多尺度熵方法在机械故障诊断中的应用研究进展

机械设备状态监测与故障诊断的关键是故障特征的表征与提取,采用基于熵及相关方法建立的非线性动力学指标能够提取蕴藏在振动信号中的非线性故障特征信息。自熵方法引入以来,通过不断修改和改进来提高熵估计的准确性,多尺度熵进一步拓展了时间序列其他尺度上包含的复杂度信息,其在设备状态监测与故障诊断中得到广泛应用。本文对单一尺度熵及多尺度样本熵、多尺度模糊熵、多尺度排列熵和多尺度散布熵等多尺度熵方法在机械智能故障诊断中的应用进行综述,总结不同方法的特点优势与不足;针对多变量数据处理问题,综述由单变量推广到多变量的多元多尺度熵的应用发展过程。最后结合多尺度熵相关方法在机械智能故障诊断中面临的问题与挑战,对未来发展方向进行展望,即在工业大数据应用、故障机理、可解释性角度构建基于熵的深度学习模型。

基于多尺度熵分析的CO_(2) 气液两相流流型识别

利用四电极对壁式电容传感器中对流型变化最敏感的一组极板对,获取CO_(2)气液两相流不同流型的电容时间序列,并采用多尺度熵算法进行分析。依据多尺度熵曲线的3个特征:前端多尺度熵率、中段多尺度熵率和末端多尺度熵截距,对不同气液两相流工况进行流型识别,并将识别结果与高速摄像机获得的两相流照片判断的流型进行对比。研究表明,通过电容时间序列多尺度熵曲线能够充分展示两相流动的动力学特征,使用多尺度熵曲线的3个特征进行流型识别,能够较为准确地识别分层流、段塞流、泡状流和混状流4种流型,识别准确率优于99%。

遥感影像目标检测多尺度熵神经网络架构搜索

针对传统神经网络架构搜索需要耗费大量时间用于超网训练,搜索效率较低,搜索得到的模型无法高效解决遥感影像中多尺度目标检测困难、背景复杂度高的问题,本文提出采用多尺度熵神经网络架构搜索的方法进行遥感影像目标检测。首先,在搜索空间的基础模块中加入特征分离卷积以代替残差模块中的常规卷积,减少遥感影像中由于背景复杂度高而造成的信息间干扰,提高网络模型在复杂背景下的检测性能;然后,引入最大熵原理,计算搜索空间中每个候选网络的多尺度熵,将多尺度熵与特征金字塔网络相结合,以兼顾遥感影像大、中、小目标的检测;最后,在不进行参数训练的情况下利用渐进式进化算法搜索得到多尺度熵最大的网络模型用于目标检测任务,在保证模型检测精度的同时,提升网络搜索效率。本文方法在RSOD、DIOR和DOTA数据集上的平均检测精度均值分别达到93.1%、75.5%和73.6%,网络搜索时间为8.1 h。试验结果表明,与当前基准方法相比,本文方法能够显著提升网络的搜索效率,在目标检测任务中更好地结合了不同尺度下的特征并解决了影像背景复杂度高的问题。

基于多尺度熵和SVM的同步发电机故障诊断方法

针对同步发电机的偏心故障和转子绕组匝间短路故障,对于样本熵不能体现多个时间尺度的信息的缺陷,采用多尺度熵来进行故障特征提取,并提出基于多尺度熵和SVM(支持向量机)的故障诊断方法。通过实验验证,该方法可以用来诊断相应的故障和故障程度,并取得较好效果。

基于ICEEMDAN多尺度熵与NGO-HKELM的转子故障诊断

针对电机转子故障信号非平稳、敏感的故障特征不能有效提取,传统分类器参数智能优化算法存在优化速度慢、调整参数多、易陷入局部最优等问题提出基于ICEEMDAN-MSE-KPCA与NGO-HKELM优化的转子故障诊断方法。首先,采用改进的自适应噪声完全集合经验模态分解(improved complete empirical mode decomposition with adaptive noise,ICEEMDAN)方法对转子振动信号进行分解和重构;计算重构信号的多尺度样本熵(multiscale sample entropy,MSE),形成特征向量,通过核主成分分析(kernel principal component analysis,KPCA)方法对高维的特征向量进行降维;最后,将降维后的特征向量输入北方苍鹰算法(northern goshawk optimization,NGO)优化的混合核极限学习机(hybrid extreme learning machine,HKELM)进行转子故障分类。研究结果表明,基于ICEEMDAN-MSE-KPCA与NGO-HKELM优化的转子故障诊断模型,平均识别准确率可达97.7273%,平均寻优时间为1.0681 s,收敛速度快、准确率高以及分类效果好。

