期刊文献+
共找到78篇文章
< 1 2 4 >
每页显示 20 50 100
基于精细复合多尺度熵与支持向量机的睡眠分期 被引量:10
1
作者 叶仙 胡洁 +3 位作者 田畔 戚进 车大钿 丁颖 《上海交通大学学报》 EI CAS CSCD 北大核心 2019年第3期321-326,共6页
提出将脑电信号与眼动信号的精细复合多尺度熵作为睡眠分期依据,利用多层次支持向量机的机器学习算法对睡眠进行自动分期.利用精细复合多尺度熵对睡眠信号进行特征提取,选用脑电以及眼电通道的信号,以保证输入特性的可靠性,并通过3层支... 提出将脑电信号与眼动信号的精细复合多尺度熵作为睡眠分期依据,利用多层次支持向量机的机器学习算法对睡眠进行自动分期.利用精细复合多尺度熵对睡眠信号进行特征提取,选用脑电以及眼电通道的信号,以保证输入特性的可靠性,并通过3层支持向量机实现了睡眠的自动分期.结果表明,分类器的输入参数可由熵值曲线的变化特征来确定.基于精细复合多尺度熵的多层次支持向量机算法的睡眠分期准确率达到85.3%,与已有的分类算法相比,所提出的算法更加均衡,且整体分类效果更佳. 展开更多
关键词 睡眠分期 精细 复合多尺度熵
在线阅读 下载PDF
基于精细复合多尺度熵和自编码的滚动轴承故障诊断方法 被引量:12
2
作者 郑近德 潘海洋 +3 位作者 包家汉 刘庆运 丁克勤 欧淑彬 《噪声与振动控制》 CSCD 2019年第2期175-180,193,共7页
多尺度熵是一种有效衡量机械振动信号复杂度的非线性动力学方法。针对其存在的不足,引入精细复合多尺度熵(Refined composite multiscale entropy, RCMSE),在此基础上,结合自编码降维和遗传优化支持向量机,提出一种滚动轴承故障智能诊... 多尺度熵是一种有效衡量机械振动信号复杂度的非线性动力学方法。针对其存在的不足,引入精细复合多尺度熵(Refined composite multiscale entropy, RCMSE),在此基础上,结合自编码降维和遗传优化支持向量机,提出一种滚动轴承故障智能诊断新方法。首先,利用RCMSE提取滚动轴承振动信号多尺度复杂度特征,构建初始特征向量矩阵;其次,采用自编码对初始高维特征数据降维,得到低维流形特征;然后,将低维特征向量输入到基于遗传优化支持向量机的多故障模式分类器中进行训练、识别与诊断。最后,将所提方法应用于实验数据分析,并与多尺度熵方法进行对比,结果表明,该方法不仅能够有效诊断滚动轴承的工作状态和故障类型,而且识别率高于所对比方法。 展开更多
关键词 故障诊断 多尺度 精细复合多尺度熵 特征降维 滚动轴承
在线阅读 下载PDF
基于复合多尺度熵与拉普拉斯支持向量机的滚动轴承故障诊断方法 被引量:11
3
作者 代俊习 郑近德 +1 位作者 潘海洋 潘紫微 《中国机械工程》 EI CAS CSCD 北大核心 2017年第11期1339-1346,共8页
针对早期滚动故障特征不明显和特征提取难等问题,将一种新的衡量时间序列复杂性的方法——复合多尺度熵(CMSE)应用于滚动轴承故障振动信号的特征提取。CMSE克服了多尺度熵中粗粒化方式的不足,得到的熵值一致性和稳定性好。同时,针对机... 针对早期滚动故障特征不明显和特征提取难等问题,将一种新的衡量时间序列复杂性的方法——复合多尺度熵(CMSE)应用于滚动轴承故障振动信号的特征提取。CMSE克服了多尺度熵中粗粒化方式的不足,得到的熵值一致性和稳定性好。同时,针对机械故障智能诊断中收集大量的样本比较容易而要对所有的样本进行类别标记却较为困难这一问题,将拉普拉斯支持向量机(LapSVM)应用于滚动轴承故障的智能诊断中。在此基础上,提出了一种基于CMSE,序列前向选择(SFS)特征选择和LapSVM的滚动轴承故障诊断方法。最后,将提出的方法应用于试验数据分析,结果表明:CMSE能够有效地提取滚动轴承的故障特征;当有标记样本的数量较少时,与仅使用有标记样本进行学习的支持向量机相比,结合SFS特征选择的LapSVM方法利用大量的无标记样本进行辅助学习,可以显著提高故障诊断的正确率。 展开更多
