诊断效果,诊断准确率可达97.9%,并且,在不同工况下,该方法均可表现出较高的诊断准确率和较强的抗干扰性能。

基于Renyi熵和ISSA-SVM的轴承故障诊断分析

在工业系统中,旋转机械的信号通常是非平稳的、非线性的,并且带有噪声干扰。为了提高异常检测分析的准确性,克服优化方法的局限性,提出了一种基于Renyi熵的滚动轴承故障诊断方法和一种基于飞行策略的改进麻雀搜索算法(ISSA)来优化支持向量机(SVM)。首先,小波包分析对原始信号进行分解,从分解后的频带中选取最佳频带进行重构,然后利用重构后的频带计算Renyi熵,形成特征向量,输入到具有动态逆向学习因子的麻雀搜索算法进行故障诊断。该方法提高了种群的多样性。通过采用飞行策略初始化种群,调整步长因子,避免了麻雀搜索算法陷入局部最优的问题。与灰狼优化算法和粒子群优化算法相比,麻雀搜索算法在故障诊断方面具有最高的准确性。三种算法准确率分别为88.89%、93.94%和96.97%。采用Lévy飞行策略对三种算法进行优化,ISSA-SVM的准确率最高达到99%,IPSO-SVM的准确率达到98%,IGWO-SVM的准确率达到95%。实验数据表明,利用Lévy飞行算法优化的麻雀搜索算法具有最高的故障诊断精度。因此,将Renyi熵与ISSA-SVM相结合提出的非线性故障诊断方法可行。

脑电信号多特征融合与卷积神经网络算法研究

针对脑电信号(electroencephalogram,EEG)运动想象中单一特征无法多维表征信号中的信息导致的分类准确率不高的问题,提出一种基于样本熵和共空间模式特征融合的特征提取算法。算法先对原始脑电信号进行小波包分解,从中选择包含μ和β节律的分量进行重构,然后分别提取重构信号的样本熵和CSP(common spatial pattern,CSP)特征,将两者融合组成新的特征向量,使用所设计的一维卷积神经网络对其进行识别获得分类结果。所提方法在2003年BCI Dataset III中获得了91.66%的分类准确率,在2008年BCI Dataset A中获得了85.29%的平均分类准确率。与近年来文献中提出的多特征融合算法相比,准确率提高了7.96个百分点。

VMD结合小波包信息熵和GJO-SVM的电机轴承故障诊断

针对电机滚动轴承故障特征难以提取从而导致诊断准确率低的问题,提出了一种基于变分模态分解(Variational Modal Decomposition,VMD)结合小波包信息熵(Wavelet Packet Information Entropy,WPIE)的特征提取方法,并采用金豺优化(Golden Jackal Optimization,GJO)算法优化后的支持向量机(Support Vector Machine,SVM)进行电机滚动轴承的故障诊断。首先,利用VMD将采集到的信号进行分解,依据局部极小包络熵筛选出最优本征模态(Intrinsic Mode Function,IMF)分量;其次,利用小波包将最优IMF分量再分解,并提取信息熵作为特征向量矩阵;最后,采用GJO算法对支持向量机中的惩罚参数和核参数进行寻优选择,建立GJO-SVM故障诊断模型,将特征向量矩阵输入金豺算法优化支持向量机(GJO-SVM)故障诊断模型中进行故障诊断。将VMD结合小波包信息熵特征提取与VMD结合近似熵特征提取进行对比试验,试验结果表明,VMD结合小波包信息熵特征提取精度提高了2.5%,其特征提取更加优越;将金豺算法优化支持向量机(GJO-SVM)与粒子群优化(Porticle Swarm OPtimization,PSO)算法支持向量机(PSO-SVM)、果蝇优化算法(Fruit fly Optimation Algorithm,FOA)支持向量机(FOA-SVM)进行对比试验,试验结果表明,GJO-SVM其平均准确率达到99.16%,较PSO-SVM、FOA-SVM分别提高了2.5%、3.61%。金豺算法优化支持向量机(GJO-SVM)可以更加有效提取并诊断滚动轴承故障。

