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。

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散布熵的高压断路器机械故障诊断方法

针对高压断路器机械故障识别准确率不高的问题,提出了一种基于精细复合多尺度散布熵(RCMDE)的断路器故障诊断方法。利用实验室10 kV户内真空高压断路器进行合闸动作时正常、螺丝松动、传动机构卡涩、合闸弹簧储能不足4种状态的振动数据采集。对采集到的数据计算RCMDE值,并构成特征向量集,将特征向量集分作训练集及测试集。利用粒子群算法(PSO)优化后的极限学习机(ELM)训练训练集得到智能故障识别模型,将测试集输入模型进行测试,实现断路器机械故障诊断。结果表明,基于RCMDE-PSO-ELM的高压断路器机械故障诊断方法能有效识别不同状态的机械故障,并且在噪声干扰以及数据丢失下仍能对故障进行准确识别,具有很好的抗干扰能力,在背景干扰较强的高压断路器故障检测环境下具备一定的实用性。

基于广义精细复合多尺度散布熵的机车轮对轴承智能诊断方法

针对机车轮对轴承单一与复合故障在内的不同健康状况的识别问题,引入一种基于精细复合多尺度散布熵改进的非线性动力学分析方法—广义精细复合多尺度散布熵。该方法解决了熵值波动大、计算不准确的问题,在计算过程中能获取更多有效信息。将之与灰狼算法优化的支持向量机结合,提出了一种机车轮对轴承智能诊断方法。为验证其效果,本文采用南昌铁路局实际机车轮对轴承数据进行实验,得到结论:所提方法识别准确率明显高于多尺度散布熵与精细复合多尺度散布熵的方法,而且能精确地识别复合故障以及不同程度故障,具有较大实际意义。

基于SORT映射的IRCMFDE在旋转机械故障诊断中的应用

针对旋转机械振动信号的强非线性和非平稳性,导致故障特征提取困难的问题,提出了一种基于SORT映射的改进精细复合多尺度波动散布熵(IRCMFDE)和蝙蝠算法优化的相关向量机(BA-RVM)的旋转机械故障诊断方法。首先,利用SORT映射函数替换了精细复合多尺度波动散布熵(RCMFDE)方法的正态累积分布函数,同时对RCMFDE方法的粗粒化方式进行了改进,提出了基于SORT映射的IRCMFDE方法;随后,利用IRCMFDE方法提取了旋转机械振动信号的故障特征,构造了故障特征集;最后,采用BA-RVM分类器对旋转机械的故障类型进行了智能化的识别和分类;将基于IRCMFDE和BA-RVM的故障诊断方法应用于滚动轴承、离心泵和齿轮箱的实验数据分析,并将其与现有故障诊断方法进行了对比分析。研究结果表明:基于IRCMFDE和BA-RVM的故障诊断方法能够有效地识别旋转机械的故障状态,识别准确率分别达到了100%、98%和99%,相比基于RCMFDE、精细复合多尺度熵、精细复合多尺度模糊熵、精细复合多尺度排列熵和精细复合多尺度散布熵的故障特征提取方法,该故障诊断方法的效率和平均识别准确率均优于对比方法,其更适合应用于旋转机械的在线实时故障监测。

基于CMMFDE与多传感器信息融合的旋转机械故障诊断研究

采用单一传感器采集的振动信号难以准确描述旋转机械动态特性,导致提取的故障特征无法准确辨识旋转机械故障。针对这一缺陷,提出了一种基于复合多元多尺度波动散布熵(CMMFDE)、多传感器信息融合和哈里斯鹰算法优化极限学习机(HHO-ELM)的旋转机械故障诊断方法。首先,引入复合多元粗粒化处理,提出了CMMFDE方法,避免了传统单变量分析方法只能处理单一通道振动信号而导致特征的表征性能不足的缺陷,增强了故障特征的表征性能;随后,利用布置在旋转机械不同部位的传感器收集了多种类型的信号,组成混合多通道信号,并进行了CMMFDE分析,构建了故障特征;最后,采用HHO对极限学习机的参数进行了自适应优化,并对特征样本进行了训练和测试,完成了旋转机械的故障识别工作;利用齿轮箱、离心泵两种典型的旋转机械数据集进行了实验分析。研究结果表明:该方法对多个通道的信号进行分析时,所获得的准确率达到了100%和98%,优于对单个通道信号进行分析时获得的准确率,同时CMMFDE方法的准确率和特征提取时间均优于精细复合多元多尺度熵(RCMMSE)、精细复合多元多尺度模糊熵(RCMMFE)、精细复合多元多尺度排列熵(RCMMPE)、多元多尺度波动散布熵(MMFDE)。

