基于经验模态分解和小波包能量熵的杉木加载过程中细观损伤监测与识别

【目的】细观损伤是承载木材断裂的主要原因之一。木材的多孔层状结构使其损伤过程变得复杂,针对单一信号处理方法较难充分挖掘木材断裂声发射信号中的细观损伤信息,造成识别信息不充分、不完备的问题。本研究提出通过经验模态分解(EMD)和小波包能量熵结合的信号处理方法,通过声发射无损检测手段,识别杉木加载过程中的细观损伤类型。【方法】以杉木为研究对象,进行单轴压缩、双悬臂梁和顺纹拉伸3种单一损伤试验,并对其进行加载过程中声发射信号的采集、监测与分析。通过小波包阈值法消除损伤试验中采集的声发射信号噪声,经由EMD和相关系数计算,分离出最能体现杉木细观损伤特征的本征模态(IMF)分量,并对IMF分量进行基于傅里叶变换的峰值频率分析和小波包能量熵分析,提取杉木细观损伤的特征。【结果】(1)EMD和小波包能量熵结合的信号处理方法能够判断杉木加载过程中声发射信号对应的细观损伤类型与构成。(2)杉木不同细观损伤类型的声发射信号对应不同的小波包能量熵区间:胞壁屈曲与塌溃(0.69~0.99)、层间开裂(1.57~1.78)、纤维束断裂(1.92~2.27)。(3)宏观断口观察和电镜显微分析验证了该方法的准确性。【结论】经验模态分解–小波包能量熵法避免了声发射信号模态堆叠的影响,并解决了木材细观损伤复杂且难以识别的问题,为杉木木材断裂的早期诊断方法提供了理论支撑。

基于小波包分解与CEEMDAN能量熵的水电机组振动信号特征提取

针对水电机组振动信号非平稳、非线性及噪声问题,提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与能量熵结合的特征提取方法,首先对采集的振动信号进行小波包降噪处理,然后对降噪后信号进行CEEMDAN分解,运用相关系数法筛选有效固有模态函数(IMF)并计算其能量熵,由此构建特征向量集,最后将其输入到海洋捕食者优化支持向量机算法(MPA-SVM)进行模式识别。基于模拟信号、实测信号验证所提特征提取方法的有效性,并与其他方法作对比。结果表明,基于小波包分解与CEEMDAN能量熵的特征提取方法能准确提取特征,有效区分机组不同状态,为工程领域提供了应用价值。

基于优化VMD和能量相对熵的地铁车载电容状态识别

针对地铁车载电容性能退化无明显征兆这一现状,提出一种基于优化变分模态分解(variational mode decomposition,VMD)和能量相对熵的电容状态识别方法。通过Matlab仿真建模,提取电容在正常状态和不同退化情况下负载侧输出电压信号并利用优化VMD进行分解得到若干模态分量。将其作为特征样本,对上述各状态的本征模态分量的能量特征向量进行相对熵分析,得到电容退化识别阈值。实际应用时,将待测电路的能量相对熵值与识别阈值进行比较从而完成电容状态识别。分析结果表明,此方法简单有效,判断正确率为93.3%。

基于EMD分量与小波包能量熵的轧辊磨削颤振在线预测

针对轧辊磨削颤振时的时频域单一处理方法存在部分特征丢失的问题,提出了时频域相结合的方法对信号进行特征处理,并利用智能算法实现轧辊磨削颤振的在线预测。首先,利用经验模态分解(empirical mode decomposition,EMD)方法对振动传感器信号进行分解获得各固有模态函数(intrinsic mode function,IMF),剔除“虚假分量”后计算表征轧辊磨削颤振的时域特征。然后,利用小波包能量熵对声发射传感器信号求解频率段节点能量熵值,获得表征轧辊磨削颤振的频域特征。最后,将上述时频域特征降维后代入智能算法模型实现对轧辊磨削加工的在线预测。结果表明:LV-SVM模型的磨削颤振分类平均准确率达92.75%,模型平均响应时间为0.7765 s;验证了时频域特性的EMD和小波包能量熵方法的LV-SVM在线预测轧辊磨削颤振的有效性。