基于改进小波包能量熵和阈值自适应的切削颤振在线监测

颤振是影响机床加工质量的重要原因之一,传统的颤振监测算法对颤振孕育阶段的感知灵敏度低,且监测阈值的设定不具备泛化性和实时性,针对该问题提出了一种能够自适应地识别早期颤振的在线监测方法。首先使用改进的小波包能量熵算法(IWPEE)提取颤振特征,在提高识别精度和鲁棒性的同时降低了计算量。其次基于改进的拉依达准则确定颤振监测阈值,使系统能够根据不同的加工条件自适应地计算颤振监测阈值。然后根据实际加工监测需求开发高效颤振在线监测软件,并且通过仿真信号和切削试验验证了本文所提算法的有效性。结果表明,IWPEE算法相较于传统熵值判定法,识别灵敏度提高了360%,改进的拉依达准则能自适应地确定阈值并成功在颤振孕育阶段将其监测出来,相较于传统阈值算法在阈值稳定性和适应性上有显著提升。

基于小波包Teager散布熵的轨道车辆路基振动特征提取方法研究

变压器等电气设备的吊装、转运环节是疏于监控的薄弱环节,极易发生由机械冲击引起的二次损伤。对变压器轨道运输车行进过程中受路基振动引起的冲击响应开展研究。首先,建立了轨道运输车⁃变压器耦合分析模型,利用有限元分析得出轨道运输车⁃变压器耦合分析模型在路基振动作用下的核心响应区域。然后,提出了一种基于小波包散布熵的非周期瞬态响应特征提取方法。该方法通过小波包最优子带树结构对整个频带进行良好的稀疏性分割,将包含多种信息的一维数据分解到不同维度,实现信号的有效分解,通过Teager能量算子(Teager Energy Operator,TEO)增强子带信号的冲击特性,利用散布熵选取包含冲击响应特征的子带信号。最后,通过路基振动仿真信号验证了所提方法能够准确从耦合路径干扰中提取出非周期性瞬态冲击响应成分。

基于VMD的隧道空洞小波包能量熵提取方法研究

空洞病害作为铁路隧道主要病害之一,影响铁路的安全运行,实现空洞病害的精准化智能化检测一直是铁路维护部门的难点之一。因此,该研究利用Comsol软件建立了声-固耦合有限元模型,分析了不同工况下的声学信号特征,提出了基于粒子群优化-变分模态分解-小波包分解(particle swarm optimization-variational mode decomposition-wavelet packet decomposition,PSO-VMD-WPD)的多算法融合的空洞声学能量熵的提取方法。首先,利用PSO的VMD算法对空洞的声学信号进行处理,提取子信号中相关系数较大的信号进行重组,从而抑制原信号中相关性比较低的模态;然后,利用WPD算法对重组后的信号进行分解,选择空洞信号影响较大的频率段,计算小波包的分解层数,提取子信号的能量熵。结果表明:(1)当声波信号中6 250~9 375 Hz频段的能量熵小于0.264时,混凝土结构中出现空洞病害;(2)利用VMD算法处理混凝土空洞的声波信号时,选择与原信号相关系数大于0.3的子信号进行重构后,信号中6 250~9 375 Hz频段的能量熵明显降低。

基于小波熵特征融合和ISSA-BiTCN的直流输电故障定位

特高压三端混合直流输电系统作为直流输电的一种重要形式,存在传输距离较长而导致的线路故障率较高的问题,对其进行准确的故障定位是系统稳定运行的基础。针对现有故障定位方法应用于输电线路单极接地故障时存在的高阻接地故障下定位模糊、精度较低的问题,提出了一种基于小波包熵特征融合提取故障特征,再由改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化的双向时域卷积网络(bidirectional time-domain convolution network,BiTCN)模型的故障定位方法。首先,利用小波包变换提取线模电压行波信号,利用信息熵刻画电压波形中的深层故障特征,形成熵特征融合特征向量构成的特征矩阵作为BiTCN模型的输入;其次,搭建并训练BiTCN模型,并利用ISSA的迭代寻优对其进行优化,最终实现三端混合直流输电线路故障的精确定位;最后,在PSCAD/EMTDC仿真平台中搭建系统模型,验证所提方法的可实施性。结果表明该方法定位精度较高,具有较好的泛化能力和鲁棒性,对高阻故障耐受能力较好。

基于小波包能量熵-BP神经网络的核电站阀门远传机构故障诊断研究

核电站阀门远传机构长期运行在恶劣工况下,当出现故障时会使核电站中关键阀门无法正常开闭,严重时导致设备停机检修,从而造成经济损失。针对这一问题,本文提出一种小波包能量熵-BP神经网络的阀门远传机构故障诊断方法。阀门远传机构样机搭建LabWindows/CVI振动信号采集试验平台,使用小波包算法对故障信号进行分解与重构,并提取小波包能量熵来构造故障特征向量,输入到BP神经网络训练后,经MATLAB仿真运行,验证了该方法的可行性和有效性。