基于改进层次样本熵和极限学习机的离心泵故障诊断方法

为了提高离心泵早期故障诊断模型的准确性,提出一种改进层次样本熵(improved hierarchical sample entropy,IHSE)和极限学习机(extreme learning machine,ELM)相结合的离心泵故障诊断方法.首先,针对传统分层样本熵在高层次下算法稳定性弱的问题,利用移动平均和移动差分过程代替传统的分层模式,提出一种新的评估时序信号复杂性工具——IHSE;然后,利用IHSE提取离心泵振动信号的故障特征;最后,将故障特征输入ELM模型,实现离心泵不同运行状态的有效识别.研究结果表明:所提方法在2个不同类型离心泵故障数据集上的诊断率分别为99.58%和99.68%,在所有诊断模型中表现最佳,表明该方法具有良好的诊断性能.研究结果为离心泵故障诊断提供了一种新的方法,具有良好的参考价值与应用前景.

一种无偏差的多通道多尺度样本熵算法

多通道数据采集技术的发展为复杂系统非线性动力学特性研究提供了更加丰富的先验信息.然而传统的非线性特征量只能处理单通道数据,无法直接提取多通道数据的非线性特征.近年来,有学者对多尺度样本熵算法进行了一般化处理,提出了多通道多尺度样本熵算法.该算法不仅可以对多通道数据整体的复杂度进行表征,还可以有效提取通道内和通道间隐含的相关性信息.但是,该算法缺乏相应的理论支撑,在实际应用中无法兼顾性能和稳定性.针对以上问题,本文提出了一种无偏差的多通道多尺度样本熵算法,并利用概率论从理论上分析了多通道多尺度样本熵算法不稳定以及性能差的原因.后续的仿真实验证明改进后的算法不但可以有效地提取通道内和通道间的相关性信息,同时在处理复杂数据时表现出了良好的稳定性.该算法为诸如模糊熵、排列熵等非线性特征量的算法一般化提供了思路和理论依据.

磁声发射信号样本熵特征量的应力检测方法研究

为解决在应力检测中传统磁声发射(magnetic acoustic emission,MAE)特征量易受噪声干扰的问题,提出基于磁声发射信号样本熵特征量的应力检测方法。在研究Q235钢试样在0~400 MPa拉伸应力状态下磁声发射信号中样本熵变化规律的基础上,分析励磁强度、嵌入维数、容限系数对磁声发射信号样本熵特征量的影响规律。结果表明磁声发射信号样本熵特征量与应力具有良好的对应关系,并且相较于传统时域特征量(峰峰值和均方根值),样本熵值的波动性指标分别下降89%和33%,在所选励磁条件下由样本熵值计算得到的应力值和实际应力值平均误差仅为8.5%,其受噪声干扰较小且一致性更好,更适合应用于铁磁性材料的应力检测。

基于ICEEMDAN与样本熵的脑血氧信号去噪方法

人体生理活动和随机噪声都会对脑血氧检测数据精度产生影响,为提高测量精度,需解决信号采集时遇到的噪声干扰。文中提出一种利用改进的具备自适应噪声的完全集成经验模态分解(Improved Complete Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)与样本熵(Sample Entropy,SampEn)相结合的脑血氧信号去噪方法。利用ICEEMDAN对脑血氧信号进行模态分解,从而获得不同时间复杂度的固有模态函数(Intrinsic Mode Function,IMF)分量。通过样本熵值判断各IMF分量的时间复杂度,依据IMF分量的样本熵值选择合适的分量重构信号,从而去除原始信号的噪声。实验结果表明,所提方法可以有效去除原始脑血氧信号中的噪声,实现采集数据的精度提升,进而提高脑血氧检测精度。

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.

基于样本熵的港口集装箱吞吐量可预测性测度研究

港口吞吐量历史时间序列数据具有较强的随机性,而不同特征的时间序列数据的预测精度差异较大,由此产生了时间序列数据可预测性的测度问题。学术界认为,这种可预测性可以用熵进行描述。文章采用样本熵表征测度我国20个港口集装箱吞吐量时间序列数据的复杂性,然后运用自回归综合移动平均模型(ARIMA)预测港口吞吐量。结果表明,样本熵与其预测精度之间的相关性较弱,ARIMA模型对于港口生命周期处于“成长”阶段的港口或者大型港口的预测精度更好。研究结论有助于理解熵和时间序列数据可预测性之间的关系。

