多分辨率奇异谱熵及其在振动信号监测中的应用研究

在信息熵模型的基础上 ,将多分辨率分析和奇异谱分析有效结合 ,提出了多分辨率奇异谱熵及其算法 ,该指标能够表征不同尺度上信号能量分布的奇异状况。进一步 ,针对奇异谱分析是基于信号二阶平稳的假设 ,本文提出了基于高阶累积量的高阶多分辨率奇异谱熵 ,它能够充分体现信号的内在信息 ,提高了信号形式变化的适应性和对于嵌入维数变化的稳定性。通过对机械振动信号的仿真分析 ,该信息熵能够作为设备运行状态识别的有效依据。

计及高阶统计量和深度学习的抗噪孤岛检测方法

分布式电源持续的规模化接入给微电网运行引入了显著的不确定性与噪声,增加了配电网监视的难度。而孤岛检测设备易受电网扰动干扰而误动作,导致分布式电源被切除运行,孤岛检测装置必须能够在噪声环境中准确区分判别扰动与孤岛情形。文中将基于多尺度高阶奇异谱熵的深度学习概念应用于孤岛检测问题,提出一种结合经验模态分解与高阶奇异谱熵的新型混合深度学习架构。作为经验模态分解后的信号处理方法,多尺度高阶奇异谱熵结合多分辨率高阶统计分析与谱分析并以熵值作为特征提取输出,进而通过深度学习架构对所提取的孤岛与扰动特征量进行训练及测试。仿真结果表明所提方法能够实现孤岛的准确检测,从而避免分布式电源退出运行。

多尺度高阶奇异谱熵和GA-VPMCD方法在转子故障智能诊断中的应用

首先,针对转子故障振动信号的非高斯、非线性特征,提出了多尺度高阶奇异谱熵的概念,并将其用于转子故障特征提取;然后,针对新的小样本多分类识别方法——基于变量预测模型分类识别的模型选择问题,结合融合诊断思想和遗传算法,提出了GA-VPMCD分类识别方法。最后提出了基于多尺度高阶奇异谱熵和GA-VPMCD的转子故障诊断方法。试验结果验证了该方法的有效性和优越性。