关键词 多尺度 复合多尺度熵 支持向量机 拉普拉斯支持向量机 故障诊断
在线阅读 下载PDF
基于精细复合多尺度熵特征向量相关系数在滚动轴承故障诊断中应用 被引量:11
4
作者 叶金义 谢小平 +1 位作者 梁烊炀 张福运 《噪声与振动控制》 CSCD 2018年第5期186-191,共6页
复合多尺度熵(CMSE)是在多尺度熵(MSE)基础上提出来的,它改善了MSE存在的熵值不精确、波动较大等,但不能解决样本时间序列太短引起未定义熵问题。精细复合多尺度熵(Refined Composite Multi-scale Entropy,RCMSE)通过改进算法使熵估计... 复合多尺度熵(CMSE)是在多尺度熵(MSE)基础上提出来的,它改善了MSE存在的熵值不精确、波动较大等,但不能解决样本时间序列太短引起未定义熵问题。精细复合多尺度熵(Refined Composite Multi-scale Entropy,RCMSE)通过改进算法使熵估计的准确性得到提高,并能降低诱导未定义熵的概率。以此为基础,提出基于RCMSE特征向量关系数的轴承故障识别分类方法。该方法首先利用RCMSE对数据样本生成多尺度熵,计算测试样本与已知故障状态的训练样本的RCMSE相关系数,从而判断测试样本的状态类型。对轴承信号数据进行试验表明,该方法能100%准确的对轴承正常,内圈,外圈和滚动体故障信号识别分类。因此,该方法是一种有效的识别故障特征,可为实际轴承故障诊断提供参考。 展开更多
关键词 振动与波 精细复合多尺度熵 故障诊断 相关系数 特征提取
在线阅读 下载PDF
基于EMD复合多尺度熵的模拟电路故障诊断方法 被引量:18
5
作者 刘美容 刘津涛 何怡刚 《电子测量技术》 北大核心 2021年第4期51-56,共6页
根据当今模拟电路高集成度、非线性以及易受环境影响等特点,提出一种基于经验模态分解(EMD)结合复合多尺度熵(CMSE)的故障特征提取新方法。首先通过仿真获得电路的输出信号,然后使用经验模态分解,将原始信号分解为有限个固有模态分量以... 根据当今模拟电路高集成度、非线性以及易受环境影响等特点,提出一种基于经验模态分解(EMD)结合复合多尺度熵(CMSE)的故障特征提取新方法。首先通过仿真获得电路的输出信号,然后使用经验模态分解,将原始信号分解为有限个固有模态分量以及一个残余分量。再利用复合多尺度熵算法,分别计算出这些固有模态分量在不同时间尺度下的样本熵值,并据此构造能反映电路故障的特征向量。最后,构造BP神经网络,输入这些故障特征向量进行训练和测试,诊断出电路的故障类别。实验结果表明,该方法能将电路中表征故障的特征参数有效的提取出来,对电路的单故障识别有着较高的正确率。 展开更多
关键词 模拟电路 故障诊断 经验模态分解 复合多尺度熵 神经网络
在线阅读 下载PDF
基于CEEMDAN-精细复合多尺度熵和Stacking集成学习的短期风电功率预测 被引量:6
6
作者 康文豪 徐天奇 +2 位作者 王阳光 邓小亮 李琰 《水利水电技术(中英文)》 北大核心 2022年第2期163-172,共10页
为了解决风电功率的间歇性与非平稳性带来的功率预测难度,提出了一种基于CEEMDAN-精细复合多尺度熵和Stacking集成学习的短期风电功率预测方法。在对风电功率进行预测之前,对风电功率数据进行预处理。首先引入自适应噪声完备集合经验模... 为了解决风电功率的间歇性与非平稳性带来的功率预测难度,提出了一种基于CEEMDAN-精细复合多尺度熵和Stacking集成学习的短期风电功率预测方法。在对风电功率进行预测之前,对风电功率数据进行预处理。首先引入自适应噪声完备集合经验模态分解(CEEMDAN)方法分解风电功率原始序列,并计算各分解分量的精细复合多尺度熵(RCMSE)。