基于改进多尺度散布熵的电机典型故障信号诊断

为了提高电机振动信号的特征提取能力,设计基于改进多尺度散布熵的电机故障信号诊断方法。构建了改进多尺度散布熵(IMDE)算法来提取特征参数,以PSO优化SVM分类器完成故障的分类过程。研究结果表明:SVM相对ANN与k-NN获得了更高的分类精度,实现了SVM分类性能的显著提升,PSO-SVM的准确率能够达到100%,具备更优分类性能。设计了一种可以只提供少量训练样本的条件下实现100%准确率,能够获得比其它传统故障分析方法更优结果。

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。

基于精细复合多尺度散布熵的墙体内管道敲击探测方法

为了提高墙体内管道敲击探测的准确率,本文采用精细复合多尺度散布熵检测敲击声音信号的频率和幅值的变化,提取信号中的多尺度管道特征;将构建的多维度管道特征矩阵输入到支持向量机中,使用麻雀搜索算法确定支持向量机参数最优值,通过模型训练,完成墙内埋设管道有无的分类,提出了基于精细复合多尺度散布熵的墙体内管道敲击探测方法。将此方法与其它信号处理方法进行对比分析,结果证明,本文所提方法探测准确率高达97%,远远高于其他两种方法。

基于改进时域多尺度散布熵与支持向量机的转辙机故障诊断

为充分挖掘转辙机振动信号的有效故障信息,提高故障诊断准确率,提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、改进时域多尺度散布熵(Improved Time-domain Multiscale Dispersion Entropy,TMDE)与粒子群优化算法(Particle Swarm Optimization algorithm,PSO)优化支持向量机(Support Vector Machine,SVM)的故障诊断方法 .首先,通过EEMD方法将不同故障类型的振动信号分解成若干个模态函数(Intrinsic Mode Functions,IMFs);其次,采用相关系数与峭度的混合筛选准则筛选IMFs并重构信号;再次,应用所提ITMDE算法提取重构信号的多尺度故障特征;最后将得到的特征向量输入经PSO搜索最优参数后的SVM进行训练和测试.实验分类准确率为100%,分析表明所提方法优于传统的多尺度排列熵、多尺度散布熵的故障诊断方法,能精确地识别转辙机故障类型.

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。

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。

基于精细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

为克服多尺度样本熵的不足,更精确地提取滚动轴承非线性故障特征,将一种新的非线性动力学分析方法精细复合多尺度散布熵引入到滚动轴承的故障特征提取.在此基础上,提出了一种基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断新方法.通过滚动轴承实验数据分析,将所提方法与基于多尺度样本熵和多尺度散布熵的故障诊断方法进行了对比,结果表明:所提方法不仅能精确地识别滚动轴承故障类型和故障程度,而且故障识别率高于另两种方法.

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VMD多尺度散布熵和VPMCD的滚动轴承故障诊断方法

为有效提取滚动轴承的故障特征,并解决识别准确率低的问题,提出一种将变分模态分解(VMD)多尺度散布熵和变量预测模型分类识别(VPMCD)相结合的故障诊断方法。首先,通过最大相关峭度解卷积(MCKD)算法对信号实施去噪处理;其次,采用VMD方法分解去噪后的信号,获得多个本征模态函数(IMF)分量;再次,计算各分量的多尺度散布熵(MDE)值,形成故障特征向量;最后,利用VPMCD方法进行故障识别和分类。实验结果表明:该方法能切实有效地提升轴承故障诊断的准确性。

基于VMD多尺度散布熵的柴油机故障诊断方法

为从非平稳非线性的缸盖振动信号中提取出柴油机故障特征,本文中提出一种基于变分模态分解(VMD)的多尺度散布熵的柴油机失火故障诊断方法。利用VMD对柴油机缸盖振动信号进行分解,选取散布熵最小的模态分量作为分析信号,计算该信号的多尺度散布熵,并选取前6个尺度散布熵作为故障特征向量,输入粒子群优化的支持向量机(PSO-SVM)中进行失火故障分类判断,并与其他4种常见方法进行对比,结果表明,本文中提出的诊断方法能够有效提取故障特征,准确识别故障类型,优于所对比方法。

基于多迭代变分模态分解与复合多尺度散布熵的生物组织变性识别方法

根据高强度聚焦超声(HIFU)实验中采集到的超声背散射信号的特点,采用多迭代变分模态分解(MIVMD)与复合多尺度散布熵(CMDE)对生物组织变性进行识别。首先对采集的超声背散射回波信号进行MIVMD重构,计算重构后有用信号的CMDE;并使用Gustafson-Kessel(GK)模糊聚类得到聚类中心,根据欧式贴近度与择近原则对生物组织变性进行识别。通过对仿真信号分析发现,MIVMD重构获得信号的信噪比高于经验模态分解(EMD)与变分模态分解(VMD)重构获得的信号,MIVMD重构获得信号的均方根误差低于EMD与VMD重构获得的信号。将其应用于HIFU治疗中实际获取的超声背散射信号,计算MIVMD重构后信号的复合多尺度散布熵(CMDE),并与近似熵(ApEn)、样本熵(SE)、模糊熵(FE)比较发现,CMDE更容易区分变性组织与未变性组织。与MIVMD-ApEn-GK聚类、VMD-SE-GK聚类和MIVMD-FE-GK聚类相比,本文所提MIVMD-CMDE-GK聚类的效果更好,识别率为91.32%。

