基于多尺度量子熵算法的煤矿供电线路故障辨识

针对煤矿电力系统中供电线路故障频繁、短路危害大、故障辨识不高等问题,提出一种基于故障暂态电压信号的多尺度量子熵(MQE)并结合递归神经网络的故障识别方法。首先提取发生故障线路中的各相电压故障分量的MQE值,将MQE值分成训练集和测试集,训练集的故障特征量MQE输入到深度学习中的递归神经网络模型中进行训练,利用测试集数据对模型进行验证,并通过实际线路故障验证所提出的方法,识别具体线路的短路故障类型。结果表明,所提算法可以准确地识别出供电线路发生的故障类型,可实际应用于煤矿的线路故障辨识;与其他线路故障模型相比,在测试样本足够多情况下,所提的算法准确率可近似达到100%,辨识效果具有优越性。

基于多尺度量子熵的中介轴承声发射信号故障特征提取技术研究

针对中介轴承声发射故障信号非平稳、非线性,且故障信号特征微弱等特点,将信息熵理论与量子理论相融合,提出了一种多尺度量子熵的中介轴承故障特征提取方法。首先,建立了声发射信号的多量子位系统,构建量子信息熵的计算方法;然后,采集4种不同工况下的中介轴承声发射信号,最后,对采集的故障信号进行多尺度分解,提取不同尺度下粗粒向量的量子熵值。结果表明,提取的故障特征能够准确表征中介轴承故障状态,且具有良好的稳定性。

时间尺度无限压缩的量子效应

时间尺度无限压缩的量子效应赵峥（北京师范大学物理学系，１００８７５，北京；５２岁，男，教授）关键词黑洞；温度；熵变化率；时间尺度分类号Ｐ１４５．８我们以Ｖａｉｄｙａ时空为例，说明黑洞温度和熵变化率起源于视界附近时间尺度的无限压缩。Ｖａｉｄｙａ时空线元...

基于广义精细复合多尺度量子熵和核主成分分析的中介轴承故障诊断方法

针对中介轴承振动信号传递到机匣测表面上路径复杂,导致故障特征提取及识别困难等问题,提出了一种基于广义精细复合多尺度量子熵(generalized refined composite multiscale quantum entropy,GRCMQE)、核主成分分析(kernel principal component analysis,KPCA)与参数优化支持向量机的中介轴承故障诊断方法。该方法首先采用GRCMQE从振动信号中提取故障特征,构建高维故障特征集。其次,采用KPCA方法对高维特征数据降维,得到低维流形特征。然后,将得到的特征输入到基于交叉验证优化的支持向量机(cross validation-support vector machine,CV-SVM)中,完成故障模式识别。最后,在中介轴承故障数据集上对所提出的方法进行测试,结果表明该方法能够有效实现中介轴承不同故障类型的识别,并且故障识别精度达到98.33%。

基于EWT-MQE的变压器局部放电特征提取

为了有效提取局部放电信号故障特征,进而对电力变压器故障进行诊断,提出一种基于经验小波变换(Empirical Wavelet Transform,EWT)和多尺度量子熵(Multiscale Quantum Entropy,MQE)的变压器局部放电特征提取方法。首先,该方法利用EWT对局部放电信号进行分解,得到多个不同的固有模态分量(Intrinsic Mode Function,IMF)和残余分量。其次,计算信号分解出的每个IMF的多尺度量子熵序列。然后,对多尺度量子熵序列利用局部切空间排列算法(Local Tangent Space Arrangement,LTSA)进行降维处理。最后,采用层次聚类算法(Hierarchical Agglomerative Clustering,HAC)进行聚类分析,得到不同放电类型的识别结果。通过与不同诊断方法对比,仿真结果及实验数据验证了所提方法的有效性和优越性。

基于多尺度量子熵的中介轴承故障诊断方法

针对中介轴承故障信号传递路径复杂,故障信号特征微弱诊断困难的问题,提出一种基于多尺度量子熵(MQE)、局部线性嵌入算法(LLE)与概率神经网络(PNN)的故障诊断方法。该方法采用空域相关降噪对振动信号进行滤波降噪,提高信号的信噪比;利用MQE提取中介轴承故障特征信息;采用LLE方法对高维特征进行降维处理;将低维故障特征输入PNN中进行故障识别。搭建了中介轴承故障模拟试验台,模拟中介轴承正常、内圈故障、外圈故障和滚动体故障,并采集数据对本文建立的中介轴承故障诊断算法进行验证。试验结果表明:提出的中介轴承故障诊断方法能够有效识别中介轴承故障类型,且没有出现过拟合现象,并表现出良好的泛化能力。

基于QPSO‐MPE的滚动轴承故障识别方法

为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum⁃behaved particle swarm optimization and multi⁃scale permutation entropy,简称QPSO⁃MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath⁃Geva)模糊聚类算法进行聚类识别。实验结果表明,基于QPSO⁃MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO⁃MPE在故障特征提取方面的有效性。

参数优化VMD与OMPE结合的滚动轴承故障诊断研究

针对难以判别的轴承运行振动信号中的状态特征,提出参数优化变分模态分解(VMD)和最优多尺度排列熵(OMPE)结合的特征向量构建的方法,采用支持向量机(SVM)进行故障诊断。VMD的分解结果由分解个数和惩罚因子限制,采用量子粒子群算法(QPSO)优化达到分解的最优效果。考虑轴承运行的周期性质,提出基于轴承故障运行周期特性的最优多尺度排列熵概念,运用模态分量与最优尺度排列熵结合构建特征向量。通过不同方法采用支持向量机识别对比分析,表明上述提出的方法能有效提取特征,提高轴承的故障诊断的精度。