少年与中年脑电信号的多尺度符号序列熵分析

目的脑电信号的生理分析对于评估大脑功能的活跃程度、生理状态具有重要意义,脑电图(electroencephalography,EEG)是临床检查脑部疾病的一种手段,而影响脑电图结果的因素很多,其中年龄是不容忽视的因素之一。本论文提出多尺度符号序列熵(multiscale sign series entropy,MSSE)用于分析不同年龄阶段的β波脑电信号,采用符号化的方法来处理时间序列可以去除一些细节的信息而保留感兴趣的部分。方法首先依次对4组中年和少年的β波脑电数据从数据长度N、字长m和噪声等多个角度对其符号序列熵(sign series entropy,SSE)进行分析,验证了SSE能够正确区分中年和少年的β波脑电信号。接着基于SSE算法在多个尺度下对含噪声和去噪声的中年和少年的β波脑电信号进行分析。结果随着尺度的增加,含噪声与去噪声β波脑电信号SSE的值也同步升高,并且少年的SSE均高于中年的SSE。结论脑电信号的多尺度符号熵分析方法可以有效区分少年和中年β波脑电信号,并且在信号噪声的影响下也可对不同年龄段的β波脑电信号进行检测。

基于在线改进符号序列熵与逻辑回归模型的岸桥起升减速箱在线退化评估

针对岸桥起升减速箱的退化状态评估问题,提出一种基于在线改进符号序列熵(O_ISSE)与逻辑回归的退化状态在线评估方法.首先引入阈值因子,保留信号变化方向与幅值的“粗粒化”信息,降低原算法对于冲击成分的“敏感性”,提出改进后的符号序列熵(ISSE).采用滑动窗Weibull拟合的方法有效滤除ISSE特征序列中的波动影响,形成O_ISSE.最后,训练并建立逻辑回归模型,在线计算得到未知样本的健康因子H值,实现未知样本的状态识别.采用上港某码头在线监测的起升机构减速箱全寿命数据进行实例分析.研究结果表明,所提ISSE和逻辑回归模型方法能够挖掘信号中的复杂度变化规律,准确地跟踪并识别性能退化状态.

一种应用改进符号序列熵与滑动窗奇异值的退化特征提取方法

为了准确跟踪岸桥关键部件的性能退化状态,提出一种基于改进符号序列熵与滑动窗奇异值的在线退化特征提取方法。针对岸桥工况特殊、振动随机冲击频繁的特点,引入阈值因子并改进序列符号化方法,在保留方向变化信息的同时兼顾"粗粒化"的幅值变化信息,从而提高符号序列熵滤除随机冲击、刻画振动信号复杂度大小的能力。在线计算振动信号的改进符号序列熵,结合滑动窗方法,循环提取改进符号序列熵序列的奇异值,以此作为岸桥关键部件的在线退化特征。分别采用来自上海港集装箱码头的起升减速箱与轨道铰点的全寿命振动信号进行实例分析,结果表明:滑动窗奇异值能够刻画起升减速箱和轨道铰点的性能退化程度,退化程度越深,取值越大;并且具有计算稳定、快速的优点,能够为准确跟踪并评估健康状态奠定方法基础。

基于等分符号化序列熵的滚动轴承退化特征提取方法

为深入探究岸边集装箱起重机滚动轴承的退化特征,提出一种基于等分符号化序列熵的退化特征提取方法。考虑符号化标准的统一性,该方法以正常状态信号的均方根作为基础,建立统一的基本尺度,同时结合信息熵理论,定量衡量信号符号序列的复杂程度大小。实例分析表明,等分符号序列熵可以准确地衡量非线性时间序列的实际复杂水平,能够敏感地刻画滚动轴承性能退化的全过程,且计算速度快、抗噪能力强,适用于设备在线状态监测与特征分析。

雷达信号WVD主脊线符号熵特征提取

为增加雷达信号有效分选特征,研究了可供分选的新的脉內特征。利用ASTFT谱抑制的WVD兼具良好的时频边缘特性和抑制交叉项性能,对信号进行时频变换,提取出反映能量特性的时频脊线,并以脊线特征为对象,计算表征其复杂度的符号熵作为该信号的分选特征。仿真测试可知,新特征具有良好的可分性和抗噪声性能。

基于内禀模态符号熵的滚动轴承故障分析

经验模态分解(EMD)方法是一种自适应的局部化分析方法。首先采用EMD方法将滚动轴承振动信号分解为若干个内禀模态(IMF)分量,IMF分量是根据频率由高到低进行分解的。EMD分解得到的IMF分量突出了信号的局部特征,而轴承的故障特征通常在前几个IMF分量中集中体现出来。在此基础上将含有轴承故障特性的IMF分量转化为符号序列,再根据符号序列Shannon熵方法计算其熵值。由实测数据计算表明,内禀模态符号熵能够反映轴承不同的故障特征。