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。

多属性核函数快速向量机的污水在线软测量

针对污水生化处理过程复杂、在线仪表的维护困难等问题,提出了一种基于多属性高斯核函数的快速向量机在线污水软测量模型.该模型通过多属性高斯核来构造快速相关向量机的贝叶斯矩阵,通过引入快速边际似然算法来加快迭代更新的速度.将所提算法与支持向量机(SVM)、相关向量机(RVM)、快速相关向量机(FASTRVM)及几种基于不同核函数的快速相关向量机算法进行对比实验,结果表明所提方法可减小相关向量个数,提高预测精度,尤其可显著减少软测量建模的计算量.实验结果证明了该方法在污水系统在线软测量的有效性.