基于WPT和复合多尺度Bubble熵的轨道车辆轴箱轴承故障诊断

为了提高轴承故障识别精度,同时减少甚至消除参数选择的影响,基于轴承振动加速度信号,提出了一种基于复合多尺度Bubble熵的滚动轴承故障诊断方法。基于轨道车辆轴箱轴承故障响应信号具有较强的非线性和非平稳特征,采用小波包变换频域能量特征重构,对重构信号提取复合多尺度Bubble熵作为故障特征,输入中等高斯支持向量机完成模型训练和故障模式识别。通过基于全尺寸单轮对-轴箱轴承滚动试验台试验的故障轴承数据集以及美国凯斯西储大学公用轴承数据集验证了所提方法的有效性。该方法在不经过参数调节过程的情况下可以达到较高的分类精度,在两种轴承数据集中的正常轴承与故障轴承之间的识别率均为100%,其中在公用轴承数据集中4种故障分类中总识别率为99.83%,在单轮对-轴承滚动试验台数据集中总识别率为93.75%,均高于同类轴承故障诊断算法。实验结果表明,该方法能够有效地提取轴承故障特征,为轨道车辆轴箱轴承状态监测与故障诊断提供了新的解决方案。

一种新的心率变异性度量方法

心率变异性的复杂波动反映了心脏的自主调节功能.本文提出了一种新的心率变异性度量方法--ICBN方法,该方法通过改进的自适应噪声完备集合经验模态分解方法对心率变异性信号进行分解,得到多个模态分量,计算每个模态分量的bubble熵得到熵值向量,把该向量映射成复杂网络,通过计算网络的特征参数,对心率变异性在不同时频尺度状态下的非线性特征之间的耦合关系进行度量.首先,采用时域、频域和ICBN分析方法对29名充血性心力衰竭病人和29名正常窦性心律对象的心率变异性进行分析,结果表明:时域指标三角指数HRVTi,频域指标LF/HF,网络层级加权值WB,平均点权值PW,特征路径长度CL具有统计学差异;基于网络层级加权值WB,特征路径长度CL,频域指标LF/HF和Fisher判别方法的识别模型对充血性心力衰竭病人的识别正确率达到89.66%.然后,又对43名房颤心律失常患者和43名正常窦性心律对象的心率变异性进行分析,结果表明:时域指标SDNN,pNN50,RMSSD,频域指标LF/HF,网络层级加权值WB,平均点权值PW具有统计学差异;时域指标pNN50,RMSSD,频域指标LF/HF和网络层级加权值WB,平均点权值PW作为特征向量,Fisher判别方法作为分类器,对房颤心律失常患者的识别正确率达到91.86%.综合以上实验结果可知,本文为心率变异性的度量研究提供了一种新的思路.