然后,将熵值相近的分量序列重组成新序列,以降低模型复杂度和提高计算效率。在预测阶段,对重组之后的序列分别建立Stacking集成学习模型进行风电功率短期预测,最后对预测结果进行重组。通过新疆某风电场实测数据证明:结合各单一预测模型优点的Stacking集成学习模型方法与其4种基学习器KNN、RF、SVR和ANN相比,Stacking模型具有更高的风电预测准确度。在同等条件下,CEEMDAN-RCMSE-Stacking模型均方根误差相比单一的Stacking模型及EMD-RCMSE-Stacking模型分别减少了20.34%和9.74%,平均绝对误差分别减少了24.55%和6.35%,而拟合优度系数分别提高了4.09%和1.62%,即CEEMDAN-RCMSE-Stacking模型拥有更高的预测性能。 展开更多
关键词 短期风电功率预测 CEEMDAN 精细复合多尺度熵 Stacking集成学习 影响因素 新能源 清洁可再生能源
在线阅读 下载PDF
加权精细复合多尺度散布熵与改进贝叶斯网络结合的轴承故障诊断
7
作者 仝兆景 孟令强 +1 位作者 唐晋豪 吴鹏 《机械科学与技术》 北大核心 2025年第7期1151-1158,共8页
针对多尺度散布熵方法无法准确估计信号复杂性的问题,为更精确地提取轴承振动信号的故障特征,将加权精细复合多尺度散布熵(Weighted refined composite multiscale dispersion entropy,wRCMDE)引入到轴承故障特征提取中。在此基础上,提... 针对多尺度散布熵方法无法准确估计信号复杂性的问题,为更精确地提取轴承振动信号的故障特征,将加权精细复合多尺度散布熵(Weighted refined composite multiscale dispersion entropy,wRCMDE)引入到轴承故障特征提取中。在此基础上,提出了一种基于wRCMDE与改进贝叶斯网络相结合的滚动轴承故障诊断方法。通过计算不同故障振动信号的wRCMDE,并选取合适尺度下的多个wRCMDE值作为特征向量形成特征样本,输入到改进萤火虫算法优化的贝叶斯网络中进行故障分类识别。通过实验数据分析,将所提方法与基于多尺度散布熵和精细复合多尺度散布熵的故障特征提取方法进行对比,结果表明,该方法能够更加准确地识别滚动轴承的故障类型,且识别率更高。 展开更多
关键词 加权精细复合多尺度散布 萤火虫算法 贝叶斯网络 故障诊断
在线阅读 下载PDF
复合多尺度包络模糊熵在滚动轴承故障诊断中的应用
8
作者 李姜宏 郑近德 +2 位作者 潘海洋 程健 童靳于 《振动与冲击》 北大核心 2025年第9期274-281,共8页
模糊熵(fuzzy entropy, FE)自提出以来就被广泛用于滚动轴承振动信号的时间序列复杂性度量,但模糊熵在单一时间序列的分析中可能无法充分捕获轴承振动信号所有故障特征。针对这一弊端,定义出一种包络模糊熵(envelope fuzzy entropy, EFE... 模糊熵(fuzzy entropy, FE)自提出以来就被广泛用于滚动轴承振动信号的时间序列复杂性度量,但模糊熵在单一时间序列的分析中可能无法充分捕获轴承振动信号所有故障特征。针对这一弊端,定义出一种包络模糊熵(envelope fuzzy entropy, EFE)作为新的复杂性度量指标。进一步利用复合粗粒化的方式对时间序列的包络信号进行复合多尺度处理,提出了复合多尺度包络模糊熵(composite multi-scale envelope fuzzy entropy, CMEFE),旨在全面揭示信号的故障特征。此外,通过仿真信号验证了CMEFE能够区分不同类型的模拟信号,对比其他非线性动力学方法,结果表明提出的方法对于不同模拟信号的区分效果更为显著。在此基础上,提出一种基于复合多尺度包络模糊熵与萤火虫优化支持向量机的滚动轴承故障诊断方法。与现有方法进行对比,验证了该方法的可行性与优越性。 展开更多