基于优化变分模态分解和多尺度熵特征的铣削颤振监测研究

在加工低刚度工件时,颤振是影响表面质量、加工效率和刀具寿命等方面的重要因素。为更准确地识别铣削加工状态,提出了一种新的颤振特征提取方法。利用梳状滤波器和经验模态分解对原始信号进行预处理;基于皮尔逊相关系数对本征模态函数(IMF)进行重构,利用灰狼优化算法(GWO)获得变分模态分解(VMD)的最优参数;计算各子频率带的能量熵特征,获得具有丰富颤振信息的频带;应用多尺度排列熵(MPE)和多尺度模糊熵(MFE)作为颤振特征,基于熵的取值范围,在各加工状态下选择最佳尺度特征。结果表明,该方法基于最佳尺度可以有效提取敏感颤振特征。

基于多尺度熵的高速列车载荷工况识别研究

转向架作为高速列车关键承载部件,其载荷特征对于结构疲劳强度评估和可靠性设计至关重要。针对转向架构架载荷信号非平稳、非线性性质,引入多尺度熵方法,结合小波变换、集成经验模态分解等时频分析方法,对典型工况下实测构架载荷信号在不同频率下的复杂性进行分析,探究在制动、道岔和曲线工况下,高、低频构架载荷信号分量多尺度熵差异程度,具有明显差异的信号分量多尺度熵作为区别高速列车工况的指标,使用Relief算法进行特征选择,构造表征不同工况特征向量。将基于多尺度熵的工况特征向量输入支持向量机中,对特征提取方法和支持向量机参数优化方法进行评定,分析获得不同工况的最优识别方法。同时基于传统时频分析方法建立工况特征向量,输入支持向量机进行工况识别,对比识别结果,证明基于多尺度熵的工况识别方法可以明显提高工况的识别效果,为实现实时在线监测高速列车运行工况提供技术支持。

光纤探针测量及多尺度熵鉴别超临界类沸腾传热模式

亚临界沸腾包括界面蒸发和气泡动力学诱导的传热,但超临界传热是否存在类界面蒸发和类气泡传热以及两者间的转换缺少直接的实验证据.本文进行了超临界CO_(2)液池传热的实验研究,压力和液池温度分别为8—10 MPa和15℃.作为加热元件和感温元件,22 mm长和70μm直径的镍铬丝水平放置在液池中,光纤探针垂直放置,其顶端高于镍铬丝200μm.发现随热流密度或壁面过热度的持续增大,依次发生自然对流、类界面蒸发、类蒸发-沸腾转换、类沸腾4种传热模式.本文重点关注类界面蒸发和类沸腾传热以及两者间的转换.在类界面蒸发模式下,传热系数随壁面过热度增大略有下降,光纤输出小幅/高频信号,不存在主频,多尺度熵大,表征随机信号波动.在类蒸发-沸腾转换模式下,光纤输出大幅/低频周期信号,存在明显主频,多尺度熵小,代表有序的周期性脉动传热.在以类气泡为特征的类沸腾模式下,光纤信号波动幅度介于类蒸发和转换模式之间,主频不明显,多尺度熵也介于类蒸发和转换模式之间.研究获得了超临界类沸腾直接的实验证据,加深了对超临界传热机理的理解,为后续理论研究和工程应用提供了基础.

改进的多尺度熵算法及其情感脑电特征提取性能分析

进行了用多尺度熵提取情感脑电特征的研究,针对传统的基于多尺度熵的特征提取算法在粗粒化过程中存在重要信息丢失以及尺度选择过小造成特征不显著、尺度过大造成计算过度复杂的问题,提出了一种改进的多尺度熵算法。该改进算法通过自适应多尺度熵中本征模态函数的个数确定尺度,而且为突出脑电信号的微小变化,对脑电信号进行自适应二值化处理,充分挖掘特征并降低算法复杂性。利用Deap国际标准情感分析数据库并基于优化支持向量机分类器实现了情感脑电特征识别,进行了改进算法与传统多尺度熵算法的性能比较。结果表明,改进算法的分类准确率较传统多尺度熵算法提高了12.33%,较自适应多尺度熵算法提高了7.27%,表明改进算法是一种有效的脑电特征提取算法。

