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。

基于时移多尺度波动散布熵和改进核极限学习机的水电机组故障诊断

水电在能源供给结构改革中承担重要角色,随着风、光、潮汐等新型能源的不断接入,水电机组的负荷运行范围不断加宽,导致水电机组发生事故的概率增加,因此,开展水电机组智能故障诊断研究具有十分重要的现实意义。本文针对水电机组振动信号中蕴含大量噪声信号,干扰故障诊断的问题,提出一种时移多尺度波动散布熵和改进核极限学习机相结合的水电机组故障诊断方法。首先,结合信息熵理论与时移思想,在多尺度波动散布熵的基础上,采用时移理论替代多尺度波动散布熵(MFDE)中传统的粗粒化过程,提出时移多尺度波动散布熵(TSMFDE),通过仿真实验,证明所提方法具有良好的时序长度鲁棒性、抗噪性及特征提取能力,解决了传统多尺度熵粗粒化不足的问题。然后,利用具有可移植性强、寻优能力强和收敛速度快等特征的算术优化算法(AOA)对核极限学习机(KELM)的正则化参数和核函数参数进行寻优,建立AOA-KELM分类器,解决了KELM超参数难以调节的问题。最终,通过转子试验台模拟实验,将TSMFDE提取的特征输入分类器中,完成模式识别工作。仿真结果表明,所提模型取得最高的诊断精度,达到了100.0%,相对于其他流行模型,本文所提模型展现了明显的优势,验证了所提模型的良好诊断精度。

基于精细复合多尺度散布熵的抗蛇行减振器故障诊断

抗蛇行减振器作为高速列车关键悬挂元件在减轻列车横向振动提高安全性和稳定性上有重要作用,为实现对抗蛇行减振器故障进行精确诊断,针对非线性振动信号故障特征不明显的问题,提出一种自适应噪声完备集合经验模态分解(Complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与精细复合多尺度散布熵结合的故障诊断方法。首先采用CEEMDAN分解信号得到本征模态函数(Intrinsic mode function,IMF),计算精细复合多尺度散布熵组成特征集,然后融合多个通道振动信号特征并用核主成分分析法进行降维,将降维后的特征集分成训练集和测试集,最后输入到改进麻雀算法优化的支持向量机模型中进行训练与诊断。为验证方法的可行性,以机车滚动振动试验台模拟列车运行的不同速度,设置抗蛇行减振器故障工况,通过转向架和车体多个位置传感器获得试验数据进行分析。研究结果表明,经过优选的特征集能更好地捕捉抗蛇行减振器故障的特征信息,与未经优选的特征集相比故障诊断结果正确率有所提升;多通道融合特征的方法与单通道相比反映故障信息更加全面,补偿了单一通道诊断结果精确度低的不足,进一步提高了故障诊断结果正确率;改进麻雀算法优化了模型参数,解决了参数设计的盲目性,提高了模型分类识别能力,并与其他算法相比验证了优越性。运用该方法对抗蛇行减振器进行故障诊断,能够有效诊断出抗蛇行减振器故障类型,为抗蛇行减振器故障诊断提供了一种新的方法。

基于多尺度散布熵的磁声发射信号特征识别方法

在工程中对设备进行应力检测和微损伤检测时,采集磁声发射信号易受噪声干扰,同时其特征的提取也存在困难,为此,将变分模态分解与散布熵相结合,提出了一种基于自适应多尺度散布熵的磁声发射(MAE)信号特征识别方法。首先,设计搭建了检测实验平台,采集了Q345钢静载拉伸实验中0 MPa~400 MPa应力状态下的MAE信号;然后,采用变分模态分解方法,对磁声发射信号进行了自适应分解,生成了一系列从低频到高频分布的本征模态函数(IMF)分量;其次,计算了每个本征模态函数分量的散布熵值,构建了MAE信号的特征向量矩阵;最后,将特征向量矩阵输入到基于支持向量机建立的识别分类模型中,进行了信号的训练和识别。研究结果表明:使用基于自适应多尺度散布熵的磁声发射(MAE)信号特征识别方法,能够自适应地实现MAE信号的多尺度化目的,并且准确地识别出不同应力状态下的信号特征,分类识别准确率高达95.3704%,验证了该方法的有效性;说明基于自适应多尺度散布熵和多分类支持向量机的信号特征识别方法能够快速且有效地识别不同应力状态,在信号特征识别方面具有较好的应用潜力。

