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。

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ICEEMDAN多尺度熵与NGO-HKELM的转子故障诊断

针对电机转子故障信号非平稳、敏感的故障特征不能有效提取,传统分类器参数智能优化算法存在优化速度慢、调整参数多、易陷入局部最优等问题提出基于ICEEMDAN-MSE-KPCA与NGO-HKELM优化的转子故障诊断方法。首先,采用改进的自适应噪声完全集合经验模态分解(improved complete empirical mode decomposition with adaptive noise,ICEEMDAN)方法对转子振动信号进行分解和重构;计算重构信号的多尺度样本熵(multiscale sample entropy,MSE),形成特征向量,通过核主成分分析(kernel principal component analysis,KPCA)方法对高维的特征向量进行降维;最后,将降维后的特征向量输入北方苍鹰算法(northern goshawk optimization,NGO)优化的混合核极限学习机(hybrid extreme learning machine,HKELM)进行转子故障分类。研究结果表明,基于ICEEMDAN-MSE-KPCA与NGO-HKELM优化的转子故障诊断模型,平均识别准确率可达97.7273%,平均寻优时间为1.0681 s,收敛速度快、准确率高以及分类效果好。

基于多尺度样本熵改进极限学习机的列车转向架轴承故障诊断

列车转向架轴承受到轨道激扰、运行速度不确定、轨道接缝的冲击振动和其他部件振动因素的影响,轴承振动信号呈现非线性和非平稳性,导致其故障特征难以被提取,故障诊断准确率低。针对上述问题,文章提出一种基于多尺度样本熵改进极限学习机的列车转向架轴承故障诊断方法。其首先利用多尺度样本熵提取故障特征,构成特征向量集;然后利用粒子群算法优化极限学习机,得到输入权值和隐含节点阈值;最后,将特征向量集划分为测试集和训练集,利用改进的极限学习机作为模式识别算法进行故障模式识别。实验结果表明,本文提出的方法能够有效地进行故障模式识别,识别准确率达到96%,适用于列车轴承故障诊断。

基于LCD-SE-IWOA-KELM的短期风电功率区间预测

针对风电功率的不确定性、随机性以及已有的风电功率点预测无法反应其不确定性信息的问题,提出了基于局部特征尺度分解(LCD)-样本熵(SE)和改进鲸鱼优化算法(IWOA)优化核极限学习机(KELM)的短期风电功率区间预测模型。采用LCD分解来降低原始风电功率序列的非平稳性,通过测量各ISC分量的样本熵来重构新的序列以降低过多的分量对预测精度带来的影响,然后分别建立各新序列的区间预测模型,最后将各新序列的预测结果进行叠加获得最终预测结果。采用改进的WOA算法优化核极限学习机的参数。实验仿真表明,文中所提模型能够获得良好的区间预测结果,具有一定的实际意义和应用价值。

基于ICEEMDAN-MSE的左室舒张功能障碍心音信号的识别研究

左室舒张功能障碍(LVDD)加重会导致左室重构、室壁僵硬、顺应性降低,从而走向不可逆阶段并进展为射血分数保留型心力衰竭。为早期诊断LVDD,本文提出一种基于改进的自适应噪声完全集合经验模式分解(ICEEMDAN)多尺度样本熵(MSE)的心音特征结合逻辑回归模型的无创检测方法。首先,采用改进的小波去噪方法对心音信号进行预处理。其次,通过ICEEMDAN方法将非平稳的心音信号分解为多个反映心音本体特征的平稳的固有模态函数(IMF),再利用互相关系数准则筛选IMF,并提取所筛选IMF的MSE,以构成特征向量作为分类器的输入。最后,通过与其他3种分类模型的性能比较,将逻辑回归应用于LVDD识别。结果表明,该方法能有效提取心音特征,其准确率为89.85%,灵敏度为92.17%,特异度为87.63%,证明了采用心音信号对LVDD进行早期诊断的有效性。