改进的小波包-特征熵在高压断路器故障诊断中的应用

在详细介绍小波包与特征熵的基础上,将二者结合提出了一种诊断高压断路器机械故障的新方法,并给出了切实可行的诊断步骤和分析。该方法首先将断路器基座振动信号进行3层小波包分解,提取第3层各节点重构信号的包络;然后利用正常状态标准信号所得各包络信号的等能量分段方式,实现对应节点待测状态信号包络的时间轴分段,并利用各分段积分能量、按照熵理论提取特征熵向量;最后构造简单的BP神经网络实现特征熵向量的分类。经正常和2种故障状态下高压断路器无负载振动信号测试,证明该方法检测高压断路器故障简单、准确,为断路器的故障诊断开拓了新的思路。

小波包-特征熵在高压断路器故障诊断中的应用

在详细介绍小波包和特征熵的基础上,提出了一种基于振动信号的断路器机械故障诊断新方法。该方法首先在振动信号小波包分解的第3层各节点重构信号,并提取包络;而后利用包络信号的分段能量,计算小波包一特征熵向量;最后将正常状态和待测状态下所得向量之间的欧氏距离作为诊断参量。对某少油断路器无负载开断振动信号的分析证实,该方法检测断路器故障简单、准确,能同时在时域和频域检测断路器状态的变化。

小波包特征熵神经网络在尾水管故障诊断中的应用

为精确诊断水轮机尾水管涡带,该文提出一种基于小波包特征熵的神经网络故障诊断新方法。对采集到的尾水管压力脉动信号进行三层小波包分解,提取小波包特征熵,然后构造信号的小波包特征熵向量,并以此向量作为故障样本对三层 BP 神经网络进行训练,实现智能化故障诊断。试验结果表明训练成功的BP网络能够很好地诊断机组尾水管是否发生涡带以及涡带的严重程度,为水轮机故障诊断开辟新的途径。

小波包特征熵提取水轮机尾水管动态特性信息

将小波包多分辨与信息熵相结合,提出了一种故障检测与诊断的方法——小波包特征熵一故障法。首先对采集到的振动信号进行3层小波包分解,在通频范围内得到分布在不同频段内的分解序列,进而建立信号的小波包特征熵向量,选取最能反映故障特征的参数作为特征参数,进行故障诊断识别。以水轮机尾水管压力脉动信号为例,运用此法进行了尾水管动态特性信息提取。试验表明小波包特征熵法是提取故障信息并进行故障识别的一种行之有效的方法,为流体机械的故障诊断开拓了新的思路。

基于CEEMDAN-云模型特征熵和LSSVM的磨机负荷预测研究

针对球磨机磨矿过程中负荷难以检测和不能准确判断负荷状态的问题,提出了一种基于CEEMDAN-云模型特征熵和LSSVM的磨机负荷预测方法,用完整集成经验分解算法(CEEMDAN)对不同负荷的磨机振动信号进行分解,由相关系数法选取敏感模态分量重构信号,利用逆向云发生器计算重构信号的云模型特征熵作为信号的特征参数,运用正向云发生器生成云模型特征向量的云滴图,结果表明,欠负荷、正常负荷、过负荷之间的熵值差异很大,可以较好地区分和识别磨机负荷状态;将云模型特征向量作为最小二乘支持向量机(LSSVM)的输入,料球比、充填率为输出,建立磨机负荷预测模型;通过磨矿实验验证了该方法的有效性,模型能够准确预测磨机负荷状态。

基于声振联合特征熵的断路器故障诊断方法

针对断路器机械故障复杂、诊断困难的现状,提出了一种基于声振联合分析的断路器故障诊断方法。利用小波包和特征熵理论对采集到的振动和声音信号进行分解和特征提取,故障状态与正常状态之间的差异由特征熵矩阵之间的偏差来反映。将形成的特征熵矩阵作为支持向量机的输入特征向量,对断路器的卡涩和螺丝松动故障进行了分类识别,并与传统的单一信号故障诊断方法进行了比较。结果表明:以声振联合特征熵矩阵作为输入的支持向量机,在分类的效果上明显优于单信号,更适合在断路器故障识别中应用。

