基于信息熵和Lempel-Ziv的生产线复杂性测度与线平衡

生产过程中的不确定因素常常造成生产线各工作站工作负荷不均,整线生产节拍紊乱甚至出现瓶颈工位等问题,最终导致平衡失效.针对此问题提出作业元素复杂度、工作站复杂度和整线复杂度测度方法,建立以平衡率最高、复杂度均衡指数最小和整线复杂度最小为目标的多目标优化模型,设计生产线平衡算法求解作业元素最优划分,并应用实例对方法进行验证.研究结果表明,该方法能够在保证生产线平衡率最高的同时,均衡工作站间复杂度差异和降低整线复杂度,避免不确定因素累积而导致生产线平衡失效,提高生产系统鲁棒性.

采用改进HVD与Lempel-Ziv复杂性测度的滚动轴承早期损伤程度评估方法

针对滚动轴承早期故障特征微弱难以定量检测的问题,提出一种基于希尔伯特振动分解(HVD)和Lempel-Ziv复杂性测度(LZC)的滚动轴承内外圈损伤程度评估方法。该方法利用HVD将滚动轴承故障信号分解为幅值由大到小、不同瞬时频率的HVD初始分量,基于峭度分析从各HVD初始分量中选出最优分量并重构该故障信号,采用均值符号化方法计算重构信号的LZC指标。关于HVD的端点效应问题,采用镜像延拓方法对其进行改进,仿真分析的结果表明,镜像延拓有效地改进了其端点效应的问题,提高了故障信号的分解精度;在此基础上,将HVDLZC方法应用于不同损伤程度的滚动轴承内外圈故障信号,结果表明该方法能够解除信号非线性、非平稳性干扰,快速提取信号的故障振动模式分量,给出内外圈各损伤状态的HVD-LZC特征区间;采用由遗传算法进行参数寻优的支持向量机(GA-SVM)方法对3种不同损伤状态的内外圈信号的HVD-LZC特征进行测试分析,结果表明HVD-LZC指标在区分轴承内外圈的不同损伤程度上具有优越性,从而为滚动轴承内外圈损伤程度的评估提供了一种有效方法。

滚动轴承复合故障振动建模及Lempel-Ziv复杂度评价

故障建模是探寻机械诊断中认知规律的关键环节。为了更能准确地预知振动特征,研究滚动轴承结合面间的多体接触与传递过程的耦合作用,根据Hertzian理论建立一种详细的计及内圈-外圈-轴承座传递过程的6DOF振动模型。从轴承实际运动学的角度刻画故障的形成及渐进发展过程,进而实现单点、复合故障的有效模拟,并与实验结果进行了比较。轴承运行过程中故障状态的变化,必然导致振动信号复杂性的变化。基于非线性动力系统理论,引入Lem-pel-Ziv复杂度指标评价运行状态。结果表明,单点及复合故障的信号具有不同的复杂度,反映了不同故障状态的动力学响应的差异。Lempel-Ziv复杂度能有效描述轴承振动信号的复杂性,可作为量化指标用于滚动轴承状态评价。

基于多尺度Lempel-Ziv复杂度的运动想象脑电信号特征分析

运动想象脑电信号特征提取是脑机接口研究领域的重要问题,提出一种基于多尺度Lempel-Ziv复杂度的运动想象脑电信号特征提取算法。该算法是传统二值化Lempel-Ziv复杂度算法的改进,它将脑电信号分成多个不同幅值范围的区域,根据信号在各区域间的上升和下降趋势,对脑电信号进行二值化处理得到Lempel-Ziv复杂度。本文将运动想象脑电信号分为4个区域,提取各典型时段的Lempel-Ziv复杂度作为特征值,最后利用支持向量机对脑电信号进行分类识别。实验结果表明,以多尺度Lempel-Ziv复杂度为特征的分类方法,对想象左右手运动脑电信号的平均分类识别率最高达87.87%,优于传统二值化Lempel-Ziv复杂度算法。

情感识别中脑电信号Lempel-Ziv复杂度的研究

在生理信号中,基于脑电信号的情感识别越来越引起研究者的重视。Lempel-Ziv复杂度测量是一种有效的非线性脑电信号分析方法,同时在情感脑—机接口系统中还可以用于进行情感的识别。文章在传统Lempel-Ziv复杂度算法的基础上,提出一种新的Lempel-Ziv复杂度算法,从而更好地进行基于脑电信号的情感识别。首先进行脑电信号的预处理,通过小波包变换来保留脑电信号的低频信号;然后利用非线性滤波器来移除脑电信号中的奇异值;进一步我们提出一种有效的自适应Lempel-Ziv复杂度算法来度量脑电信号的复杂度,并应用此特征值来识别情感。实验结果证明此方法可以从脑电信号中提取出更多有效的模式。同时,它还能够精确地检测到脑电信号的振荡情况,从而提取出不同情感状态下脑电信号中本质的非线性特性。