基于多尺度熵特征优化算法的MCI早期诊断及敏感脑区分析

轻度认知障碍(MCI)是阿尔兹海默病诊疗的关键时期,迫切需要早发现,早干预。针对MCI早期诊断问题,特别是早期诊断的敏感脑区定位问题,提出一种基于多尺度熵的脑电信号特征提取优化算法,即多尺度熵特征优化算法。该算法通过构建多重尺度序列,并充分考虑各序列贡献程度,最大程度挖掘细节信息。共采集49名受试者临床脑电信号数据,其中实验组(MCI组)28名,正常对照组21名。对比分析实验组与对照组,MCI组16通道多尺度熵特征优化算法熵值均低于对照组,且前额叶、前颞叶以及中颞叶脑区具有显著性差异(P<0.01)。仅以此特征作为分类器输入特征,分析前额叶、前颞叶以及中颞叶3个脑区,其脑区诊断测试集识别率分别为83.33%、86.67%、73.33%。进一步,分析识别率最高的前颞叶两通道的AUC值分别为0.753与0.733。多尺度熵特征优化算法熵特征能够充分反应脑电信号变化,是可以作为MCI早期诊断的一种特征标记,前颞叶脑区可以为评估MCI患者脑认知功能状态的敏感脑区提供研究支持。

一种二维时频多尺度熵的滚动轴承故障诊断方法

多尺度熵是一种有效表征一维振动信号复杂性和不规则程度的非线性动力学方法,但其只考虑了信号的时域复杂性,而忽略了频域信息。为了综合利用振动信号时频域信息和量度时频分布的复杂性特征,将二维多尺度熵引入到滚动轴承的故障诊断中,提出了一种基于二维时频多尺度熵和萤火虫算法优化支持向量机的滚动轴承故障诊断方法。首先,采用连续小波变换将一维时间序列转换为时频图像;其次,计算时频图像的二维多尺度熵值;再次,将得到的二维多尺度熵值输入到萤火虫优化的支持向量机中进行分类和预测;最后,通过滚动轴承试验数据分析验证所提方法的有效性。结果表明:论文所提方法能够准确地识别滚动轴承的故障类型和故障程度。

基于模态分解多尺度熵的微机械陀螺仪降噪方法

为了有效抑制微机械陀螺仪的随机误差,基于完备自适应噪声集合经验模态分解(CEEMDAN),结合反向传播神经网络(BPNN)建模和卡尔曼滤波(KF),提出了一种微机械陀螺仪改进的降噪方法。微机械陀螺仪数据经过CEEMDAN分解,得到本征模态分量(IMF);利用多尺度熵(MSE)算法对分量分类,对其中信号噪声混叠的分量进行反向传播神经网络辅助卡尔曼滤波;再对滤波结果和信号主导的分量进行重构,实现微机械陀螺信号降噪。实验验证了所提方法的有效性,该方法相比卡尔曼滤波、小波降噪等有更好的降噪效果。

基于新型能量算子和多尺度熵的癫痫自动检测

提出癫痫检测的新算法,创新地使用新型能量算子和多尺度熵,不仅能够实时跟踪脑电信号能量,而且可以在脑电信号未知情况下提取其有效的特征信息。对脑电信号进行一定尺度的小波变换;利用新型Teager能量算子和多尺度熵提取脑电信号的非线性特征,将特征信号输入到极限学习机中,用来识别正常脑电信号与癫痫脑电信号。实验结果表明,此方法具有高分类精度,可达到98.89%,优于文献中所报道的多种检测方法,可以应用于癫痫临床检测。

多导脑电时频分析与多尺度熵融合的情感计算体系研究

精准电生理特征融合在脑机交互实现中占据重要地位。本文面向情感计算的重大需求,基于人体脑电信号数据集探索多脑区多情绪的协同关系。研究基于23名健康被试观看视频诱发情绪的14导脑电信号数据库,协同时频分析、功率谱分析与多尺度熵分析,提取五个脑电频段的特征,结合统计显著性检验,对比分析3种情绪大类和9种情绪细类的结果异同。研究发现,随频率增大情绪刺激态熵值逐渐高于基线态熵值,3种情绪大类和9种情绪细类间的功率指标与多尺度熵指标差异普遍显著,可为情绪识别提供重要依据,从而揭示多情绪时频脑电能量与熵规律。

基于插值多尺度熵与模糊C-均值的滚动轴承故障诊断

多尺度熵是一种有效的衡量时间序列复杂性的方法。为了克服多尺度熵粗粒化过程遗漏特征信息的问题,提出了一种基于三次样条插值时间序列的插值多尺度熵算法。该方法首先通过三次样条插值时间序列代替原粗粒化过程,再计算各个尺度下的样本熵。通过分析仿真信号将提出的方法与原多尺度熵方法进行对比,结果表明了方法的有效性和优越性。在此基础上,提出一种基于插值多尺度熵与模糊C-均值的滚动轴承故障诊断方法。最后,将提出的故障诊断方法应用于滚动轴承的试验数据分析。结果表明,所提出的方法比基于MSE的故障诊断方法识别率更高。