基于样本熵重构与RF-LSTM模型的水电机组状态趋势预测

针对水电机组运行状态预测问题,提出一种基于样本熵重构(sample entropy reconstruction, SER)与随机森林(random forest, RF)-长短期记忆网络(long short-term memory, LSTM)的混合预测模型。首先,利用改进自适应噪声完备集成经验模态分解(improved complete ensemble empirical mode decomposition with adaptive white noise, ICEEMDAN)方法,将复杂非线性振摆信号分解为一组本征模态(intrinsic mode functions, IMFs)分量;其次,采用SER原理重组具有相似复杂度的IMFs,得到多个重构特征分量(reconstruction feature components, RFCs);然后,利用随机森林预测样本熵最小的RFC,利用LSTM预测剩余的RFCs;最后,叠加各RFCs预测结果,实现水电机组状态趋势的准确预测。实验结果表明,所提方法具备更优的预测性能,可为实施机组预测性维护提供可靠的数据支持。

基于ROC分析及样本熵的轴承故障检测

轴承故障检测对旋转机械的维护至关重要。尽管已有的故障诊断方法取得了长足的进步,但仍然面临着一些挑战,如缺乏足够的故障数据用于训练,对复杂的分布式数据的有效性不高,对早期故障的敏感性低,以及噪声和离群值的干扰。因此,本文提出了一种基于样本熵和ROC分析的故障检测方法,通过提取振动信号的样本熵指标,然后使用ROC分析对其进行检测。实验结果表明,本文所提方法能够以较高的准确率检测轴测故障。

基于ArcGIS与样本熵的黑龙江省降水复杂性分析

为探究水文时间序列和时空变化的特征及趋势,以黑龙江省各地区为例,基于样本熵算法、 ArcGIS揭示1975~2021年(共564个月)降水复杂性态势及影响因子,结果表明:黑龙江省总体降水变化呈现较大波动,趋势性变化不明显;大兴安岭地区拟合优度最优,统计检验值最接近-1.96,表明大兴安岭降水变化趋势相较于其他地区更显著。由黑龙江省降水复杂性强度排序结果发现,大兴安岭地区降水序列样本熵值最小,降水复杂性最弱;鸡西地区降水序列样本熵值最大,降水复杂性最强。根据ArcGIS绘制降水复杂性等级时空分布图可以看出:黑龙江省降水复杂性呈自北向南、自西向东逐渐增强态势,同时,黑龙江省降水熵值与水域面积、城镇面积呈显著正相关性,表明降水复杂性受两者影响最强烈。

脑卒中偏瘫下肢表面肌电信号样本熵用于痉挛性肌张力量化评估的研究

目的:探讨表面肌电信号样本熵与脑卒中偏瘫下肢腓肠肌痉挛等级的相关性。方法:随机选取53例脑卒中恢复期患者为受试者,对偏瘫下肢腓肠肌进行改良Ashworth量表(modified Ashworth scale,MAS)评估,采用单通道无线蓝牙肌电传感器记录被动牵伸状态时腓肠肌表面肌电信号(surface electromyography,sEMG);引入样本熵计算方法提取sEMG的特征信息,分析其与痉挛等级的相关性,并对结果进行验证。结果:对采集的sEMG进行熵值分析,结果显示MAS评估为0级、Ⅰ级、Ⅰ+级、Ⅱ级、Ⅲ级的偏瘫下肢腓肠肌sEMG样本熵分别为:0.6947±0.169、0.7951±0.244、0.8249±0.145、0.8305±0.232、0.9489±0.371,对样本熵进行线性拟合,发现样本熵均值曲线随痉挛等级的升高呈上升趋势,且样本熵与MAS相关(r=0.745,P<0.05),进一步验证发现样本熵符合肌电信号特征与痉挛等级的映射关系。结论:sEMG样本熵可用于脑卒中偏瘫肢体痉挛性肌张力的量化评估,有望为病理性痉挛的精准康复提供有效的检测及评估手段。

基于IITD样本熵与改进深度置信网络的轨道电路故障检测

针对轨道电路故障检测实时性差且故障位置不确定等问题,提出了一种基于改进固有时间尺度分解(Improved intrinsic time-scale decomposition,IITD)和样本熵值作为特征值输入以改进深度置信网络(Deep belief network,DBN)识别的轨道电路故障检测方法。首先,采用IITD方法对故障信号进行分解,筛选包含主要故障特征信息的PR分量。其次,计算其样本熵值作为信号的特征值。最后,将特征值输入至改进的DBN网络中,进行故障检测。以180组轨道电路历史故障数据为输入,本算法准确率达97.22%,较BP神经网络、PMFCC-DTW、模糊神经网络以及未经优化的DBN,其检测准确率分别提高7.12%,4.98%,6.34%和3.82%,可以作为轨道电路的故障检测的有效方法。