基于AR模型和Lempel-Ziv复杂度的癫痫发作预报

目的癫痫是由多种病因引起的慢性脑功能障碍综合征,及时的发作预报,对于建立新的治疗方法和改善患者的生活质量有着至关重要的作用。目前大部分脑电分析算法存在计算速度慢、适应性差等问题,无法满足癫痫脑电发作预报的要求。方法本文应用自回归模型对脑电信号进行特征提取,支持向量机(support vector machine,SVM)作脑电各个时期分类器,并与Lempel-Ziv复杂度分析计算相结合,准确识别发作前期,以实现癫痫的发作预报。结果应用弗莱堡大学数据对上述方法的有效性进行验证。仿真结果表明,该方法得到的发作漏检率、误报率较低,预报提前时间较长。结论将AR模型和Lempel-Ziv复杂度相结合,对癫痫发作预报的实现,有一定参考价值和意义。

基于Lempel-Ziv复杂度和经验模态分解的癫痫脑电信号的检测方法

癫痫脑电信号是非平稳、非线性的,根据此特性我们提出一个基于Lempel-Ziv复杂度和经验模态分解(EMD)的癫痫脑电信号的检测方法,首先将癫痫脑电信号用EMD分解,再分别计算每阶固有模态函数(IMF)的复杂度,最后将得到的复杂度作为特征进行检测.实验用波恩数据库来评估提出的方法.结果表明,该方法检测准确率可达到95.25%,具有准确率高、适应性强等优点.

脑电Lempel-Ziv复杂度分析的预处理

目的:探究脑电序列预处理的方法,并研究预处理所导致的脑电序列的Lempel-Ziv复杂度的差异。方法:利用小波包变换去掉脑电序列中易受干扰的低频部分,再通过滤掉脑电序列中的奇异值以达到对脑电序列预处理的目的。选取一段受干扰的脑电子序列,通过图像具体的显示预处理的过程中脑电子序列的变化。对每个受试者,挑选出同一脑电序列中受干扰与未受干扰的脑电子序列,分别计算预处理前后二者的Lempel-Ziv复杂度。任意挑选一段子序列,画出其预处理前后的Lempel-Ziv复杂度曲线。利用统计检验分析预处理所导致的脑电子序列的差异。结果:这种预处理有效地滤掉了脑电序列的噪声干扰和奇异值。统计检验的结果显示:本来具有明显差异的受干扰与未受干扰的脑电子序列,预处理后,二者几乎没有差异了。并且受干扰的脑电子序列预处理后的Lempel-Ziv复杂度接近未受干扰的脑电子序列预处理后的Lempel-Ziv复杂度。结论:对脑电序列进行预处理是必要的。预处理能有效地消除脑电序列中的干扰,同时较好的保留了脑电序列中的有用信息。

基于确定学习理论和Lempel-Ziv复杂度的非线性系统动态特征提取

对非线性系统产生的非线性非平稳信号进行有效的特征表达是特征提取领域重要且困难的问题.本文基于确定学习理论和Lempel-Ziv复杂度(LZ复杂度)提出一种新的非线性系统动态特征提取方法.新方法将从系统的动力学轨迹中提取特征.通过确定学习理论对产生回归轨迹的非线性动力学系统的未知系统动态进行局部准确建模/辨识, 1)使用LZ复杂度对辨识得到的动力学轨迹进行特征表达,并提出时间复杂度和空间复杂度两个指标组成时空LZ复杂度,从时间域和空间域的角度刻画系统动力学轨迹的复杂程度. 2)对提出的动态特征提取方法进行敏感度分析,定量评价系统的动态特征指标相对于系统从周期轨迹到混沌轨迹的参数变化敏感程度. 3)通过数值仿真和实验分析以验证动态特征提取的有效性.与从系统状态轨迹中提取特征相比,本文提出的动态特征提取方法可以从系统内在动态的角度对原系统进行更好的表达.