关键词 模糊(FE) 包络模糊(EFE) 多尺度模糊 复合多尺度包络模糊(CMEFE) 萤火虫优化支持向量机 滚动轴承故障诊断
在线阅读 下载PDF
基于复合多尺度二维时频排列熵的滚动轴承故障诊断
9
作者 包金龙 郑近德 +2 位作者 潘海洋 童靳于 刘庆运 《噪声与振动控制》 北大核心 2025年第4期143-149,共7页
多尺度排列熵(Multiscale Permutation Entropy,MPE)是一种有效的衡量时间序列复杂性的非线性动力学指标,但其只能反映时间序列的时域信息,而频域信息却被忽略。为此,基于二维排列熵(Two-dimensional Permutation Entropy,PE2D),提出基... 多尺度排列熵(Multiscale Permutation Entropy,MPE)是一种有效的衡量时间序列复杂性的非线性动力学指标,但其只能反映时间序列的时域信息,而频域信息却被忽略。为此,基于二维排列熵(Two-dimensional Permutation Entropy,PE2D),提出基于时间序列时频域复杂性量度的二维时频排列熵(Two-dimensional Time-frequency Permutation Entropy,TFPE2D)方法。为反映振动信号在不同尺度下的复杂程度、避免传统多尺度粗粒化导致信息丢失的缺陷,进一步提出复合多尺度二维时频排列熵(Composite Multi-scale Two-dimensional Time-frequency Permutation Entropy,CMTFPE2D),并采用仿真信号验证CMTFPE2D的有效性。同时,将CMTFPE2D与萤火虫优化支持向量机(Firefly Algorithmsupport Vector Machine,FA-SVM)相结合应用于滚动轴承故障诊断,并采用实测数据进行分析,结果表明:所提故障特征提取与诊断方法能够有效识别滚动轴承不同故障程度和故障位置,且识别精度更高。 展开更多
关键词 故障诊断 排列 二维时频排列 复合多尺度二维时频排列 滚动轴承
在线阅读 下载PDF
基于精细复合多元多尺度散布熵和深度残差收缩网络的轴向柱塞泵故障诊断
10
作者 储焰 常远 汤何胜 《机床与液压》 北大核心 2025年第6期142-147,共6页
为了克服单传感器振动信息不能全面表达柱塞泵故障特征信息的问题,提出一种新的轴向柱塞泵故障诊断方法,将精细复合多元多尺度散布熵(RCMMDE)嵌入深度残差收缩网络(DRSN)框架中,更精确地提取轴向柱塞泵非线性故障特征。通过RCMMDE全面... 为了克服单传感器振动信息不能全面表达柱塞泵故障特征信息的问题,提出一种新的轴向柱塞泵故障诊断方法,将精细复合多元多尺度散布熵(RCMMDE)嵌入深度残差收缩网络(DRSN)框架中,更精确地提取轴向柱塞泵非线性故障特征。通过RCMMDE全面表征轴向柱塞泵故障信息,构建故障特征集;利用DRSN对轴向柱塞泵的故障进行分类;最后,通过轴向柱塞泵故障模拟实验,获取典型故障信号特征,并与其他智能诊断算法进行对比,验证模型的泛化能力,实现柱塞泵故障特征的精准识别。结果表明:随着尺度因子的增大,RCMMDE可实现轴向柱塞泵微弱故障特征的有效分离;DRSN模型提高了对高噪声振动信号的特征学习能力,故障诊断精度达到96.21%,明显优于其他分类算法。 展开更多
关键词 轴向柱塞泵 故障诊断 精细复合多多尺度散布(RCMMDE) 深度残差收缩网络(DRSN)
在线阅读 下载PDF
基于多元精细复合多尺度波动散布熵和累积欧氏距离矩阵测度的风电机组变桨轴承退化状态评估 被引量:3
11
作者 王晓龙 李英晟 +1 位作者 付锐棋 何玉灵 《动力工程学报》 CAS CSCD 北大核心 2024年第5期782-791,共10页