基于积分均值模式分解和固有模态函数样本熵的阵发性房颤识别

针对阵发性房颤(PAF)发作持续时间较短难以捕捉,且现有识别算法抗噪性能较差易导致误检、漏检等问题,本研究提出一种基于积分均值模式分解(IMMD)和固有模态函数样本熵(IMFSE)的PAF识别方法。首先,对时长为20 min的心率变异性(HRV)信号片段进行IMMD分解得到一系列固有模态函数(IMF)分量,并计算IMFSE;然后,通过对IMFSE结果进行统计分析选取PAF识别的特征量;最后,利用支持向量机与交叉验证完成PAF识别。从PAF Prediction Challenge Database(AFPDB)数据库提供的正常受试者、PAF发作与远离PAF发作受试者心电信号中,分别获取25段时长为20 min的HRV信号片段,构成正常组、PAF发作组与PAF未发作组。通过对这75段HRV信号片段的实验发现:利用本方法进行PAF识别,识别准确率、敏感性、特异性分别可达到94%、96%、92%。所提出的PAF识别算法为进一步地快速准确自动检测PAF提供了参考,在可穿戴设备的长期自动检测识别PAF方面具有较大的应用前景。

基于NLM-CEEMDAN和样本熵的水电机组振动信号去噪

振动监测分析是水电机组故障诊断的重要手段,如何从振动信号中滤除噪声以便于故障特征有效提取是关键问题,为此提出了基于非局部均值滤波(NLM)和自适应噪声完备集合经验模态分解方法(CEEMDAN)结合的振动信号去噪新方法,并在水电机组摆度监测分析中进行了应用。该方法利用NLM-CEEMDAN对信号进行降噪处理,获得若干个固有模态分量(IMF),并且计算各分量样本熵值来进行分量归类。最后通过将高频噪声分量和信噪混合分量中的噪声成分从原始信号中滤除来完成对振动信号的去噪。仿真和实例分析,该方法优于常用的分解分量重构法和小波去噪算法,具有更好的去噪效果,为水电机组故障特征提取提供了新思路。

基于EMD-样本熵的轴流压气机喘振分析

轴流压气机作为燃气轮机安全运行的重要设备装置,它的稳定性直接影响燃气轮机的输出效率。因此如何快速准确判断并及时规避轴流压气机的喘振工况是燃气轮机优化设计的重点。本文提出一种基于轴流压气机已有传感器处理提取特征值后对喘振工况进行判断的新方法。首先对压气机的一维传感信号进行EMD分解升维后进行数据降维至数据本质维数上,再利用样本熵处理后提取特征信号从而对喘振工况进行判定。基于三级轴流压气机喘振进行喘振的诱导试验,实现压气机的喘振工况并且利用EMD-样本熵的方法对压气机的级间压力、出口压力进行分析对比。试验结果表明,此方法提取的特征值可以有效区分出压气机正常与喘振的工况,验证了方法的可行性,为轴流轴流机的故障预测提供基础。

基于VMD样本熵和改进极限学习机的滚动轴承故障诊断

【目的】为了更好地提取滚动轴承故障信号特征并提高故障的分类准确率,提出了基于变分模态分解(VMD)、样本熵和改进极限学习机(ELM)的滚动轴承故障诊断方法。【方法】首先,采用VMD算法对轴承信号进行分解,通过中心频率和频率混叠确定VMD分解层数,提取VMD分解后各模态分量的样本熵并构建特征样本;然后,建立ELM的诊断模型,引入麻雀搜索算法(SSA)和改进的麻雀搜索算法(ISSA)分别优化ELM输入层与隐含层神经元之间的连接权值及隐含层神经元的阈值;最后,将样本熵特征样本输入诊断模型进行滚动轴承的故障识别。【结果】仿真结果表明,ELM、SSA-ELM和ISSA-ELM 3种诊断模型的准确率平均值分别为93.33%、95.83%、97.50%,表明提出的优化模型ISSA-ELM相对ELM和SSA-ELM的诊断精度更高、泛化性能更优,对滚动轴承的故障分类效果较好。【结论】基于VMD样本熵和改进ELM的诊断方法不仅能有效地提取故障特征,而且实现较高准确率的故障识别效果。

