一种新的对数能量谱熵语音端点检测方法

将一种新的对数能量(LE)特征和谱熵(SE)特征相结合,提出一种新的对数能量谱熵(LESE)特征,采用模糊C均值聚类算法和贝叶斯信息准则算法进行LESE特征门限估计,并使用双门限法进行语音端点检测.在TIMIT连续语音库上的实验结果表明,相比于能量谱熵(EE)法和对数能量(LE)法,在噪声环境下LESE法具有更好的检测性能,表现出更好的稳健性.当信噪比为-5 dB时,LESE法的检测错误率仅为18.02%,在信噪比为0～10 dB时,其检测错误率要明显低于EE法和LE法.

基于能量谱熵及小波神经网络的有源中性点钳位三电平逆变器故障诊断

功率开关器件是逆变器核心组成部分,其故障特征参数的提取及分类方法是故障诊断和预测的重要技术基础,对于提高逆变器可靠性具有重要意义。以有源中性点钳位(ANPC)三电平逆变器的IGBT开路故障诊断为例,首先提出一种基于能量谱熵及小波神经网络的故障诊断方法,采用ANPC三电平逆变器上、中、下桥臂电压作为测量信号,通过小波包能量谱熵提取桥臂电压信号特征,并利用核主成分分析对特征向量进行优化;其次利用自适应矩估计小波神经网络(A-WNN)建立故障字典;最后通过搭建实验平台验证了算法的可行性。实验结果表明,A-WNN具有故障特征辨识速度快、精度高等优点,适用于ANPC三电平逆变器实时故障诊断。

基于关联维数和小波能量谱熵的碰摩故障智能诊断

提取了转静碰摩故障的关联维数和小波能量谱熵特征,构造了基于支持向量机的碰摩故障智能诊断模型。首先,基于转子碰摩动力学仿真模型,进行了关联维数和小波能量谱熵对碰摩故障的灵敏度分析,然后,以碰摩故障仿真样本为学习样本,利用SVM构造了碰摩故障分类器,得出了用于识别碰摩故障的SVM判别函数;最后,利用航空发动机转子故障实验器,通过实验得到碰摩故障实验样本,对其进行降噪处理,计算其关联维数和能量谱熵后,代入SVM判别函数,直接判别是否出现碰摩故障。实验结果验证了该方法的有效性。

基于DSP的变压器振动信号的小波能量谱熵提取

变压器器身的振动信号含有丰富的故障信息,利用振动法进行变压器运行状况的在线监测已经成为变压器故障诊断的研究重点之一。结合小波变换与信息熵的理论,采用变压器振动信号的小波能量谱熵作为故障诊断的特征信号,同时利用DSP芯片TMS320F2812作为核心芯片,设计并完成对变压器振动信号的采集和小波能量谱熵的提取。结果表明,变压器正常运行与故障运行时的小波包能量谱熵存在差异。因此,该方法能够有效提取变压器振动信号的特征值,为后续故障诊断提供有力的依据。

基于能量谱熵的英语摩擦音检测方法

根据摩擦音发声时的频谱特点,提出一种基于能量谱熵的摩擦音检测方法.该方法首先利用不同音素的语谱能量特点检测出音素边界.然后计算每个语音段的能量谱熵,并将超过阈值的语音段作为候选.最后根据语音段的长度、开始结束时的能量突变等对特征候选语音段后处理,去除错误候选.实验表明,在干净环境中并且容错误差为20 ms时,摩擦音的检测率达到96.9%.

一种基于小波包能量谱熵的机电故障分类方法

机电系统的复杂化对设备故障的分类判型提出更高要求。据此提出一种基于小波包能量谱熵的机电故障分类方法。这种方法可以通过对不同故障信号对应的故障信息进行特征提取,以信号的小波包能量谱熵的提取原理为核心,结合支持向量机技术实现对不同故障特征的学习训练,进而实现对机电系统具体故障的分类识别。仿真结果证明其在不同机电系统故障情况下故障分类识别的效果,并为实际工程中机电系统的故障检测与分类识别提供了一种新思路。

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。

基于小波包相关频带谱能量熵的滚动轴承性能退化评估方法

滚动轴承在使用过程中会经历不同的性能退化状态。提出小波包相关频带谱能量熵以评估滚动轴承初始性能退化程度。以滚动轴承全寿命周期数据为支撑,对数据进行小波包分解,并利用相关系数法提取包含主要故障信息的时频分量,然后沿时间轴计算各频带幅值谱,再计算谱能量熵。通过实验与时域典型指标均方根值(RMS),以及小波包频带幅值谱熵和小波包频带谱能量熵评估指标进行对比,验证了所提方法在滚动轴承性能退化评估中,对初始故障的评估具有一定的优越性。

基于LMD边际谱能量熵与FWA-SVM的变压器绕组松动诊断

变压器空载合闸的振动信号包含了丰富的机械特征信息,为了实现对变压器绕组松动故障诊断,提出了一种局部均值分解(LMD)边际谱能量熵与烟花算法优化支持向量机(FWA-SVM)的方法。通过LMD提取若干反映变压器合闸过程绕组状态信息的乘积函数(Product Function, PF)分量;依据各PF分量相关系数与能量分布,将前6阶PF分量进行希尔伯特变换,并求取对变压器绕组状态变化敏感的边际谱能量熵作为特征向量;将特征向量输入到烟花算法(FWA)优化的支持向量机(SVM)分类器,实现变压器绕组轻微松动故障早期预警。实验结果表明:基于LMD边际谱能量熵能准确反映故障特征,FWA-SVM诊断方法在少量样本情况下仍有较高的故障辨识度。

