基于改进EEMD-MDE-BLSTM旋转机械故障诊断方法研究

针对振动信号非平稳、非线性且噪声掩盖信号致使故障信息难以有效提取的特点,提出利用赫斯特指数变化确定小波包降噪分解层的去噪方法改进集合经验模态分解(Ensemble EMD,EEMD)中的高频分量,提高信息质量,然后引入衡量时序数据复杂度与不规则性的指标—散布熵(Dispersion Entropy,DE),提出改进IEEMD多尺度散布熵(Multi-scale DE,MDE)的故障诊断方法,并建立量子粒子群算法优化的双向长短期记忆神经网络(Bidirectional Long Short-term Memory,BLSTM)识别模型。将该方法与改进EEMD-奇异值分解、改进EEMD-模糊熵、EEMD-MDE 3种方法对比,仿真实验结果表明,该方法对实验模拟的常见振动故障的识别准确率较高,并且耗时少,可为振动故障的诊断提供一定依据。

基于改进二维熵-量子遗传算法的图像多阈值变化检测方法

针对二维熵法阈值分割中精度和时间性能较差的问题,提出了基于改进二维熵-量子遗传算法的多阈值图像分割方法。定义了二维阈值量子染色体的编码方式,解决了传统遗传算法优化二维最大指数熵阈值过程中速度慢、多样性小的缺点;在产生阈值解时,提出了半随机策略来代替传统的完全随机策略,加快寻优速度;改进了量子门旋转角度方式,提出了一种新的自适应旋转角度的方法,提高了算法的精度和收敛速度。并进行了分割实验和SAR 图像变化检测实验。结果表明:该方法比基于一维熵的图像分割算法具有更高的抗噪性;其寻优速度较完全随机产生阈值解的量子遗传算法提高了 3 倍~5 倍;避免了算法发散或过早收敛。与其他基于阈值分割的变化检测算法相比,性能更好。