基于小波包Teager散布熵的轨道车辆路基振动特征提取方法研究

变压器等电气设备的吊装、转运环节是疏于监控的薄弱环节,极易发生由机械冲击引起的二次损伤。对变压器轨道运输车行进过程中受路基振动引起的冲击响应开展研究。首先,建立了轨道运输车⁃变压器耦合分析模型,利用有限元分析得出轨道运输车⁃变压器耦合分析模型在路基振动作用下的核心响应区域。然后,提出了一种基于小波包散布熵的非周期瞬态响应特征提取方法。该方法通过小波包最优子带树结构对整个频带进行良好的稀疏性分割,将包含多种信息的一维数据分解到不同维度,实现信号的有效分解,通过Teager能量算子(Teager Energy Operator,TEO)增强子带信号的冲击特性,利用散布熵选取包含冲击响应特征的子带信号。最后,通过路基振动仿真信号验证了所提方法能够准确从耦合路径干扰中提取出非周期性瞬态冲击响应成分。

模糊散布熵及其应用

散布熵(dispersion entropy,DispEn)是近期提出的一种衡量信号不规则程度的动力学指标。相比于样本熵,散布熵可同时检测信号幅度和频率的变化,计算时间也大大缩短。然而,由于散布熵是基于取整函数(阶跃函数)设置的,对数据长度和参数选择较敏感,特别是类的数量(量化级别),某些情况下由噪声引起的信号幅值的微小变化会改变量化序列从而引起熵值剧烈波动。为解决这些局限性,结合模糊隶属度函数提出了模糊散布熵(fuzzy dispersion entropy,FuzzyDispEn)。在FuzzyDispEn中,基于欧式距离实现嵌入向量与量化级别的模糊化隶属。使用合成时间序列信号测试FuzzyDispEn相比DispEn的性能。结果表明,与DispEn相比,FuzzyDispEn对信号数据长度、参数选择的灵敏度更低,而且抗噪性更好。FuzzyDispEn还应用于脑电与轴承信号的复杂度检测,实验结果表明在真实物理信号分析方面FuzzyDispEn的性能表现同样优于DispEn。结果表明模糊散布熵可为信号复杂度测量提供一种新的方法。

基于改进多尺度散布熵的电机典型故障信号诊断

为了提高电机振动信号的特征提取能力,设计基于改进多尺度散布熵的电机故障信号诊断方法。构建了改进多尺度散布熵(IMDE)算法来提取特征参数,以PSO优化SVM分类器完成故障的分类过程。研究结果表明:SVM相对ANN与k-NN获得了更高的分类精度,实现了SVM分类性能的显著提升,PSO-SVM的准确率能够达到100%,具备更优分类性能。设计了一种可以只提供少量训练样本的条件下实现100%准确率,能够获得比其它传统故障分析方法更优结果。

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。

基于优化VMD复合多尺度散布熵及LSTM的风力发电机齿轮箱故障诊断方法研究

以风力发电机齿轮箱加速度信号为研究对象,提出一种数据驱动的风力发电机齿轮箱故障诊断方法,该方法以灰狼优化的变分模态分解方法(AGWO-VMD)、复合多尺度规范化散布熵(NCMDE)及长短期记忆网络(LSTM)为基础,实现齿轮箱故障的快速诊断。首先将时域信号转换至角域;然后通过AGWO-VMD方法对角域信号进行自适应分解,并采用NCMDE算法提取分解后及原始信号中的故障特征构成特征向量;最后利用LSTM模型对特征向量进行智能识别与分类。对实际采集的6种故障齿轮信号进行测试与验证,试验结果表明该方法能快速有效区分齿轮故障类型。

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。

基于二维多尺度时频散布熵的滚动轴承故障诊断方法

多尺度散布熵(multi-scale dispersion entropy,MDE 1D)是一种有效衡量一维振动信号复杂性特征的非线性动力学分析法,但其仅能反映振动信号时域中的复杂性特征,无法完整反映振动信号频域的非线性动力学信息。为此,在二维散布熵(two-dimensional dispersion entropy,DE_(2D))的基础上,提出二维时频散布熵(two-dimensional time-frequency dispersion entropy,TFDE_(2D))用于衡量时间序列的时频复杂性特征。同时,为更完整地反映时频分布在不同尺度下的复杂信息,受多尺度粗粒化启发,将传统粗粒化方法拓展到二维多尺度粗粒化,提出了二维多尺度时频散布熵(two-dimensional multi-scale time-frequency dispersion entropy,MTFDE_(2D)),用来量度振动信号时频分布的多尺度复杂性特征。在此基础上,将其应用于滚动轴承故障诊断中的非线性特征提取,提出一种基于MTFDE_(2D)和萤火虫优化支持向量机的滚动轴承智能诊断方法。最后,将所提方法应用于滚动轴承试验数据分析,并与现有方法进行对比。结果表明,所提方法不仅能有效地提取故障特征,实现不同轴承故障类型和故障程度的有效诊断,且诊断效果优于对比法。

基于EEMD散布熵-LPP的滚动轴承故障诊断方法

针对滚动轴承故障分类中采用单一尺度熵值难以完全表征故障特征的问题,基于散布熵(DE)、集合经验模态分解(EEMD)、局部保留投影算法(LPP)、k-近邻分类算法(KNN),提出了一种基于EEMD散布熵-LPP的滚动轴承故障诊断方法.首先对信号进行EEMD分解提取其前9个IMF分量作为特征信号,分别计算其散布熵值作为特征参数构建高维特征集,接着利用LPP进行降维获得低维特征集,最后输入KNN分类器进行分类识别.对实际滚动轴承的正常、内圈故障、外圈故障、滚动体故障样本进行了分类识别,并与其他几种方法进行对比,结果表明:该方法具有更高的分类准确率.