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。

基于IUPEMD和RCMFE的往复压缩机气阀故障诊断

由于往复压缩机的振动信号非线性、非平稳性的特点,为进一步提高故障识别率,提出一种基于改进的均匀相位经验模态分解(IUPEMD)和精细复合多尺度模糊熵(RCMFE)的往复压缩机气阀故障诊断方法。采用IUPEMD方法对信号进行分解,通过不同的参数组合,利用正交性为指标选择最佳IMF分量,有效提高了IUPEMD对非平稳性信号的分解精度,减少模态混叠现象;以峭度为评价指标对分解后的IMF分量进行筛选,并重构信号,求解重构信号的RCMFE,提取故障特征向量;最后,将特征向量输入到支持向量机进行分类识别。试验结果验证了该方法的有效性和优越性。

基于RCMDE和PNN的传动箱轴承故障诊断

针对玉米收获机传动箱滚动轴承运行状态识别问题,提出了一种基于精细复合多尺度散布熵(RCMDE)和概率神经网络(PNN)的故障识别新方法。首先,对拾取的信号进行RCMDE分析,提取故障特征向量;然后,将特征向量输入PNN分类器进行训练和测试;最终识别出轴承故障状态和程度。传动箱轴承试验数据分析结果表明:文中方法能有效识别出轴承的不同故障状态及损伤程度,故障识别率达到99.29%,与多尺度样本熵(MSE)相比识别率更高,对农机轴承的故障诊断具有一定应用价值。

基于RCMRFDE和ELM的滚动轴承故障检测方法

为了有效地提升滚动轴承故障诊断的可靠性和准确性,鉴于精细复合多尺度反向波动散布熵(RCMRFDE)方法在描述非线性序列复杂度和特征提取方面的优势,提出了一种结合RCMRFDE和极限学习机(ELM)的滚动轴承综合故障检测方法(该方法包括健康检测和故障分类)。首先,根据滚动轴承健康和故障振动信号复杂性具有显著性差异的特点,利用RCMRFDE预先检测了滚动轴承的健康状态,筛选出了健康轴承;然后,采用RCMRFDE提取出了剩余故障轴承的故障特征,并采用极限学习机(ELM)对故障类型进行了智能化的识别;最后,基于两种公开的滚动轴承故障实验数据,分别采用RCMRFDE+ELM方法与其他5种故障诊断方法进行了检测,并将所得结果进行了比较分析,以验证新方法的检测精度、分类准确率、效率和可靠性。研究结果表明:采用RCMRFDE+ELM方法能够准确地检测出滚动轴承是否存在故障,并且在二次实验中,对于故障轴承的平均识别准确率分别达到了99.96%和99.67%,均高于其他方法。该方法可以为建立滚动轴承的健康监测模型提供阈值设置方法和诊断思路。

变工况下管道堵塞识别的声纹模型研究

针对排水管道堵塞检测实际应用中训练样本所包含的工况类别受限导致新工况识别率低下的问题,提出一种基于精细复合多尺度散布熵(Refined composite multi-scale dispersion entropy,RCMDE)和高斯混合隐马尔可夫模型(Gaussian-mixed-model hidden Markov model,GMM-HMM)的管道堵塞声纹识别模型。首先,采用基于子带谱熵的单参数双门限端点检测算法对单一和复杂工况下降噪后整体声压信号进行端点检测和信号分割,得到对应管道内堵塞物、三通件和管道尾端的个体声压信号。然后,提取精细复合多尺度散布熵作为特征向量。最后,将单一工况下不同类别的声压信号的特征向量用于模型训练,训练好的模型用于复杂工况下的堵塞物、三通件以及管道尾端的识别。结果表明:所提出的声纹识别模型在训练样本工况类别受限的条件下能有效识别变工况下排水管道中的堵塞物,三通件以及管道尾端,综合识别率为93.75%。验证在不同工况下堵塞物对声波的影响具有共性,与三通件、管道尾端具有差异性,具有一定的工程应用价值。

基于变分模态分解的癫痫脑电信号分类方法

癫痫是一种常见的脑部疾病,通过脑电图能非侵入地定位人脑中的致痫区域.为了辨别病灶性和非病灶性癫痫脑电信号,文章提出一种基于变分模态分解的癫痫脑电信号自动检测方法,首先将原信号分割成多个子信号,并对各子信号进行变分模态分解,然后从分解后的不同变分模态函数中提取精细复合多尺度散布熵和精细复合多尺度模糊熵两个特征并利用支持向量机进行分类.针对癫痫脑电的公共数据集,最终的实验结果表明,准确率、灵敏度和特异度三个性能指标分别达到94.24%,95.58%和90.64%,ROC曲线下面积达0.978.