高压断路器声纹及振动熵特征联合的GWO-KFCM故障诊断

针对复杂环境下高压断路器故障诊断算法的准确率和泛化性问题,提出一种声纹及振动熵特征联合的GWO-KFCM故障诊断算方法。首先,对声音信号进行广义S变换,提取反应声纹的盒维数、方向度和对比度纹理特征;对振动信号进行变分模态分解(VMD),计算信号的排列熵。最后,构造联合特征向量送入模糊核C—均值聚类(KFCM)学习训练,利用灰狼优化(GWO)算法优化KFCM初始聚类中心,对训练样本进行预分类后输入SVM,辨识操动机构运行状态。结果表明,声纹及振动熵特征联合的GWO-KFCM故障诊断方法充分利用声振信号互补优势,对实验样本总体诊断准确率达到了100%,并且有较好的泛化能力。

函数的振动熵

本文定义了振动函数与函数的振动熵。对函数的振动性质进行了初步的讨论。振动熵是对函数振动程度的度量(振动愈剧烈振动熵的值愈大)。导数是振动熵的特例。

振动流化床中流动结构的混沌分析

在内径 90mm、静床高 80 0mm的高床层流化床中 ,用动态压力传感器检测了不同气速条件下普通流化床和振动流化床中沿轴向的压力脉动信号 ,通过小波变换对信号除噪后 ,用混沌理论对信号进行了分析 .通过关联维数和Kolmogorov熵定量表征振动流化床中的流动结构特征 .结果表明 :压力脉动信号的关联维数和Kolmogorov熵能够描述振动流化床中的流化状态 ;振动流化床中床层的流动结构存在两个区 ,在近分布板区域为射流区 。

基于振幅-周期二维分布的脑电复杂度分析

目的:提出一种可以在振幅-周期二维空间描述脑电复杂度的二维振动熵方法,以改善传统符号熵方法只能在振幅或周期一维空间进行运算的缺陷。方法:将振幅符号序列和周期符号序列合并为振幅-周期二维振动序列,然后按照振动元素在振幅-周期二维空间的分布来计算振动时间序列的信息熵;并提出一种二维空间分段参数的选取方法,选取能使二维振动熵值随分段参数变化,并在一定阈值内的分段参数值为运算值。结果:仿真实验和抑郁症脑电分析表明二维振动熵可以有效反映时间序列的复杂度,抑郁症组在顶部和枕部区域Alpha频段的二维振动熵显著高于对照组。结论:二维振动熵可以有效反映各频段脑电信号的复杂程度,具有一定的实用价值。