基于CMSE理论和小生境遗传算法的结构多损伤检测方法研究

本文提供了一种基于交叉模态应变能简称CMSE(cross modal strain energy)和小生境遗传算法的结构多损伤位置和严重程度的有效检测方法。交叉模态应变能方法可以使用完好结构和损伤结构的任意一阶模态信息,并且可以使用极少量(例如只用一阶测量模态)的测量信息。不仅与传统的模态应变能方法相比有了很大的改进,而且对实际检测过程中的信息测量降低了要求。在损伤位置的检测中引入了小生境遗传算法,降低了计算量,提高了检测效率,有利于大型复杂结构的损伤位置检测。复合材料机翼盒段算例结果表明,CMSE方法与小生境遗传算法相结合是检测结构多损伤的有效方法之一。

基于MVMD与CMSE的水电机组摆度信号消噪方法

本文提出了一种基于多元变分模态分解(Multivariate Variational Mode Decomposition, MVMD)与复合多尺度熵(Composite Multi-scale Entropy, CMSE)的水电机组摆度信号消噪方法。该方法利用MVMD算法将多传感器同时采集的多通道摆度信号进行了同步分解,有效地提高了多通道数据融合处理能力,同时得到了若干个固有模态分量;采用复合多尺度熵阈值准则确定重构信号的固有模态分量个数,实现水电机组摆度信号的消噪。通过与VMD及小波分解方法进行仿真信号消噪对比,比较相关系数与信噪比,结果表明本文提出的方法具有更好的消噪效果。最后通过实例分析进一步验证了本文所提出的方法具有更好的信号消噪性能。

基于CMSE理论和遗传算法的结构损伤检测方法研究

提供了一种基于交叉模态应变能(CMSE)的结构损伤位置和严重程度的有效检测方法。传统的模态应变能方法必须比较损伤结构和完好结构的同一阶模态信息,并且要求解析的和测量的模态在尺度上一致或者标准化,而CMSE方法没有这样的限制。在损伤位置的检测上引入了遗传算法,有利于大型复杂结构的损伤位置检测。算例采用了复合材料机翼盒段模型,结果表明,CMSE方法与遗传算法相结合是检测结构损伤的有效方法之一。

面向电力传动设备运作状态监测的数据融合方法

电力传动设备通过监测平台判断其运行状态,而通过数据融合能够使平台监测信息处理结果更加精确,提高电网的稳定性。为此,设计面向电力传动设备运作状态监测的数据融合方法。利用CMSE准则改进EMD降噪技术,降噪处理传感器信号数据。通过多传感器时空配准将各传感器数据变换至同一个参考框架中。利用烟花算法改进BP神经网络,构建FWA-BP神经网络模型,实现电力传动设备运作状态监测数据融合。测试结果表明,设计方法设备监测数据融合的平均均方根误差低于1.0,平均绝对误差均值在1.5以下,设备运作状态监测的数据融合误差较小。

基于经验模态分解的RV减速器运动参数降噪研究

RV(rotate vector)减速器是现代智能装备中关键传动机构之一,其运动参数的检测信号噪声成分较高,影响了装备的运行精度和稳定性,提出了一种以经验模态分解(empirical mode decomposition,EMD)为基础的信号降噪方法,有效提取了RV减速器运动参数的准确信号。该方法采用连续均方误差(consecutive mean square error,CMSE)和l 2范数两个指标将EMD分解得到的固有模态函数(intrinsic mode function,IMF)区分为噪声IMF、噪声与信息相混合IMF、信息IMF 3个部分,采用不同策略对这三部分IMF进行处理并结合部分重构(part reconstruction,PR)策略实现了信号的降噪处理。采用该文章提出的降噪方法对RV40E减速器的检测信号进行处理,降噪后的信号信噪比得到明显改善,验证了该降噪方法的有效性。

改进EMD-小波分析的转子振动信号去噪方法

针对低信噪比转子振动信号的去噪问题,提出了EMD和小波分析相结合的去噪方法。首先对含噪信号进行EMD处理,利用连续均方误差准则对IMF分量进行高低频区分。然后设定不同的阈值,利用小波分析对高低频IMF分量进行有用信号的提取,将提取的信号和低频IMF分量叠加重构,实现降噪。为了验证所提方法的有效性,进行了数字仿真和转子振动信号降噪分析,结果表明,所提方法整体上优于EMD和小波阈值去噪方法。

基于EEMD的GPS高程时间序列噪声识别与提取

提出一种基于EEMD的GPS高程时间序列噪声识别与提取方法,将信号通过整体经验模式分解,再结合平均周期与能量密度乘积指标,改进了基于连续均方误差准则的噪声识别方法。通过中国两个CORS基准站高程时间序列信号噪声提取实验,结果表明改进后的方法能避免有物理意义的周期分量被误认为噪声,正确识别了信号与噪声的分界点。

基于精细复合多尺度熵与支持向量机的睡眠分期

提出将脑电信号与眼动信号的精细复合多尺度熵作为睡眠分期依据,利用多层次支持向量机的机器学习算法对睡眠进行自动分期.利用精细复合多尺度熵对睡眠信号进行特征提取,选用脑电以及眼电通道的信号,以保证输入特性的可靠性,并通过3层支持向量机实现了睡眠的自动分期.结果表明,分类器的输入参数可由熵值曲线的变化特征来确定.基于精细复合多尺度熵的多层次支持向量机算法的睡眠分期准确率达到85.3%,与已有的分类算法相比,所提出的算法更加均衡,且整体分类效果更佳.

脑电多尺度熵用于睡意检测的初步研究

目的 :探索脑电多尺度熵(multiscale entropy,MSE)用于区别清醒状态和睡意状态的可行性,对比多尺度熵和复合多尺度熵(composite multiscaleentropy,CMSE)检测结果,选择更可靠的熵值估算。方法:首先对较少数据点的仿真噪声进行MSE与CMSE分析,对比二者量化效果;其次采集18名青年男性志愿者清醒及睡意状态的脑电信号,对比不同数据点时MSE和CMSE的检测差异;最后对不同尺度下清醒及睡意状态的MSE和CMSE分别做统计检验,探索在同等条件下,特别在较少数据点时,何种方法能检测到更明显的状态差异。结果:当数据点足够时,MSE和CMSE检测结果近似;在数据点较少时,MSE和CMSE获得近似的熵值估算,但CMSE所得标准差更小。同等条件下,CMSE能取得更明显的检测结果。结论 :人体在睡意状态时脑电信号熵值下降,CMSE可用较少数据点获取更可信的熵值,更有效地区别清醒和睡意状态。