分段复合多尺度模糊熵和IGWO-SVM的脑电情感识别

为提高脑电的情感识别率,提出了分段复合多尺度模糊熵算法,采用分段粗粒化和计算复合多尺度模糊熵的策略,使提取特征较好地解决了数据缺失和计算不准确的问题;同时构造了应用余弦非线性收敛因子和动静态位置更新的灰狼算法优化支持向量机分类模型。为证明所提两种算法的有效性,进行了仿真实验验证,并在公开DEAP数据库下与几种常见的支持向量机优化模型比较脑电的情感识别率,结果表明在提出的模型下,效价、唤醒度、优势度、喜欢度的平均识别率分别为87.27%、87.81%、89.06%、87.58%,均高于其他算法。另外对比了高/低喜欢度下效价和唤醒度的分类,实验表明喜欢度低时情感识别率较高。

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。

基于分段复合多尺度模糊熵的机车受电弓故障诊断

为克服多尺度模糊熵(MFE)对机车受电弓故障特征表征不明显的不足,将分段复合多尺度模糊熵(PCMFE)用于机车受电弓的故障特征提取中,并据此提出基于PCMFE的机车受电弓故障诊断方法。与MFE不同的是,PCMFE采用分段粗粒化和复合多尺度模糊熵的计算方法,可以解决MFE计算过程中数据丢失和在大尺度因子下计算不稳定的问题,可以更加准确地对故障信号进行表征。机车受电弓故障诊断实例结果表明,PCMFE对不同故障的区分性比MFE更好,提高了极限学习机(ELM)的诊断精度。

基于集成精细复合多元多尺度模糊熵的齿轮箱故障诊断

针对齿轮箱故障信号具有非线性和非平稳性的特点,且目前的方法对其特征提取不够充分这一问题,对不同形式粗粒化方法的集成、多通道信号处理方法在模糊熵算法上的应用进行了研究,提出了一种新的特征提取方法,即集成精细复合多元多尺度模糊熵(ERCmvMFE)算法,在此基础上,结合t分布随机邻域嵌入(t-SNE)和人工鱼群算法优化的核极限学习机(AFSA-KELM),提出了一种新的齿轮箱故障综合诊断方法。首先,采用多种形式粗粒化方法的集成方法以及多通道信号处理方法,对模糊熵算法进行了改进,并进行了齿轮箱故障的初始特征提取;然后,通过t-SNE压缩原始故障特征,实现了维数的约简,并将低维故障特征输入至AFSA-KELM中进行了故障的分类识别;最后,为了对ERCmvMFE方法的特征提取性能进行测试,采用QPZZ-II旋转机械故障模拟测试平台进行了相关的实验。实验结果表明:采用新的齿轮箱故障综合诊断方法能够对不同类型的齿轮箱故障进行可靠诊断,对齿轮箱5种工况下的20次识别实验中,获得的平均准确率可达98.92%,标准差为0.956,识别准确率和稳定性均优于其他对比方法。研究结果表明:采用ERCmvMFE算法能够更充分地提取出齿轮箱的故障特征,因此,基于该特征提取方法的故障诊断方法具有更高的齿轮箱故障识别准确率。

基于复合多尺度模糊熵的滚动轴承故障诊断方法

为了精确地提取滚动轴承振动信号非线性故障特征,针对多尺度熵(Multi-Scale Entropy,MSE)中粗粒化方式的不足,提出一种新的衡量时间序列自相似性和复杂性的方法——复合多尺度模糊熵(Composite Multi-Scale Fuzzy Entropy,CMFE)。与MSE相比,CMFE综合同一尺度下多个粗粒化序列的信息,随着尺度因子的增加,熵值变化更加稳定,一致性更好。在此基础上,结合Fisher得分特征选择和支持向量机模式分类,提出了一种新的滚动轴承智能故障诊断方法。将提出的方法应用于滚动轴承实验数据分析,通过对比结果验证了所提出方法的有效性和优越性。

基于精细复合多尺度模糊熵的往复压缩机轴承间隙故障特征分析方法

针对往复压缩机故障信号呈现非线性、非平稳等特点,提出了基于精细复合多尺度模糊熵(RCMFE)的往复压缩机轴承间隙故障特征提取方法。在精细复合多尺度熵的基础上,结合模糊熵概念,提出了RCMFE方法,应用其量化信号非线性特性形成故障特征。白噪声和1/f噪声仿真信号分析结果表明:RCMFE熵值对数据长度不敏感,未定义熵出现概率小。以往复压缩机传动机构轴承间隙故障为研究对象,应用RCMFE实现其故障信号特征提取,并与多尺度模糊熵、复合多尺度模糊熵进行对比,该方法特征区分度显著,支持向量机故障识别准确率高于其他方法。