针对风电机组变桨轴承服役过程环境噪声干扰严重、退化状态评估精度低的问题,提出一种基于多元精细复合多尺度波动散布熵和累积欧氏距离矩阵测度的退化状态评估模型。该模型将监测数据状态特征获取过程由单通道拓展为多通道进行,通过提... 针对风电机组变桨轴承服役过程环境噪声干扰严重、退化状态评估精度低的问题,提出一种基于多元精细复合多尺度波动散布熵和累积欧氏距离矩阵测度的退化状态评估模型。该模型将监测数据状态特征获取过程由单通道拓展为多通道进行,通过提出的多元精细复合多尺度波动散布熵算法来获取多通道监测数据的多尺度状态特征,并将累积和检验算法与欧氏距离矩阵测度方法相结合,用于定量衡量基准样本与待分析样本间的差异,从而实现变桨轴承退化状态评估。风电机组变桨轴承全寿命周期加速疲劳实验验证结果表明:该模型能够及时捕捉到变桨轴承的初始退化时刻并且准确跟踪整个退化过程。 展开更多
关键词 风电机组 变桨轴承 退化状态评估 多元精细复合多尺度波动散布 累积欧氏距离矩阵测度
在线阅读 下载PDF
基于精细复合多尺度散布熵的抗蛇行减振器故障诊断 被引量:2
12
作者 岑潮宇 代亮成 +3 位作者 池茂儒 赵明花 郭兆团 曾鹏程 《铁道科学与工程学报》 EI CAS CSCD 北大核心 2024年第10期4334-4343,共10页
抗蛇行减振器作为高速列车关键悬挂元件在减轻列车横向振动提高安全性和稳定性上有重要作用,为实现对抗蛇行减振器故障进行精确诊断,针对非线性振动信号故障特征不明显的问题,提出一种自适应噪声完备集合经验模态分解(Complete ensemble... 抗蛇行减振器作为高速列车关键悬挂元件在减轻列车横向振动提高安全性和稳定性上有重要作用,为实现对抗蛇行减振器故障进行精确诊断,针对非线性振动信号故障特征不明显的问题,提出一种自适应噪声完备集合经验模态分解(Complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与精细复合多尺度散布熵结合的故障诊断方法。首先采用CEEMDAN分解信号得到本征模态函数(Intrinsic mode function,IMF),计算精细复合多尺度散布熵组成特征集,然后融合多个通道振动信号特征并用核主成分分析法进行降维,将降维后的特征集分成训练集和测试集,最后输入到改进麻雀算法优化的支持向量机模型中进行训练与诊断。为验证方法的可行性,以机车滚动振动试验台模拟列车运行的不同速度,设置抗蛇行减振器故障工况,通过转向架和车体多个位置传感器获得试验数据进行分析。研究结果表明,经过优选的特征集能更好地捕捉抗蛇行减振器故障的特征信息,与未经优选的特征集相比故障诊断结果正确率有所提升;多通道融合特征的方法与单通道相比反映故障信息更加全面,补偿了单一通道诊断结果精确度低的不足,进一步提高了故障诊断结果正确率;改进麻雀算法优化了模型参数,解决了参数设计的盲目性,提高了模型分类识别能力,并与其他算法相比验证了优越性。运用该方法对抗蛇行减振器进行故障诊断,能够有效诊断出抗蛇行减振器故障类型,为抗蛇行减振器故障诊断提供了一种新的方法。 展开更多
关键词 抗蛇行减振器 故障诊断 改进麻雀算法 精细复合多尺度散布 支持向量机
在线阅读 下载PDF
复合多尺度注意熵在旋转机械多工况损伤识别中的应用 被引量:3
13
作者 张伟 卞其翀 叶丹茜 《机电工程》 CAS 北大核心 2024年第3期418-429,共12页
针对传统旋转机械损伤识别方法存在模型精度低和抗噪性差的问题,提出了一种基于复合多尺度注意熵(CMATE)和随机森林(RF)的旋转机械多工况损伤识别方法。首先,提出了一种新的测量时间序列复杂度的非线性动力学工具——复合多尺度注意熵;... 针对传统旋转机械损伤识别方法存在模型精度低和抗噪性差的问题,提出了一种基于复合多尺度注意熵(CMATE)和随机森林(RF)的旋转机械多工况损伤识别方法。