广义精细复合多尺度样本熵与流形学习相结合的滚动轴承故障诊断方法

针对滚动轴承故障特征提取困难的问题,提出了一种广义精细复合多尺度样本熵(GRCMSE)与流形学习相结合的特征提取方法。利用GRCMSE提取滚动轴承故障特征信息;采用判别式扩散映射分析(DDMA)方法对高维特征进行降维处理;将低维故障特征输入粒子群优化支持向量机多故障分类器中进行故障识别。滚动轴承故障实验分析结果表明:GRCMSE特征提取效果优于多尺度样本熵(MSE)、精细复合多尺度样本熵(RCMSE)和广义多尺度样本熵(GMSE);DDMA降维效果优于等度规映射(Isomap)和局部切空间排列(LTSA)的降维效果;GRCMSE和DDMA相结合后的滚动轴承故障识别精度达到100%。

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。

基于复合多尺度等概率符号化样本熵的两相流动态特性分析

多尺度样本熵(MSE)在两相流动态特性分析中存在两点不足:一是熵值无法单纯反映时间序列信息增长速率,在高尺度下稳定性较差;二是传统粗粒化过程中有部分数据信息丢失.针对上述问题,提出复合多尺度等概率符号化样本熵(CMESSE),并通过对几种典型非线性时间序列进行分析验证了其有效性.与MSE相比,CMESSE不仅能够有效表征不同动力系统非线性时间序列复杂性,而且在时间序列较短时稳定性更好.在此基础上分析了123组流动条件下垂直上升管内空气-水两相流压差波动时间序列.研究结果表明,泡状流、塞状流及混状流的CMESSE变化趋势能够在不同尺度下定性表征不同流型的动态特性,CMESSE复杂性指数可跨多尺度定量描述不同流型的动力学复杂性.

基于经验模态分解的精细复合多尺度排列熵癫痫脑电信号分类方法

癫痫是一种常见的脑部疾病,通过脑电图能准确地定位人脑中的致痫区域。文章提出一种基于经验模态分解的精细复合多尺度排列熵的癫痫脑电信号自动检测方法,用于解决区分致痫区和非致痫区的癫痫脑电信号难的问题。首先将原信号分割成多个子信号,并对各子信号进行经验模态分解,然后从分解后的不同经验模态函数中提取精细复合多尺度排列熵特征并利用支持向量机进行分类。通过对癫痫脑电的公共数据集测试,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90.3%,85.0%和96.0%,ROC曲线下面积达0.98。

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。

基于双频精细复合多尺度排列熵的齿轮箱损伤识别

齿轮箱振动信号的非线性会导致其损伤特征难以得到有效提取,针对这一问题,提出了一种基于双频精细复合多尺度排列熵(DFRCMPE)和鲸鱼算法优化支持向量机(WOA-SVM)的融合损伤识别方法。首先,采用小波包分解(WPD)对齿轮箱损伤振动信号进行了两层分解,获得了反映齿轮箱损伤特性的低频和高频分量;然后,利用精细复合多尺度排列熵(RCMPE)对两组频带分量进行了分析,以充分提取嵌入在振动信号中的损伤信息,构建损伤特征;最后,将损伤特征输入至WOA-SVM分类模型中,成功对损伤进行了智能识别,并以实验采集到的齿轮箱振动信号为对象,对基于DFRCMPE和WOA-SVM的融合损伤识别方法的有效性开展了对比讨论。研究结果表明:与基于精细复合多尺度样本熵(RCMSE)、精细复合多尺度模糊熵(RCMFE)、RCMPE、精细复合多尺度散布熵(RCMDE)的特征提取方法相比,基于DFRCMPE和WOA-SVM的融合损伤识别方法的准确率和稳定性更高,平均识别准确率达到了100%;该方法能够为解决实际应用中的齿轮箱故障识别问题提供可行的思路。

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。

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。

基于精细化改进多尺度快速样本熵的旋转机械故障诊断方法研究

为了解决现有多尺度样本熵(Multiscale Sample Entropy, MSE)方法提取复杂序列特征时存在的计算效率低及幅值信息缺失等问题,提出精细化改进多尺度快速样本熵(Refined Improved Multiscale Fast Sample Entropy, RIMFSE)方法。首先使用快速样本熵代替传统样本熵,通过改进重构向量匹配机制大幅降低了计算成本,而后使用改进的多尺度拓展方法代替传统的粗粒化方法,避免了幅值信息的丢失。在此基础上,结合最大相关最小冗余(Max-relevance and Min-redundancy, mRMR)方法及支持向量机(Support Vector Machine, SVM)分类器提出一种新的旋转机械故障诊断方法。使用齿轮箱和轴承两个故障数据集对提出方法的性能进行验证,同时将提出的方法与MSE,复合MSE(Composite Multiscale Sample Entropy, CMSE)及精细化复合MSE(Refined Composite Multiscale Sample Entropy, RCMSE)等现有方法进行对比。结果表明,相较于MSE、CMSE及RCMSE,提出的方法在鲁棒性、计算效率及识别精度等方面均具有明显优势,为基于熵特征提取的旋转机械故障诊断提供了一种新的思路。