基于改进小波包能量熵和阈值自适应的切削颤振在线监测

颤振是影响机床加工质量的重要原因之一,传统的颤振监测算法对颤振孕育阶段的感知灵敏度低,且监测阈值的设定不具备泛化性和实时性,针对该问题提出了一种能够自适应地识别早期颤振的在线监测方法。首先使用改进的小波包能量熵算法(IWPEE)提取颤振特征,在提高识别精度和鲁棒性的同时降低了计算量。其次基于改进的拉依达准则确定颤振监测阈值,使系统能够根据不同的加工条件自适应地计算颤振监测阈值。然后根据实际加工监测需求开发高效颤振在线监测软件,并且通过仿真信号和切削试验验证了本文所提算法的有效性。结果表明,IWPEE算法相较于传统熵值判定法,识别灵敏度提高了360%,改进的拉依达准则能自适应地确定阈值并成功在颤振孕育阶段将其监测出来,相较于传统阈值算法在阈值稳定性和适应性上有显著提升。

基于VMD能量熵和GA-SVM的焊接冷裂纹声发射信号分类方法研究

针对低合金高强钢焊接过程中存在焊接工艺不规范导致的延迟冷裂纹,提出一种监测与分类识别方法。首先利用声发射(AE)技术对焊后试件进行持续监测,之后根据出现冷裂纹试件的监测数据选取冷裂纹声发射信号中的起裂信号和氢聚信号,并对两者进行基于变分模态分解(VMD)的能量熵特征提取,最后利用遗传算法(GA)将传统支持向量机(SVM)进行改进后对信号进行分类识别,并结合传统支持向量机(SVM)的识别分类结果进行对比。同时为了验证VMD能量熵相较于其他能量熵在特征提取上的精准性,将提取冷裂纹声发射信号的EMD能量熵和CEEMDAN能量熵进行分类识别效果对比。结果表明,利用VMD能量熵作为焊接冷裂纹声发射信号的识别特征相较于其他能量熵特征识别精度更高,且随着支持向量机的优化识别精度会进一步提高到95%。

基于TVFEMD-IMF能量熵增量的桥梁监测数据降噪方法

针对桥梁监测数据受多重噪声干扰、影响结构真实响应获取的问题,提出了一种基于时变滤波经验模态分解(time-varying filtering empirical mode decomposition,简称TVFEMD)和本征模函数(intrinsic mode function,简称IMF)能量熵增量的桥梁监测数据降噪方法。首先,利用TVFEMD分解桥梁原始监测数据,得到多个子序列;其次,采用IMF能量熵增量确定多个子序列中的有效子序列;然后,划分子序列中的结构响应分量和噪声分量,对结构响应分量重组实现监测数据降噪;最后,利用平均绝对误差(mean absolute error,简称MAE)、均方根误差(root mean squared error,简称RMSE)和信噪比(signal-noise ratio,简称SNR)对不同方法的降噪效果进行评价。仿真算例和工程实例结果表明:TVFEMD相比经验模态分解(empirical mode decomposition,简称EMD),有效解决了模态混叠问题;TVFEMD结合IMF能量熵增量方法,有效抑制了多重噪声影响,对结果精度有较大提升;与EMD-IMF能量熵增量和Kalman滤波降噪法相比,TVFEMD-IMF能量熵增量法所得到降噪信号的MAE和RMSE值分别提升了23%和21%以上,降噪效果更好,信噪比提升38%以上,抗噪性能更佳。

基于变分模态分解能量熵混合时域特征和随机森林的故障电弧检测方法

在家庭生活用电器中,非线性负载电器逐渐增多。这一趋势使基于电弧“零休”特性的传统故障电流检测方法无法准确识别故障现象,因此本文提出一种基于信号时域特征结合变分模态分解固有模态能量熵的随机森林故障电弧识别方法。以线路电流为分析对象,先提取其时频特征量,再采用变分模态分解算法对故障电弧电流进行分解得到模态分量并计算其能量熵。以时域、能量熵特征构成多维特征向量,输入随机森林模型中对信号类型进行分类决策,进而识别故障电弧。实验发现,相比于其他方法,本文所提方法的故障电弧识别准确率可达99%,且适用于多种典型负载和非线性负载工作的低压配电故障电弧识别。

基于LMD边际谱能量熵的高压断路器机械故障诊断

断路器分合闸振动信号蕴含着丰富的机械特征信息,为准确提取其特征,提出一种基于LMD边际谱能量熵与GPSO算法相结合的高压断路器机械故障诊断方法。首先将原始振动信号进行小波软阈值去噪处理,然后将去噪后的信号利用LMD进行分解,获取若干反映断路器操动过程中机械状态信息的PF分量;然后依据各PF分量与原始信号相关性确定包含主要状态信息的PF分量,并将前3阶分量进行希尔伯特变换(Hilbert变换),求取其边际谱能量熵作为特征向量;最后将特征向量输入到GPSO-SVM分类器,实现断路器机械故障诊断。实验结果表明:LMD边际谱能量熵能准确反映断路器机械故障特征,GPSO-SVM可有效辨识断路器机械故障。