基于精细复合多尺度散布熵的高压断路器机械故障诊断方法

针对高压断路器机械故障识别准确率不高的问题,提出了一种基于精细复合多尺度散布熵(RCMDE)的断路器故障诊断方法。利用实验室10 kV户内真空高压断路器进行合闸动作时正常、螺丝松动、传动机构卡涩、合闸弹簧储能不足4种状态的振动数据采集。对采集到的数据计算RCMDE值,并构成特征向量集,将特征向量集分作训练集及测试集。利用粒子群算法(PSO)优化后的极限学习机(ELM)训练训练集得到智能故障识别模型,将测试集输入模型进行测试,实现断路器机械故障诊断。结果表明,基于RCMDE-PSO-ELM的高压断路器机械故障诊断方法能有效识别不同状态的机械故障,并且在噪声干扰以及数据丢失下仍能对故障进行准确识别,具有很好的抗干扰能力,在背景干扰较强的高压断路器故障检测环境下具备一定的实用性。

基于改进多尺度散布熵与自适应支持向量机的滚动轴承故障诊断

针对滚动轴承故障特征提取和识别困难等问题,提出一种基于改进多尺度散布熵与自适应支持向量机的滚动轴承故障诊断新模型。精细时移多尺度散布熵(RTSMDE)采用精细化运算和时移粗粒化方式,能够有效克服传统多尺度散布熵存在的熵值不稳定现象,因此采用RTSMDE全方面挖掘滚动轴承故障特征并输入哈里斯鹰优化支持向量机(HHOSVM)进行智能故障诊断。试验结果表明:RTSMDE在衡量非线性时间序列复杂度和挖掘故障特征信息方面优于精细复合多尺度散布熵和多尺度散布熵等方法,HHOSVM在故障识别方面优于支持向量机和灰狼优化支持向量机等分类器,所提故障诊断模型能够有效、准确地识别轴承运行状态。

基于变分模态分解和多尺度散布熵的放电特征提取

针对目前局部放电信号识别率低的问题,研究一种基于变分模态分解(VMD)和多尺度散布熵(MDE)的特征提取方法。将信号经VMD分解得到模态分量,并计算相应的多尺度散布熵得到不同类型放电特征量,输入概率神经网络(PNN)进行模式识别。采用经验模态分解(EMD)特征提取方法进行对比试验。实验结果表明,采用VMD和MDE的特征提取方法,对信号的识别率更高,可以为放电信号识别提供样本。

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。

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。

基于二维多尺度时频散布熵的滚动轴承故障诊断方法

多尺度散布熵(multi-scale dispersion entropy,MDE 1D)是一种有效衡量一维振动信号复杂性特征的非线性动力学分析法,但其仅能反映振动信号时域中的复杂性特征,无法完整反映振动信号频域的非线性动力学信息。为此,在二维散布熵(two-dimensional dispersion entropy,DE_(2D))的基础上,提出二维时频散布熵(two-dimensional time-frequency dispersion entropy,TFDE_(2D))用于衡量时间序列的时频复杂性特征。同时,为更完整地反映时频分布在不同尺度下的复杂信息,受多尺度粗粒化启发,将传统粗粒化方法拓展到二维多尺度粗粒化,提出了二维多尺度时频散布熵(two-dimensional multi-scale time-frequency dispersion entropy,MTFDE_(2D)),用来量度振动信号时频分布的多尺度复杂性特征。在此基础上,将其应用于滚动轴承故障诊断中的非线性特征提取,提出一种基于MTFDE_(2D)和萤火虫优化支持向量机的滚动轴承智能诊断方法。最后,将所提方法应用于滚动轴承试验数据分析,并与现有方法进行对比。结果表明,所提方法不仅能有效地提取故障特征,实现不同轴承故障类型和故障程度的有效诊断,且诊断效果优于对比法。

基于变分模态分解和精细复合多尺度均值散布熵的轴承故障诊断

为充分提取非线性、非平稳的轴承故障信号特征信息,进而提高轴承故障诊断精度,提出了一种基于变分模态分解(VMD)和精细复合多尺度均值散布熵(RCMMDE)的轴承故障诊断方法(算法)。首先,使用VMD将轴承故障振动信号分解为了多个模态分量,通过评估原信号与模态分量信号的互相关程度,筛选了其有效模态,并对其进行了信号重构,实现了故障信号的降噪处理目的;然后,使用精细复合均值化代替了传统粗粒化方法,利用RCMMDE方法提取了重构信号的多尺度熵值,构成了特征样本集;最后,通过鲸鱼算法(WOA)对支持向量机(SVM)进行了超参数寻优,构建了最优的故障检测模型,并将特征样本集输入到WOA-SVM模型中进行了轴承故障诊断,并通过实验评估验证了模型的有效性。研究结果表明:该模型准确率达到99.67%,精确率、召回率等各项性能指标均在99%以上,并具有很强的鲁棒性。

基于改进精细复合多尺度归一化散布熵的生物组织变性识别

在高强度聚焦超声(HIFU)治疗过程中,生物组织变性识别是不可或缺的关键部分。多尺度散布熵(MDE)作为一种非线性方法,被广泛应用于生物组织变性识别。然而MDE在粗粒化过程中时容易出现信息丢失和稳定性较差的问题,难以全面提取组织变性特征。为了解决上述问题,提出了基于改进精细复合多尺度归一化散布熵(IRCMNDE)的生物组织变性识别方法。引入RCMDE,将其传统粗粒化过程中的平均值计算替换为最大值计算以解决MDE传统粗粒化过程中的问题,突出信号变性特征。通过对熵值的归一化处理减弱不同参数选择导致的熵值波动,形成IRCMNDE方法。将所提方法应用于实测HIFU回波信号数据,并采用概率神经网络(PNN)进行识别。研究结果表明:相较于MPE、MDE和RCMDE方法,基于IRCMNDE的生物组织变性识别率更高,高达96.77%,能更好地区分未变性与变性生物组织。