小波包特征熵提取水电机组轴心轨迹形状

将小波包多分辨与信息熵相结合,提出了一种提纯水电机组轴心轨迹的方法——小波包特征熵法。首先对采集到的摆度信号进行小波包分解,在通频范围内得到分布在不同频段内的分解序列,进而提取其小波包特征熵,选取占信号特征熵比较大的几个主要小波包进行信号重构,得出能清晰反映轴心轨迹形状特征的提纯信号。

基于小波包特征熵SVM的压缩机气阀故障诊断研究

针对气阀信号信噪比低、特征提取困难及故障样本较少、难以建立可靠的故障识别模型的问题,提出基于小波包特征熵支持向量机的气阀故障诊断方法。首先选择容错性较强的信息熵作为特征参数,通过对信号小波包分解,提取故障敏感频带的小波包特征熵作为输入向量,采用仅有的故障训练样本构建SVM分类器,建立气阀故障诊断模型。试验表明,该方法对小样本情形下气阀故障的非线性模式分类问题体现了良好的适应性,且具有特征提取工作量小的特点。

基于倒谱特征和小波包特征熵的直升机声目标识别

提出了一种将倒谱特征和小波包特征熵相结合的直升机声目标识别新算法,首先分析了直升机声信号的特点,计算了声信号的MFCC(MEL频率倒谱系数)、差分MFCC(差分MEL频率倒谱系数)和小波包分解后各个频带内的小波包特征熵组成的特征向量,并以此向量输入反向误差传播(Back Propagation,BP)神经网络进行训练,再用训练好的神经网络进行不同直升机型号的识别,最后给出了统计结果。结果表明:该算法对直升机机型的识别有较好的效果。

小波包特征熵分解的图像水印算法

提出了一种小波包特征熵分解的自适应图像水印算法。该算法通过对宿主图像进行小波包特征熵分解,在高频系数中选取合适的阈值来区分高频系数中图像的纹理细节信息和噪声信息,将水印信息自适应地嵌入到高频系数当中。实验表明,该水印算法对噪声、JPEG2000压缩、滤波、改变对比度、几何剪切等攻击都具有一定的健壮性。

基于小波包特征熵的高速列车监测数据的特征分析

将高速列车在不同工况和速度下的监测数据进行傅里叶分析用来确定各种不同工况信号的频率范围,再对不同工况和速度下的信号进行小波包分解,并重构通频范围内前几个低频带信号,进而建立信号的小波包特征熵向量,不同频带信号的小波包特征熵变化反映了列车运行状态的改变,最后将得到的小波包特征熵向量输入支持向量机进行故障识别。仿真分析结果表明该方法对高速列车故障状态识别是有效、可行的。

小波包特征熵在级联式变频器故障诊断中的应用

为精确诊断级联式变频器功率器件开路故障,提出了一种基于小波包特征熵的故障信号提取方法。对采集到的级联式变频器相电压信号进行三层小波包分解,提取特征熵构造电压信号的特征熵向量,并以此作为故障诊断样本,利用概率神经网络进行故障诊断。仿真结果表明,基于小波包特征熵的信号提取方法在级联式变频器故障诊断的应用中具有较高的有效性与可行性。

局部特征熵的网格非均匀简化算法

针对三维模型简化后的精度与效率难以平衡的问题进行研究,提出一种局部特征熵的半边折叠非均匀网格简化算法。采用两次局部区域聚类探测,首先探测三维数据点所在边聚类局部区域,获取该探测区域法向量;其次以三维数据点邻近点区域的重心约束来探测二次聚类区域法向量。根据信息熵的定义,利用两次探测的法向量间的夹角信息构建局部区域特征熵值作为半边折叠的代价,局部区域特征熵越大表示该区域越趋于平面,应优先简化,否则当保留;最后采用三角形内角判断方法来保留简化后网格中三角形的正则度,以减小变形引起的误差。实验结果表明,本算法在三维模型分均匀简化中,在局部细节特性精度和时间效率上能达到较优的平衡。