多尺度熵睡眠呼吸暂停程度的分析

当前就睡眠呼吸暂停症状的研究对心血管疾病的预测有重要的临床意义。选用Apnea-ECG database里的37个研究对象,根据呼吸暂停低通气指数(apnea hypopnea index,AHI)分为四类:正常群体(AHI<5)、轻度睡眠呼吸暂停(5≤AHI<15)、中度睡眠呼吸暂停(15≤AHI<30)、重度睡眠呼吸暂停(AHI≥30)。选取样本整个数据中间时刻1 h心电信号(ECG)数据,以保证数据是处于研究对象深度睡眠下测得的。利用Costa等提出的多尺度熵(multiscale entropy,MSE)算法应用于ECG的RR间隔,来分析四类睡眠呼吸暂停的不同程度。根据多尺度熵指数(multiscale entropy index,MEI)定义MEI1~3和MEI13~15。研究结果表明MEI1~3和MEI13~15能够很好地区分正常睡眠群体、轻度睡眠呼吸暂停患者、中度和重度呼吸暂停患者;并且MEI1~3和AHI二者具有良好的负相关性(R2=0.279,P<0.05)。

基于精细复合多尺度熵和自编码的滚动轴承故障诊断方法

多尺度熵是一种有效衡量机械振动信号复杂度的非线性动力学方法。针对其存在的不足,引入精细复合多尺度熵(Refined composite multiscale entropy, RCMSE),在此基础上,结合自编码降维和遗传优化支持向量机,提出一种滚动轴承故障智能诊断新方法。首先,利用RCMSE提取滚动轴承振动信号多尺度复杂度特征,构建初始特征向量矩阵;其次,采用自编码对初始高维特征数据降维,得到低维流形特征;然后,将低维特征向量输入到基于遗传优化支持向量机的多故障模式分类器中进行训练、识别与诊断。最后,将所提方法应用于实验数据分析,并与多尺度熵方法进行对比,结果表明,该方法不仅能够有效诊断滚动轴承的工作状态和故障类型,而且识别率高于所对比方法。

基于复合多尺度熵与拉普拉斯支持向量机的滚动轴承故障诊断方法

针对早期滚动故障特征不明显和特征提取难等问题,将一种新的衡量时间序列复杂性的方法——复合多尺度熵(CMSE)应用于滚动轴承故障振动信号的特征提取。CMSE克服了多尺度熵中粗粒化方式的不足,得到的熵值一致性和稳定性好。同时,针对机械故障智能诊断中收集大量的样本比较容易而要对所有的样本进行类别标记却较为困难这一问题,将拉普拉斯支持向量机(LapSVM)应用于滚动轴承故障的智能诊断中。在此基础上,提出了一种基于CMSE,序列前向选择(SFS)特征选择和LapSVM的滚动轴承故障诊断方法。最后,将提出的方法应用于试验数据分析,结果表明:CMSE能够有效地提取滚动轴承的故障特征;当有标记样本的数量较少时,与仅使用有标记样本进行学习的支持向量机相比,结合SFS特征选择的LapSVM方法利用大量的无标记样本进行辅助学习,可以显著提高故障诊断的正确率。

脑电多尺度熵用于睡意检测的初步研究

目的 :探索脑电多尺度熵(multiscale entropy,MSE)用于区别清醒状态和睡意状态的可行性,对比多尺度熵和复合多尺度熵(composite multiscaleentropy,CMSE)检测结果,选择更可靠的熵值估算。方法:首先对较少数据点的仿真噪声进行MSE与CMSE分析,对比二者量化效果;其次采集18名青年男性志愿者清醒及睡意状态的脑电信号,对比不同数据点时MSE和CMSE的检测差异;最后对不同尺度下清醒及睡意状态的MSE和CMSE分别做统计检验,探索在同等条件下,特别在较少数据点时,何种方法能检测到更明显的状态差异。结果:当数据点足够时,MSE和CMSE检测结果近似;在数据点较少时,MSE和CMSE获得近似的熵值估算,但CMSE所得标准差更小。同等条件下,CMSE能取得更明显的检测结果。结论 :人体在睡意状态时脑电信号熵值下降,CMSE可用较少数据点获取更可信的熵值,更有效地区别清醒和睡意状态。

基于VMD和多尺度熵的变压器内绝缘局部放电信号特征提取及分类

为了有效提取局部放电信号的特征,提出了一种基于变分模态分解(VMD)和多尺度熵(MSE)的特征向量提取方法,并采用BP神经网络分类器对放电类型进行识别。特征向量的提取过程是首先利用VMD分解算法对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后分别计算分解得到的模态分量的MSE,将其组合得到初始特征向量;最后利用主成分分析法对初始特征向量进行降维处理。用该方法对实验室条件下4种放电信号和不同放电程度的电晕放电进行特征提取及识别。结果表明,该方法能有效提取放电信号的特征,以其作为特征向量可以正确识别不同的放电类型和同种放电类型下的不同放电程度。