基于精细复合多尺度模糊熵与粒子群优化支持向量机的滚动轴承故障诊断（英文）

提出了一种结合精细复合多尺度模糊熵和采用粒子群优化支持向量机滚动轴承故障诊断模型。通过使用白噪声和1/f噪声的数值仿真实验中比较平滑度和分解精度的有效性,与精细复合多尺度样本熵和多尺度模糊熵相比,精细复合多尺度模糊熵的平滑度优于这些模型。随后使用精细复合多尺度模糊熵,精细复合多尺度样本熵和多尺度模糊熵对不同状态的滚动轴承振动信号进行特征提取,将提取的特征向量作为粒子群优化的支持向量机的输入实现滚动轴承故障诊断。实验结果表明,精细复合多尺度模糊熵的平滑度优于精细复合多尺度样本熵和多尺度模糊熵,同时,故障分类精度高于精细复合多尺度样本熵和多尺度模糊熵。

频带多尺度复合模糊熵及其在轴承故障诊断中的应用

旋转机械设备发生滚动轴承故障的早期,受环境噪声影响,故障特征轻微.为了有效提取滚动轴承的故障信号冲击特征,以时频分析为基础,结合信息熵理论,提出一种频带多尺度复合模糊熵的故障诊断方法.与模糊熵相比,基于方差的频带多尺度复合模糊熵可以定量地表征非平稳信号的数据信息,抗干扰性强,更好地反映出不同频带分量在时间轴上的变化特性.引入自适应带通滤波器,成功实现对微弱故障的特征提取和故障识别.仿真分析和实验结果表明,提出的方法较传统滤波方法在降噪抑制方面效果更好,能够快速识别滚动轴承的冲击特征.

复合层次模糊熵及其在滚动轴承故障诊断中的应用

针对样本熵和多尺度熵中相似性度量函数的突变问题,及它们在分析时间序列复杂性时捕捉不到高频组分信息的局限,提出了一种新的时间序列的复杂性度量方法——复合层次模糊熵(CHFE)。为了有效地提取滚动轴承早期故障特征,提出了一种基于CHFE、拉普拉斯分值和支持向量机的滚动轴承故障诊断方法。首先,提取振动信号的CHFE值;其次,采用拉普拉斯分值对特征向量进行降维优化;再次,建立基于支持向量机的多故障分类器,实现滚动轴承的故障诊断;最后,将该方法应用于实验数据分析,结果验证了方法的有效性。

基于短时滑移模糊熵和LPP的轴承故障诊断

针对旋转机械设备的故障特征微弱和环境噪声强等问题,提出了一种基于短时滑移模糊熵和局部保留投影法(locality preserving projection,简称LPP)的故障特征提取方法。首先,通过对滑移截断短时序列的架构分析,引入多尺度复合模糊熵,获得信号在不同复合尺度下的特征信息和故障潜在特征,能准确反应信号复杂度和不确定性;其次,应用LPP流形降维并保留信号的局部数据特征,设计最优带通滤波器,对轴承振动信号进行故障冲击特征提取。仿真分析和实验数据结果验证了该方法在强背景噪声情况下降噪抑制方面的有效性,具有快速识别和提取滚动轴承的微弱冲击特征的能力。

基于RCMFME和AO-ELM的齿轮箱损伤识别策略

针对模糊熵只考虑信号的局部特征而忽略信号的全局特征,导致齿轮箱故障识别的准确率不佳的问题,提出了一种基于精细复合多尺度模糊测度熵(RCMFME)、天鹰优化器(AO)优化极限学习机(ELM)的齿轮箱故障诊断方法。首先,在精细复合多尺度模糊熵的基础上,对矢量的构造方式进行了改进,提出了能够同时考虑时间序列局部特征和全局特征的RCMFME方法;随后,利用RCMFME指标提取了齿轮箱振动信号的熵值,组建了故障特征向量;接着,利用AO算法对极限学习机的参数进行了自适应搜索,生成了参数最优的多类别分类器;最后,将训练样本的故障特征向量输入至AO-ELM分类模型中进行了模型训练,以构造性能最优的分类器,并实现了对齿轮箱测试样本的故障识别目的;利用两种齿轮箱振动数据集进行了实验,在识别准确率和识别稳定性方面,与相关的特征提取方法进行了对比。研究结果表明:采用基于RCMFME和AO-ELM的故障诊断方法能够分别取得100%和98%的分类准确率,平均识别准确率分别达到了100%和98%,优于精细复合多尺度全局模糊熵(RCMGFE)、精细复合多尺度模糊熵(RCMFE)、精细复合多尺度样本熵(RCMSE)。该方法具有显著的应用潜力。

基于调制宽频模态分解和局部保持投影特征融合的光伏直流电能质量扰动识别

光伏直流系统中的非线性负载可能导致直流电信号出现纹波、突变和噪声等扰动,而现有时频分析方法如变分模态分解等对光伏直流电信号进行分解时易产生误差。本文在宽带模式分解的基础上,采用基于调制差分算子的调制宽频模态分解(MBMD)对光伏直流电信号进行去噪,以减小分解误差。首先采用MBMD对直流电信号进行自适应分解,然后结合局部保持投影(LPP)算法进行特征融合,最后采用反向传播(BP)人工神经网络模型实现直流电能质量智能识别。仿真和实验分析表明,本文提出的方法可准确识别不同类型的光伏直流电能质量扰动。