基于小波包特征熵的飞机液压系统故障诊断方法研究

为精确诊断飞机液压系统故障,提出了一种基于小波包特征熵的神经网络故障诊断新方法。对采集到的飞机液压系统压力信号进行小波包分解,提取小波包特征熵,然后构造信号的小波包特征熵向量,并以此向量作为故障样本,利用ART1神经网络进行训练,实现智能化故障诊断。试验结果表明,训练成功的ART1网络能够很好地诊断出飞机液压系统是否发生故障,为飞机液压系统故障诊断开辟了新的途径。

基于小波包特征熵支持向量机的故障分类方法研究

提出了一种基于小波包特征熵和支持向量机相结合的故障分类方法,利用小波包分解提取信号的特征熵,然后将得到的特征熵向量输入支持向量机进行故障识别;通过对某型飞机液压系统试验中获取不同的故障特征数据进行分类,结果表明,该方法能利用较少的故障特征得到较高的诊断精度,与BP神经网络相比,采用支持向量机进行故障分类可以获得更高的识别率,表明该方法是有效、可行的。

基于小波包特征熵的碳纤维复合材料损伤声发射信号特征提取方法

针对碳纤维复合材料层合板弯曲失效过程开展了声发射监测试验,并对试验采集的声发射信号进行了K-均值聚类分析,提取了不同损伤类型的声发射信号,对每种损伤类型的信号利用小波包特征熵的分析方法,选取能反映不同损伤类型的特征参数,实现对碳纤维复合材料不同损伤信号的有效识别,为碳纤维复合材料的损伤监测提供了理论依据。

基于CEEMDAN-HD-云模型特征熵的油气管道工况识别

针对长输油气管道泄漏检测过程中泄漏信号特征信息提取困难,提出一种新的管道负压波信号特征提取方法。采用添加自适应噪声的完备集合经验模态分解算法对采集的负压波信号进行去噪,通过评估CEEMDAN分解后分量与原始信号的概率密度之间的豪斯多夫距离选取有效模态并重构。计算重构信号的云模型特征熵、峭度作为特征参数,用支持向量机进行分类识别。通过实验室数据验证,CEEMDAN、豪斯多夫距离与云模型特征熵结合的方法可以有效提高油气管道泄漏检测的准确性,实现了对流量小于4^(3) m/h的微小泄漏信号的识别,具有一定的现场应用价值。

基于小波包特征熵和粒子群优化的模拟电路故障诊断

随着电路系统集成化和复杂化的发展,电路故障诊断技术越来越受到学者的重视,其中模拟电路由于其自身的特殊性成为研究中的一个难点。本文运用小波包特征熵作为电路故障特征的提取方法,选取支持向量机作为故障分类器,采用粒子群算法优化支持向量机的参数,将优化后的支持向量机与小波包特征熵相结合,共同完成对模拟电路故障的识别。通过对仿真实例的分析,验证该诊断方法的有效性和实用性。

小波包特征熵-神经网络在轴承故障诊断中的应用

提出了一种基于小波包特征熵-神经网络的轴承故障诊断新方法。首先对采集到的轴承的振动信号进行三层小波包分解,提取小波包特征熵,然后构造信号的小波包特征向量,并以此向量作为故障样本对三层BP神经网络进行训练,实现智能化故障诊断。仿真结果表明该方法有效可行。

一种基于小波特征熵的液压系统故障信号去噪方法

针对故障诊断的需要和信号特点,提出一种基于小波特征熵的去噪新方法。该方法基于小波特征熵判断有用信号所在频带,重构所在频带系数,得到去噪信号。将该方法和阈值去噪法应用到液压系统压力信号中,去噪结果证明该方法比阈值去噪法更有效。