复合多尺度散布熵在滚动轴承故障诊断中的应用

为了提取滚动轴承的非线性故障特征,将复合多尺度散布熵应用于滚动轴承故障特征提取,提出1种基于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,并将所提方法应用于滚动轴承实验数据分析。通过与多尺度散布熵和多尺度熵进行对比,结果表明:论文提出的故障诊断方法不仅能够准确地诊断滚动轴承的故障类型和程度,而且识别率优于所对比的方法。

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。

基于散布熵的往复压缩机气阀故障特征提取方法

针对传统信号处理方法难以准确提取往复压缩机气阀振动信号故障特征的问题,引入一种新的非线性分析方法——散布熵,以实测往复压缩机气阀振动信号为研究对象,从鲁棒性与稳定性两方面进行了适用性分析研究。首先,通过对工频干扰消除前后的阀片断裂信号,以及添加不同信噪比高斯白噪声的正常气阀信号进行鲁棒性分析;然后引入变异系数对气阀正常、阀片断裂及弹簧失效三种状态的振动信号进行稳定性分析;最后在该基础上进行特征提取研究。结果表明:散布熵不仅对工频干扰不敏感,而且在信噪比0 dB时的熵值变化率不超过5%,气阀3种状态的散布熵变异系数均低于1%,从而为往复压缩机气阀状态监测与故障诊断提供了一个鲁棒性强、稳定性好的有效特征。

基于改进EWT-精细复合多尺度散布熵和GG聚类的球磨机负荷识别方法

针对球磨机振动信号具有非线性、非平稳性特点所导致的负荷状态难以识别问题,提出一种基于改进经验小波变换(EWT)、精细复合多尺度散布熵(RCMDE)和GG聚类的球磨机负荷识别方法。首先,在EWT的基础上,引入滑动频率窗的思想,提出自适应频率窗EWT算法,将其用于对球磨机原始振动信号的分解以获得本征模态分量;其次,通过相关系数法选出能表征原始信号状态的敏感模态分量进行信号重构;第三,利用RCMDE对重构信号进行处理提取负荷状态特征;最后,将特征向量作为GG聚类算法的输入,将球磨机负荷状态作为输出,建立球磨机负荷识别模型。通过磨矿实验验证了该方法的有效性,结果表明,该方法的聚类内紧致性较好,识别的评价指标PC值最高可达0.9989,而CE值仅为0.0013,识别效果显著,能够准确识别球磨机的负荷状态。

基于MEEMD-KF-散布熵的油气管道工况识别

针对油气管道泄漏检测过程中,泄漏信号包含大量噪音、特征提取困难等问题,提出一种改进的总体平均经验模态分解联合卡尔曼滤波算法的管道信号去噪方法。首先采用改进的总体平均经验模态算法对采集到的管道负压波信号进行分解,其中利用排列熵和卡尔曼滤波算法对分解后的固有模态分量进行筛选和处理,最后得到重构后的削噪信号。并且提出基于散布熵和峭度的特征提取法,将提取的特征参数作为支持向量机的输入来对输油管道的工况进行分类识别。经采集到的数据验证,改进的总体平均经验模态分解、卡尔曼滤波、散布熵与峭度结合的组合识别方法可以较准确的对管道信号进行分类识别,结果显示其总平均识别准确率达到98.89%,为管道的工况识别研究提供了一种新的途径。

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.

基于小波包散布熵与Meanshift概率密度估计的轴承故障识别方法研究

为提升轴承故障特征提取精度和运行状态评估准确性,提出一种基于小波包散布熵与Meanshift概率密度估计的诊断方法.首先,采用小波包变换对轴承振动信号数据进行升维,通过计算每个子带的散布熵构建特征矩阵;然后,利用PCA对多维矩阵进行可视化降维,采用Meanshift无参估计得到训练样本的概率密度最大位置作为聚类中心;最后,通过计算测试样本散布熵坐标与各聚类中心的欧式距离判定测试样本类别归属.采用CWRU和QPZZ-II轴承实验台不同故障类型和故障程度样本数据对所提方法进行验证,结果表明,得益于小波包完备的理论模型和信号频带分解稀疏性,结合散布熵指标对数据样本良好的鲁棒性,所构造的特征矩阵具有较好的类内聚集性和较大的类间距离,同时,Meanshift以概率密度最大化为目标自适应迭代聚类中心和隶属度,可以有效实现对不同数据样本的分类识别.