CEEMD与Lempel-Ziv复杂度相结合的滚动轴承损伤程度评估方法

针对不同损伤程度的滚动轴承其内、外圈故障在背景噪声影响下难以检测的问题,提出补充总体平均经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)与Lempel-Ziv复杂度(简称LZC指标)分析相结合的滚动轴承损伤程度评估方法。首先,对滚动轴承振动信号进行CEEMD分解,得到多个IMF(Intrinsic mode function)分量;然后,基于峭度最大准则选取有效IMF分量并计算其Lempel-Ziv复杂度综合指标;最后,根据Lempel-Ziv复杂度综合指标的变化规律判断滚动轴承的损伤程度,并基于6σ原则给出了不同损伤程度的滚动轴承内、外圈故障Lempel-Ziv复杂度取值区间。将该方法应用于滚动轴承的损伤程度评估,分析结果表明了该方法的有效性和可行性。

基于变步长多尺度Lempel-Ziv复杂度融合指标的旋转设备损伤评估

损伤程度评估对于旋转设备的故障预测与维护至关重要。Lempel-Ziv复杂度已被广泛用于旋转设备的定量故障诊断。但是传统Lempel-Ziv复杂度指标只能在单一尺度提取故障信息,难以全面挖掘故障特征。为此,学者提出了多尺度Lempel-Ziv复杂度。然而,多尺度分析会缩减时间序列的长度,易于导致评估结果不准确。因此,提出了一种基于变步长多尺度Lempel-Ziv复杂度融合的旋转设备损伤程度评估指标。首先采用变步长策略优化粗粒化过程,更全面地挖掘故障信息;然后运用基于拉普拉斯得分加权的融合方法来评估每个尺度的重要性,将变步长多尺度复杂度序列转化为一个单一但全面的评价指标,即所提的变步长多尺度复杂度融合指标,用以全面挖掘振动信号的特征,实现对旋转设备的损伤评估。本文采用轴承单点缺陷数据、轴承全寿命数据和齿轮箱疲劳试验数据验证所提方法的有效性,并与其他复杂度指标进行比较分析,结果表明:所提指标可100%准确地对轴承故障严重程度及齿轮磨损程度进行评估,发现早期故障,实现旋转设备的定量诊断。

基于Lempel-Ziv复杂度的精神分裂症MEG信号分析

将非线性动力学中的Lempel-Ziv复杂度分析方法应用于精神分裂症的脑磁图(MEG)信号的复杂性研究,探究精神分裂症MEG信号的非线性动力学特性。对10例精神分裂症患者和10个健康正常人(正常对照组)的静息态MEG信号进行Lempel-Ziv复杂度分析,并采用两独立样本t检验方法进行统计学分析。研究发现,精神分裂症患者MEG信号的Lempel-Ziv复杂度明显高于正常对照组。这表明精神分裂症患者比健康正常人有更高的大脑活动复杂性。

基于EMD和Lempel-Ziv指标的滚动轴承损伤程度识别研究

针对不同损伤程度的滚动轴承内、外圈故障,提出一种基于经验模式分解(EMD)和Lempel-Ziv指标的评估方法。EMD用于高效地分解信号,并结合能量与峭度条件找出蕴含故障本质特征的最优IMF分量,在此基础上分别计算最优IMF及其包络的Lempel-Ziv归一化值,再加权求和得到最终的Lempel-Ziv综合指标。由于EMD消除了噪声干扰,有利于准确揭示轴承恶化情况,并且指标本身受实验条件影响不明显,同时介于0和1的取值方便快速使用。轴承内、外圈故障实验证实:内圈损伤的Lempel-Ziv综合指标随故障加重递减,而外圈损伤相反,随故障加剧递增。同时还分别给出了内、外圈损伤情况下不同故障程度评估的Lempel-Ziv取值区间,能有效用于轴承故障程度的识别。

水平气液两相流流型空间图像信息复杂性测度分析

To discuss the relationship between complexity measures extracted from gray image time series and flow pattern transition in gas-liquid two-phase flow,three complexity measures,including Lempel-Ziv complexity,fractal box dimension,and Shannon information entropy were extracted from sixty flow pattern image signals of gas-liquid two-phase flow in the horizontal pipe by using digital high speed video systems.Based on the above studies,the chaos dynamic characteristics of three complexity measures in different gas superficial velocities,and the recognition capability of gas-liquid two-phase flow pattern were analyzed.The results indicated that these three complexity measures were sensitive to the flow pattern transition in gas-liquid two-phase flow.By analyzing the changes of three complexity measures with gas-liquid two-phase flow parameters,the dynamics structure inversion characteristics of gas-liquid two-phase flow could be got,which provided an efficient,supplementary diagnostic tool to reveal the flow pattern transition mechanism of gas-liquid two-phase flow and quantitatively identify flow pattern.