基于小波包能量熵-BP神经网络的核电站阀门远传机构故障诊断研究

核电站阀门远传机构长期运行在恶劣工况下,当出现故障时会使核电站中关键阀门无法正常开闭,严重时导致设备停机检修,从而造成经济损失。针对这一问题,本文提出一种小波包能量熵-BP神经网络的阀门远传机构故障诊断方法。阀门远传机构样机搭建LabWindows/CVI振动信号采集试验平台,使用小波包算法对故障信号进行分解与重构,并提取小波包能量熵来构造故障特征向量,输入到BP神经网络训练后,经MATLAB仿真运行,验证了该方法的可行性和有效性。

基于EEMD能量熵和GJO-KELM的滚动轴承故障诊断

滚动轴承在旋转机械中发挥着重要作用,若出现故障,轻则引起设备停机,重则危及现场人员生命安全,因此有必要对其进行故障诊断。针对滚动轴承故障特征难以提取,传统分类方法正确率不高的问题,本文提出一种基于集合经验模态分解(EEMD)能量熵和金豺优化算法(GJO)优化核极限学习机(KELM)的故障诊断方法,实现了提取滚动轴承故障特征并正确分类的目标。通过实验数据进行验证,该方法能够提取到滚动轴承原始信号中隐含的故障信息特征,其诊断正确率高达98.47%。

基于能量熵和自适应神经模糊推理系统的齿轮故障诊断

为了解决齿轮振动信号中出现噪声污染严重,故障特征信息提取困难的问题,提出了基于能量熵和自适应神经模糊推理系统(ANFIS)的齿轮故障诊断方法。将预处理后的振动信号作自适应噪声完备经验模式(CEEMDAN)分解,可获得不同尺度的本征模态函数(IMF);由于各IMF包含主要故障特征信息,且不同故障状态下各IMF分布有明显不同,因此通过计算能量熵来量化故障时频域特征,构造出表征模态分量信息的特征向量;以此输入ANFIS进行样本的学习和训练,在自适应调整网络参数和隶属函数后,获得最优ANFIS。实验结果表明:该方法诊断结果准确率近乎100%,可有效地识别故障类型。

基于小波能量熵的电磁式电压互感器绕组故障检测

电磁式电压互感器高压绕组层数多,绕组端部电场变化剧烈,长期运行极易导致绕组层间绝缘故障。为进一步提高绕组层间故障诊断的可靠性,提出一种基于冲击响应电压小波能量熵的电磁式电压互感器绕组绝缘检测方法。该方法采用高压脉冲波对正常电压互感器和故障电压互感器原边分别进行冲击实验,利用sym4小波对高压绕组冲击响应电压信号进行离散小波分解和重构以消除噪声信号的干扰,并用重构的信号计算小波能量熵,作为绕组层间故障诊断的特征参量。实验结果表明正常绕组与放电故障和短路故障绕组的小波能量熵区分度为86.5%和28.3%,可以有效判别绕组层间绝缘状态,根据故障绕组的小波能量熵值大小可以较好地区分故障类型。

基于EMD能量熵的受电弓滑板振动特性分析与诊断

结合检测数据,对高速运行下受电弓滑板振动特性进行研究,提出了基于经验模态分解(EMD)的滑板异常振动诊断方法。首先,开展国内外弓网振动评价体系研究。其次,通过分析线路试验数据,得出高速运行时DSA380型受电弓滑板垂向加速度能量主要集中在278、550 Hz附近,且振动主频为278 Hz。通过ANSYS计算滑板垂向第3、5阶模态频率为279.65、531.47 Hz,与线路试验结果相近。该结果反映我国弓网振动评价体系主要表征受电弓碳滑板的弹性振动,且DSA380型受电弓滑板高速运行时振动响应主频为滑板3阶模态频率。最后,应用经验模态分解对振动数据进行自适应分解得到若干本征模态函数(IMF)。当滑板异常振动时,能量集中分布于滑板3阶模态频率处,能量熵较正常状态大幅减小,因而可采用能量熵作为评价指数,评判滑板工作状态。

基于小波包能量熵与VDM的变电站变压器局部放电在线检测方法

为了精准且及时地感知变压器局部放电等异常现象,以某变电站变压器为例,开展局部放电在线检测方法的研究。采用小波分析法,对不同种类的放电参数进行分段采集与分析;采集变压器在常态化条件下运行的原始信号,根据小波包能量熵提出的能量守恒原则,引进小波包能量熵与VDM,进行变压器局部能量熵的提取;根据变压器放电的等值分析,获取等效电容中的电压值,以此为依据,实现对变电站变压器局部放电的在线检测及放电强弱的判断。实验结果表明,设计的方法可以实现对变压器局部放电的精准识别与检测。