基于样本熵的车载CAN网络入侵检测

汽车的智能化和无人化发展增加了对汽车总线网络的依赖,如汽车的实时动力控制、操纵控制等均需要借助车载CAN网络作为信息传递的媒介。然而不像工业互联网等具有完善的信息鉴别和身份认证机制,车载CAN网络缺乏足够的安全防护措施,容易被不法分子入侵。因此,为提高车载CAN网络的安全通信保障,本文提出一种基于样本熵的入侵检测系统(sample entropy-intrusion detection system,SE-IDS)。具体地,通过实时采样汽车的总线数据构建样本熵测试集,利用样本熵的计算方法统计样本熵值,通过观察熵值的突变情况确定该时刻是否有攻击发生。此外,利用实际汽车ECU(electronic control unit)进行了硬件在环测试,分别验证了提出的方法对DOS(denial of service)攻击、模糊攻击、bus-off攻击的检测能力。测试结果表明,DOS攻击、模糊攻击、bus-off攻击均会使稳定的样本熵值出现不可导点,可以据此作为通信异常的标志,从而确定CAN网络遭受的入侵行为。此外,嵌入式设备的在线检测同样验证了该方法在实际ECU上的实时执行能力。

多尺度样本熵对脑信号复杂度评估算法的修正

多尺度样本熵(MSE)算法作为一种时间序列非线性复杂度测量方法,近年来在生物信号分析中得到广泛应用。针对MSE对不同粗粒化程度数据序列的匹配标准缺少区分度的问题,提出一种修正方法,将序列匹配标准与不同粗粒化程度的数据相对应,以提高MSE对信号复杂度测量的准确度和可解释性。采用修正前、后的MSE分别对模拟噪声信号和人类脑电信号复杂度进行了计算。结果表明:修正后的MSE所表征的复杂度更符合白噪声与1/f噪声的物理意义,且对脑电信号在高时间尺度闭眼与睁眼实验条件下的复杂度具有更好的区分效果,复杂度差异存在统计显著性。

基于样本熵的渭河流域月降水序列复杂度与异步性特征研究

降水序列复杂度是衡量气候系统复杂非线性变化的重要指标,其表征的时间序列动力学特征对应对全球气候变化及流域水资源适应性管理意义重大。基于渭河流域及其周边22个气象站的降水数据,采用非线性动力学参数样本熵、Mann-Kendall非参数趋势检验及累积距平等方法,系统分析1960-2016年渭河流域月降水序列复杂度的空间分布及演化特征,引入互样本熵探究气候变化影响下渭河流域不同分区月降水序列的异步性变化。结果表明:渭河流域月降水序列复杂度具有显著的空间差异性,表现为从东南向西北下降、从上游到下游上升的趋势,干流上游区复杂度分布与其他区域明显不同;近年来渭河流域降水量呈显著的下降趋势,降水序列样本熵值显著增大,说明降水动力学系统结构趋于复杂,可能会给渭河流域的水资源管理带来挑战;渭河流域不同分区的滑动平均降水量与相应的样本熵值间存在负相关关系,整体表现为降水量减小、复杂度提高;气候变化影响期内区域间月降水序列异步性有所增强,但变化并不显著。

无抽搐电休克治疗中脑电的小波样本熵分析

无抽搐电休克治疗(Modified Electroconvulsive Therapy,MECT)是精神障碍疾病临床治疗的方法之一,有效的脑电信号量化参数有助于认识MECT的治疗效果和进行临床规划。该文针对MECT期间精神障碍患者单通道脑电信号进行分析,利用离散小波变换将脑电信号分解到不同频段,采用样本熵分析MECT过程中诱导的人工癫痫充分发作后和非充分发作后各频段脑电信号的复杂度。实验和分析结果表明,接受MECT的精神障碍患者经诱导人工癫痫充分发作后的额叶皮层脑电信号小波系数A4、D4和D3的样本熵值显著小于非充分发作后对应样本熵值,表明癫痫充分发作可以有效增加脑电信号的规律性,降低脑电信号的复杂程度。利用t检验对结果进行分析,证明了该方法的可行性和准确性,其将为MECT治疗的疗效评估和临床规划提供有效的量化指标。

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。