基于信息熵与Lempel-Ziv的拧紧设备性能评估方法

拧紧设备在工作过程中随性能退化会出现拧紧质量随机波动和性能状态无序性增加等现象,定量刻画拧紧设备性能的随机波动性和状态无序性是评估拧紧设备性能的关键。应用信息熵和Lempel-Ziv算法对表征二者的性能指标进行复杂性测度分析,以性能复杂度评估拧紧设备的性能退化水平。首先,选取拧紧设备性能指标进行状态划分,并应用信息熵理论建立拧紧性能的复杂性测度模型,以量化拧紧设备性能的随机波动程度;其次,基于Lempel-Ziv算法对拧紧设备性能进行复杂性测度分析,给出衡量性能指标无序程度的描述方法;最后,应用实例对扭矩和角度指标分别进行测算和对比分析,验证所提方法的有效性。结果表明,扭矩和角度指标的评估结果一致表现出相似的设备退化趋势。基于信息熵和Lempel-Ziv算法的评估结果反映出不同的特点,分别从随机波动性和状态无序性两个维度衡量了拧紧设备的性能退化状况。

基于LMD和Lempel-Ziv指标的滚动轴承故障损伤程度研究

针对不同转速下,不同损伤程度的滚动轴承内、外圈故障,提出一种基于局域均值分解(Local Mean De-composition,LMD)和Lempel-Ziv指标的滚动轴承损伤程度识别方法。LMD方法是一种新的自适应时频分析方法,将轴承振动信号分解为若干个瞬时频率有物理意义的乘积函数(Production Function,PF),再结合峭度条件找出蕴含故障信息的最优PF分量,计算其PF函数和包络的Lempel-Ziv的归一化值,再加权求和得到最终的Lempel-Ziv综合指标,表征了不同故障的损伤程度。同时还研究了在不同转速下的内、外圈故障轴承的Lempel-Ziv指标的分布规律,使结论更具有普遍性。经实验结果验证,此方法能有效地应用于滚动轴承的故障程度的诊断。

基于L-Z方法的宏观交通运输系统复杂性测度

为了测度宏观交通运输系统的复杂性,引入符号动力学中的L-Z方法,并针对趋势项导致的宏观数据非平稳性,改进了L-Z方法.从总量与分量、不同对象、不同时段等视角,以改进的L-Z方法分析30个交通运输时间序列的复杂度,结果表明:我国宏观交通运输系统的复杂度不高;一体化能够降低宏观交通运输系统的复杂度;旅客运输比货物运输的复杂度高;宏观交通运输系统的复杂度与时间序列的长度成反比.这说明,L-Z方法适用于宏观交通运输系统的复杂性测度,复杂性的测度结果可以作为宏观交通管理决策的重要依据.

基于脑电格子复杂性分析的麻醉深度监测研究

基于符号序列的细粒化方法和两种分划方法(均值分划与排列分划),将格子复杂性(Lattice complexity,LC)用于麻醉时期脑电信号复杂度分析。选取了30例丙泊酚全麻患者,分别计算了LC和lempel-ziv(LZ)复杂性,并比较了两者与BIS的Pearson相关性。结果表明诱导期均值分划LC效果较好,恢复期排列分划LC效果较好,与BIS的Pearson相关性为0.963 6。对于整个麻醉期均值分划LC效果最佳,与BIS相关性为0.841 6,同时细粒化指数一般取3可得到不错的效果,可为临床麻醉深度监测提供一个新方法。

基于变尺度Lempel‑Ziv的滚动轴承损伤程度评估方法

针对传统Lemple‐Ziv复杂度(Lempel‐Ziv complexity,LZC)计算过程中,二值化处理时会改变原序列的动力学特征以及计算效率较低的问题,结合轴承故障冲击特征,提出复合字典匹配追踪算法(compound dictionary matching pursuit algorithm,CDMP)与变尺度Lempel‐Ziv复杂度(variable scale Lempel‐Ziv complexity,VLZC)分析相结合的滚动轴承内外圈损伤程度评估方法。采用CDMP对原信号进行重构,检测信号周期性冲击成分;根据冲击幅值将重构信号分为轴承故障冲击区和冲击衰减区,对信号冲击进行变尺度二值化处理后,将冲击作为迭代基本元素,采用遍历查找法计算其VLZC指标;根据3σ原则给出内外圈不同损伤程度的VLZC取值区间,引入BP神经网络对其损伤程度进行智能分类。结果表明,该方法能有效降噪,保留信号周期性冲击特征,抑制非冲击成分,提高迭代计算效率,实现滚动轴承内外圈损伤程度的评估。

基于小波消噪和符号动力学的参考作物腾发量变化的复杂性研究

提出了基于小波消噪的符号动力学途径研究参考作物腾发量(ET0)变化的复杂度,以辽宁省的锦州、北镇、义县、黑山4个站为例,对各气象因素(1957～2006年)及ET0序列进行小波消噪,运用Lempel-Ziv算法计算其复杂度。结果表明:整个锦州市由于噪声影响ET0的平均复杂度为9.25,较真实序列平均复杂度大;义县ET0变化比其他3个站复杂;从时间上分析,锦州4个站中有3个站(锦州、义县、黑山)近20年呈现下降趋势。从符号动力学的角度研究ET0系统的复杂性,为ET0研究提供了新的工具。