基于小波能量熵和粗糙集的振动故障诊断研究

通过对不同振动故障信号进行小波包分解,得到若干个小波分解系数,进而从中获得各小波系数能量,并以此为特征进行基于粗糙集理论的特征约简分析,根据约简后生成的诊断规则对故障样本进行诊断,在确定故障的基础上,通过小波能量谱熵来衡量故障严重程度。实验结果显示通过基于粗糙集理论的RSES软件实现故障诊断准确率较高,同时能量谱熵参数可以在一定程度上衡量故障程度。

车载环境下基于样本熵的语音端点检测方法

在语音处理中一个关键性问题是如何准确找到语音的起止位置,目前提出许多的语音端点检测算法不能得到理想的检测结果.由于样本熵是近似熵的改进算法,提出车载环境下基于样本熵的语音端点检测方法,并采用模糊C均值聚类算法和贝叶斯信息判决算法进行样本熵特征门限估计,以及使用双门限法进行语音端点检测.在TIMIT连续语音库上的实验表明,车载噪声环境下,样本熵法和近似熵法的检测正确率均远高于谱熵法和能量谱熵法,而样本熵法相对于近似熵法具有更好的检测效果,特别是当信噪比小于等于0dB时,样本熵法的检测性能优于近似熵法近10%.因此,样本熵法在车载智能语音领域具有很好的应用前景,能够为车载导航提供准确的语音端点检测技术.

噪声环境下无波前探测自适应光学系统扩展目标成像校正

无波前探测自适应光学扩展目标成像应用中,成像噪声的污染严重影响着自适应光学系统的校正能力,尤其是像差较大的情况下。选取对噪声不敏感的图像质量标准作为控制算法优化的目标函数是一种可能途径。文中把图像的能量谱熵作为控制算法的目标函数,使用61单元变形镜、随机并行梯度下降算法建立无波前探测自适应光学系统扩展目标成像校正模型。结果表明能量谱熵值的大小能准确地反映出有、无噪声时的图像质量变化情况。把能量谱熵作为自适应光学系统的性能指标函数时,尽管校正效果相比无噪声时有所降低,但情况最坏时斯特列而比SR值仅降低了0.1左右(SNR=5dB),自适应光学系统校正能力受噪声的影响显著减小。

转子碰摩严重程度量化检测方法研究

基于分形理论、熵理论及小波变换方法,提出用关联维数和小波能量谱熵对转子系统不同碰摩程度进行量化检测的方法。首先,利用转子碰摩模型仿真了不同碰摩程度下的振动信号,并计算了信号的关联维数和小波能量谱熵,研究了关联维数和小波能量谱熵随转子不同碰摩程度的变化规律,发现这两种特征量与转子碰摩程度之间存在良好的相关性,表明其可以作为转子碰摩程度量化检测的重要特征量。最后,利用ZT-3多功能转子实验器,模拟了不同碰摩状态的振动信号,对该方法进行实验验证。结果表明:关联维数和小波能量谱熵对转子碰摩严重程度量化检测的有效性。

一种新的声发射时差定位方法

基于声发射信号具有与语音信号相似的非线性和非平稳性的特点,结合语音信号端点检测原理,将谱熵能量积引入声发射信号到达时间的测量中,以此计算出声发射信号的到达时间,进而由时差计算声发射源的位置。在实验中,构造声发射源面定位实验,并通过数学方法消除速度参量,使定位结果仅与到达时间有直接关系。以此计算声发射源坐标,该方法有效提高了定位精度,其中相对定位误差最大为2.49%。

综合高低频段分量的谐振接地系统故障选线

针对谐振接地系统单相接地故障特征提取困难、故障识别率低的问题,提出一种基于参数优化变分模态分解VMD(variational modal decomposition)的选线方法。首先,利用果蝇优化算法对变分模态分解的影响参数组合进行迭代寻优,以获取最佳分解层数K及惩罚因子α,通过优化后的变分模态分解将各馈线零序电流分解为若干个反映信号局部特性的本征模态函数。其次,通过希尔伯特(Hilbert)边际谱能量熵反映各馈线零序电流低频段衰减直流分量的含量差异度,利用曲线斜率反映各馈线高频段暂态电容分量与母线零序电压导数的线性关系,构成综合高、低频段故障特征的双重选线判据。大量Matlab/Simulink仿真结果验证了该方法在不同故障情况下选线的准确性。

基于连续隐马尔可夫的滚动轴承故障诊断

针对滚动轴承发生故障时呈现出的循环平稳特征,提出基于二阶循环平稳的谱相关密度组合切片能量熵-连续隐马尔可夫(SEESCD-CHMM)的滚动轴承故障诊断方法.首先用SEESCD分析方法对滚动轴承4种工作状态(正常、内圈故障、外圈故障和滚动体故障)的数据进行特征提取组成训练特征向量;然后用训练特征向量对CHMM进行模型训练,取得CHMM模型的最优参数;最后用谱SEESCD分析方法对测试数据进行特征提取得到测试特征向量,用训练好的隐马尔科夫(HMM)模型对测试特征向量进行诊断,取得了准确率较高的诊断结果.

改进变分模态分解的铣刀磨损状态监测方法

针对铣刀切削时磨损特征声音信号较微弱、难以分解和提取的问题,提出改进变分模态分解VMD边际谱能量熵比与最小二乘支持向量机LS-SVM相结合的铣刀磨损状态监测方法,以多尺度排列熵为目标函数,利用自适应遗传算法优化VMD参数,获得信号的最佳分解。通过监测铣刀磨损状态,分析三种状态铣削声音信号,采用改进VMD提取信号的边际谱能量熵比特征,输入到LS-SVM中确定铣刀磨损状态。结果表明,该方法可以有效提取铣刀磨损状态信息,在小样本情况下,对铣刀磨损状态的监测识别准确率可达100%,具有较好的实用性。