基于改进多元多尺度熵的人体步态加速度信号分类

传统多元多尺度熵算法在处理有限长时间序列时,会使均值曲线产生较大的波动,并且阈值的选取也会对结果产生较大的影响。因此,在传统多元多尺度熵的基础上首先对传统粗粒化方式进行了改进,改进后的算法采用滑动均值滤波使粗粒化后各尺度上的时间序列与原始时间序列长度一致,减小了所计算多元多尺度熵的离散性。此外,本文算法在保持多元样本熵硬阈值优点的同时,通过定义模糊隶属度函数来统计两复合延迟矢量距离略大于阈值的情况,既降低了传统方法对阈值的依赖性,也很好的解决了传统阈值所导致的不稳定现象。最后用仿真数据对该算法进行了验证,并将其应用于不同人体步态加速度信号的复杂度评价和分类,结果表明改进算法的识别效果明显优于传统多元多尺度熵。

基于改进多元多尺度加权排列熵的齿轮箱故障诊断

齿轮箱振动存在多个传递路径,而典型齿轮箱故障诊断方法一般使用单个路径的单通道振动信号,易造成其它通道信息的遗漏。为充分利用不同路径振动信号故障信息,增强故障特征的质量,引入了多元多尺度加权排列熵,对其粗粒化方式进行了完善,提出了改进多元多尺度加权排列熵(IMMWPE),实现齿轮箱多通道振动信号的故障特征提取。基于此,提出了一种结合IMMWPE、成对邻近特征和粒子群优化支持向量机的齿轮箱故障诊断方法。通过齿轮箱多通道数据分析,将其与多元多尺度样本熵、多元多尺度排列熵和多元多尺度模糊熵等方法进行对比,结果证明该方法能够准确识别齿轮箱的各类故障,而且优于对比方法。

基于改进多元多尺度色散熵的齿轮箱多通道振动信号故障诊断

齿轮箱发生故障时,其振动信号具有不平稳和非线性等特征,而常用的齿轮箱故障诊断方法大多是建立在单通道振动信号分析基础上,容易造成故障信息丢失,故而在工业生产中实用性受限。为了克服此缺陷,将多元多尺度色散熵引入到齿轮箱故障诊断当中,并改进其粗粒化方式,提出了改进多元多尺度色散熵,用以提取齿轮箱多通道振动信号的故障信息。在此基础上,提出一种基于集合经验模态分解,改进多元多尺度色散熵和遗传算法优化支持向量机的齿轮箱故障诊断方法。通过实验数据分析,并与多元多尺度样本熵、多元多尺度模糊熵等现有方法相比较,证明该方法具有更高的准确率和稳定性,且在处理短时间序列时具有明显优势。

基于声振信号融合的IRCMMDE离心泵损伤检测方法

离心泵早期的损伤特征比较微弱,难以有效提取其故障特征。针对这一问题,提出了一种基于声振信号融合的改进精细复合多元多尺度散布熵(IRCMMDE)和GWO-SVM的离心泵损伤检测方法。首先,利用多个传感器收集了离心泵在不同损伤状态下的声音和振动信号,并将声音和振动信号进行了融合,以充分利用不同类型信号中所蕴含的损伤特征信息;随后,针对多元多尺度散布熵(MMDE)不稳定的缺陷,对MMDE的粗粒化处理进行了优化,提出了改进精细复合多元多尺度散布熵(IRCMMDE)的复杂性测量指标;接着,利用IRCMMDE对声振融合信号进行了损伤特征提取,构建了各个损伤状态下的特征矩阵;最后,利用灰狼算法优化的支持向量机分类器,对各个损伤状态下的特征矩阵进行了识别,得到了最终的离心泵损伤检测结论。研究结果表明:采用基于声振信号融合的离心泵损伤检测方法,其最高可达到99.2%的故障识别准确率,相比于基于MMDE和RCMMDE的损伤检测方法,其能够更准确地识别出离心泵的损伤;该方法还能有效缓解单一信号检测时的不确定性,并且在多次实验验证下,其仍具有很高的检测精度。