基于小波能量熵的水电站直流系统接地故障自动诊断

为提高水电站直流系统接地故障诊断精度,引入小波能量熵,开展水电站直流系统接地故障自动诊断方法设计研究。将多个电阻器并联在一起,实现水电站直流系统接地电阻并联值测量。利用小波能量熵,对直流系统接地故障多尺度进行分析。结合得到的特征信息,完成小波熵接地检测与故障自动诊断。通过对比实验证明,新的诊断方法在实际应用中可以实现对直流系统接地故障的高精度诊断,并确定故障发生时间和故障具体类型。

基于CEEMD能量熵与极限学习机的滚动轴承故障诊断方法

鉴于滚动轴承振动信号具有非线性、非平稳的特点以及难以获得大量典型故障样本的现实情况,提出了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)与极限学习机(extreme learn-ing machines,ELM)相结合的滚动轴承故障诊断方法.采用CEEMD方法对滚动轴承非平稳的原始加速度振动信号进行分解,得到若干个平稳的本征模函数(intrinsic mode function,IMF)分量,计算不同状态下滚动轴承振动信号经CEEMD分解后各IMF分量的能量熵,从蕴含着主要故障信息的IMF分量中提取出能量特征,对其进行T分布随机近邻嵌入(T-stochastic neighbor embedding,Tsne)聚类可视化分析,观察特征对滚动轴承状态的反映情况,将特征作为输入建立极限学习机,判断滚动轴承的工作状态和故障类型.使用美国凯斯西储大学公开的人工损伤轴承数据进行仿真实验,对轴承得不同运行状态的识别准确率可以达到95%,明显高于多分类支持向量机、K近邻等方法,该结果表明,所提方法在处理滚动轴承故障诊断问题上效果良好.

基于能量熵VMD最优分解与GRU循环神经网络的潮汐预测精度提升方法研究

为进一步提升潮汐预测精度,提高预测模型的多适应性,针对低频潮汐分潮智能化自适应提取困难、动态化处理分潮信息能力弱、单一预测模型对潮汐整体预测的局限性等问题,提出了一种基于能量熵的自适应最优变分模态分解VMD与门控循环单元神经网络GRU相结合的潮汐预测提升方法。首先,将潮汐数据归一化预处理,通过VMD对潮汐数据完成自适应变分模态分解,并根据不同分解层模态分量的能量熵判定最优分解层数,最后将最优分量标准化后经GRU单独预测合成,通过反归一化形成最终预测数据。经验证分析,在潮汐预测方面,GRU模型比LSTM、BiLSTM模型性能更优,均方根误差分别提升了53%和96.8%,而本文方法与单一GRU模型相比,均方根误差再次提升了81.3%,预测精度提升效果更加明显,对于潮汐分析与预测具有较高的推广应用价值。

基于移动多尺度重构的交互式能量熵齿轮故障诊断

为精确提取振动信号中表征齿轮故障类型与程度的敏感特征,提出一种基于移动多尺度重构的交互式能量熵(Moving Multi-scale Reconstruction Based Interactive Energy Entropy,MMR-IEE)齿轮故障诊断方法。通过移动均值重构获得齿轮振动信号在不同尺度下重构信号,利用相邻数据点构成滑动窗口使振动信号的信息提取更加充分;计算不同尺度通道下的原始信号与重构信号能量分布,采用交互式叠加法获得的特征向量表征因故障而导致的振动信号能量突变。在此基础上,结合k最邻近(k-Nearest Neighbor,kNN)模式分类器,提出一种新的齿轮故障诊断方法,并将提出的方法应用于齿轮实验数据分析。结果表明,MMR-IEE方法有强故障特征提取能力,不同转速与不同工况下,齿轮故障诊断准确率达到99%。

基于小波包能量熵的电力变压器运行状态评估方法研究

振动在线检测法在电力变压器机械故障诊断中的应用越来越广泛,在此基础上将能量熵引入电力变压器绕组振动信号的特征提取中。通过实验提取一台电力变压器绕组正常运行和短路冲击运行时的振动信号,运用小波包分解重构原理分解出信号的子频带,采用频段-能量熵方法来检测电力变压器绕组不同运行条件下短路故障类型。实验结果表明,不同机械状态下电力变压器绕组振动信号特征向量之间的差异性可作为故障诊断的依据。