时变工况下基于精细复合多尺度散度熵的旋转机械故障诊断方法

时变工况下旋转机械的振动信号具有明显的时变调制的特点,熵值方法在提取该类信号特征时具有独特的优势。为了克服传统的熵值方法计算速度慢、熵值不稳定等问题,提出了一种基于精细复合多尺度散度熵的时变工况下旋转机械故障诊断方法,能够更有效地提取故障特征信息并提高故障诊断准确率。首先,采用重采样的方法将时域信号转为角域信号,并利用变分模态分解和独立分量分析相结合的方法对角域信号进行去噪。其次,采用精细复合多尺度散度熵对去噪后的角域信号进行特征提取,然后将提取到的特征输入LR(logistic regression)分类器中识别故障类型。最后,通过时变工况下的齿轮试验对所提方法进行验证,结果表明,所提出的方法有效提高了时变工况下故障诊断准确率。

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。

高速微型球轴承故障广义精细复合多尺度散布诊断方法

高速微型球轴承运行过程中不同部位会出现不同程度的磨损,传统故障诊断方法难以辨别轴承不同故障程度和多位置复合故障。因此,基于广义精细复合多尺度散布设计一种针对高速微型球轴承故障的诊断方法。通过小波包分解获取轴承工作振动数据的时域和频域非线性特征;基于广义精细复合多尺度散布建立故障诊断模型,得到诊断的总体框架;利用灰狼算法对诊断算法进行优化,实现精准的故障诊断分类。为验证诊断方法有效性,设计高速微型球轴承不同位置、不同故障程度、单一故障和复合故障的诊断测试。结果表明,在不同的故障类型下,设计的诊断方法的诊断精准率均高于原有的诊断方法,验证了方法实际应用可靠性。

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。

精细复合多尺度波动散布熵在液压泵故障诊断中的应用

液压泵振动信号具有非线性、非平稳性的特点,熵算法在该类信号分析方面有着独到的优势,但传统的熵算法在液压泵振动信号特征提取中有计算速度慢、熵值不准确、不稳定等不足,为了更有效地提取故障特征信息并提高故障诊断准确性,将精细复合多尺度波动散布熵(refined composite multiscale fluctuation dispersion entropy,RCMFDE)引入到液压泵的故障特征提取中,提出了一种基于RCMFDE和粒子群优化支持向量机结合的液压泵故障诊断方法。计算不同故障振动信号的RCMFDE,并选取合适尺度下的多个RCMFDE值作为特征向量形成特征样本,输入粒子群优化支持向量机中进行故障分类识别。通过仿真信号和液压泵故障实测信号进行分析,并将所提出的方法与基于多尺度样本熵(multiscale sample entropy,MSE)、多尺度排列熵(multiscale permutation entropy,MPE)、多尺度符号动态熵(multiscale symbolic dynamic entropy,MSDE)、多尺度散布熵(multiscale dispersion entropy,MDE)、精细复合多尺度散布熵(refined composite multiscale dispersion entropy,RCMDE)、多尺度波动散布熵(multiscale fluctuation dispersion entropy,MFDE)的故障特征提取方法进行对比。试验结果表明,该方法能够更加准确地识别多类液压泵故障并能对液压泵性能退化程度进行有效评估。

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.

基于精细复合多尺度熵与支持向量机的睡眠分期

提出将脑电信号与眼动信号的精细复合多尺度熵作为睡眠分期依据,利用多层次支持向量机的机器学习算法对睡眠进行自动分期.利用精细复合多尺度熵对睡眠信号进行特征提取,选用脑电以及眼电通道的信号,以保证输入特性的可靠性,并通过3层支持向量机实现了睡眠的自动分期.结果表明,分类器的输入参数可由熵值曲线的变化特征来确定.基于精细复合多尺度熵的多层次支持向量机算法的睡眠分期准确率达到85.3%,与已有的分类算法相比,所提出的算法更加均衡,且整体分类效果更佳.