基于部分重构辛几何模态分解的光伏直流电能质量去噪

光伏直流系统中纹波、突变和噪声等扰动影响电能质量评估准确度,为克服传统辛几何模态分解(SGMD)存在计算效率随着数据量增加迅速降低以及重构时无效辛几何初始单分量影响分解准确性的问题,提出了基于部分重构辛几何模态分解(PRSGMD)的光伏直流电能信号去噪方法。PRSGMD利用复合多尺度模糊熵(CMFE)能够克服光伏直流电信号初始单分量相似性度量突变的不足,构建了正则化复合多尺度模糊熵(RCMFE)算子,评估各初始单分量重构后的复杂度并约束残余量能量最小,结合部分重构阈值指标筛选出部分显著初始单分量进行重构,从而有效提升分解效率并避免微弱无效初始单分量影响分解准确度。仿真和实验分析结果表明,PRSGMD能有效滤除噪声并分离光伏直流电信号中的复合扰动。

机械振动信号自适应多尺度非线性动力学特征提取方法研究

针对机械振动信号的故障特征提取问题,提出了基于独立变分模态分解与多尺度非线性动力学参数的特征提取方法。①提出频谱循环相干系数选取匹配波形对机械振动信号进行端点延拓后再进行VMD分解得到不同频率尺度的IMF分量;②根据互相关准则选取有效的IMF分量进行核独立成分分析,分离出相互独立的有效故障特征频带分量;③计算各独立分量的复合多尺度模糊熵偏均值,并利用正交变换将独立分量正交化后构造多维超体,进而利用多维超体体积定义并计算信号的双测度分形维数,从而获得多尺度非线性动力学特征参数,实现机械故障诊断。仿真和实验结果表明:所提方法可有效抑制VMD分解的端点效应和模态混叠,信号分解效果好,特征参数分类精度高,极大地提高了机械故障诊断准确率。

基于IUPEMD和RCMFE的往复压缩机气阀故障诊断

由于往复压缩机的振动信号非线性、非平稳性的特点,为进一步提高故障识别率,提出一种基于改进的均匀相位经验模态分解(IUPEMD)和精细复合多尺度模糊熵(RCMFE)的往复压缩机气阀故障诊断方法。采用IUPEMD方法对信号进行分解,通过不同的参数组合,利用正交性为指标选择最佳IMF分量,有效提高了IUPEMD对非平稳性信号的分解精度,减少模态混叠现象;以峭度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RCMFE,提取故障特征向量;最后,将特征向量输入到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SWD-RCMFE混合算法的轴承故障诊断研究

针对轴承振动信号中含有大量噪声信号问题,提出了SWD-RCMFE混合算法的轴承故障诊断方法。运用群分解算法对原信号分解,利用精细复合多尺度模糊熵算法及SVM提取诊断特征向量。对西储大学轴承实测信号分析验证,表明该方法对轴承的故障诊断平均识别准确率高达92%。

基于改进PSO-VMD的滚动轴承早期故障诊断

针对滚动轴承早期故障信号微弱导致分类识别率低的问题,提出利用复合多尺度模糊熵作为适应度函数的粒子群算法优化变分模态分解,得到多个本征模态分量;利用快速谱峭度图选择最优的本征模态分量,并组成特征向量;将特征向量输入SSA-SVM中进行故障分类。实验结果表明基于复合多尺度模糊熵的PSO-VMD和SSA-SVM的滚动轴承故障诊断更能有效地识别出滚动轴承的早期故障。

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CIELMD与RCMFE的往复压缩机轴承间隙故障特征提取方法

针对往复压缩机轴承间隙故障诊断振动信号强非平稳、非线性与特征耦合特性,提出基于复合插值包络局部均值分解(CIELMD)与精细复合多尺度模糊熵(RCMFE)特征提取方法。使用CIELMD方法分解不同轴承间隙故障信号,利用相关系数筛选包含主要故障信息的PF分量;通过RCMFE方法定量描述PF分量构成状态特征矩阵,为解决信息冗余问题,进一步使用文化基因算法优选矩阵中平均样本距离最大的元素,构成可分性良好的特征向量。往复压缩机轴承间隙故障模拟信号试验结果表明:该方法提取故障特征可分性强,故障识别准确率高。

最大相关峭度解卷积的改进及在往复压缩机气阀故障诊断中的应用

针对往复压缩机气阀振动信号受强烈气体波动干扰的特性,提出了一种基于改进最大相关峭度解卷积和精细复合多尺度模糊熵的往复压缩机气阀故障诊断方法。使用改进最大相关峭度解卷积对往复压缩机气阀振动信号进行解卷积处理,可有效地提取信号中的冲击成分;对处理后的信号进行精细复合多尺度模糊熵量化分析,获得往复压缩机气阀故障诊断的特征向量,将其输入到支持向量机对故障特征进行识别。往复压缩机气阀故障实验数据分析表明:该方法能够有效地提取出往复压缩机气阀的故障信息,实现往复压缩机气阀故障的精确诊断。