首先,提出了一种新的测量时间序列复杂度的非线性动力学工具——复合多尺度注意熵;然后,利用CMATE提取旋转机械振动信号的损伤特征,其表征了旋转机械不同工况下的损伤特性;接着,将损伤特征输入至基于随机森林构造的多类别分类器中,进行了损伤识别;最后,采用滚动轴承-齿轮箱、齿轮箱和离心泵3种旋转机械数据集,并分别构造了9种工况和20种工况的多工况损伤数据集,对该损伤识别方法进行了实验研究。研究结果表明:该旋转机械损伤识别方法分别取得95%、97%和100%的识别准确率,在准确率和特征提取效率两方面优于其他的非线性动力学工具;并且在0 dB、1 dB、2 dB和3 dB这4种不同信噪比的噪声干扰下,依然取得了不错的损伤识别结果,证明了该模型具有可观的抗噪性;同时,该损伤识别方法能够稳定地识别旋转机械的不同负载和转速下的损伤,平均识别准确率分别达到了97.2%和93.5%,具有较好的实际应用潜力。 展开更多
关键词 复合多尺度注意 随机森林 旋转机械 齿轮箱 滚动轴承 离心泵 多工况损伤识别
在线阅读 下载PDF
基于复合多尺度模糊熵的滚动轴承故障诊断方法 被引量:26
14
作者 郑近德 潘海洋 +1 位作者 程军圣 张俊 《振动与冲击》 EI CSCD 北大核心 2016年第8期116-123,共8页
为了精确地提取滚动轴承振动信号非线性故障特征,针对多尺度熵(Multi-Scale Entropy,MSE)中粗粒化方式的不足,提出一种新的衡量时间序列自相似性和复杂性的方法——复合多尺度模糊熵(Composite Multi-Scale Fuzzy Entropy,CMFE)。与MSE... 为了精确地提取滚动轴承振动信号非线性故障特征,针对多尺度熵(Multi-Scale Entropy,MSE)中粗粒化方式的不足,提出一种新的衡量时间序列自相似性和复杂性的方法——复合多尺度模糊熵(Composite Multi-Scale Fuzzy Entropy,CMFE)。与MSE相比,CMFE综合同一尺度下多个粗粒化序列的信息,随着尺度因子的增加,熵值变化更加稳定,一致性更好。在此基础上,结合Fisher得分特征选择和支持向量机模式分类,提出了一种新的滚动轴承智能故障诊断方法。将提出的方法应用于滚动轴承实验数据分析,通过对比结果验证了所提出方法的有效性和优越性。 展开更多
关键词 多尺度 复合多尺度模糊 特征选择 滚动轴承 故障诊断
在线阅读 下载PDF
基于变分模态分解与精细复合多尺度散布熵的发电机匝间短路故障诊断 被引量:20
15
作者 何玉灵 孙凯 +2 位作者 王涛 王晓龙 唐贵基 《电力自动化设备》 EI CSCD 北大核心 2021年第3期164-172,共9页
针对多极发电机匝间短路故障诊断与识别难度高的问题,提出了变分模态分解与精细复合多尺度散布熵结合的方法处理发电机定子振动信号。所提方法应用变分模态分解将原始信号分解为多个模态分量,并依据峭度和相关系数原则选取2个不同分量... 针对多极发电机匝间短路故障诊断与识别难度高的问题,提出了变分模态分解与精细复合多尺度散布熵结合的方法处理发电机定子振动信号。所提方法应用变分模态分解将原始信号分解为多个模态分量,并依据峭度和相关系数原则选取2个不同分量进行信号的重构,应用精细复合多尺度散布熵来进行重构信号的分类及故障识别。对3对极发电机匝间短路故障前、后定子振动数据的处理效果表明,所提方法可以对发电机匝间短路故障进行有效识别与诊断,与其他多尺度熵方法相比具有一定优越性。 展开更多
关键词 多对极发电机 匝间短路故障 振动信号 变分模态分解 精细复合多尺度散布 故障诊断
在线阅读 下载PDF
精细复合多尺度波动散布熵在液压泵故障诊断中的应用 被引量:28
16
作者 姜万录 赵亚鹏 +1 位作者 张淑清 李满 《振动与冲击》 EI CSCD 北大核心 2022年第8期7-16,共10页
液压泵振动信号具有非线性、非平稳性的特点,熵算法在该类信号分析方面有着独到的优势,但传统的熵算法在液压泵振动信号特征提取中有计算速度慢、熵值不准确、不稳定等不足,为了更有效地提取故障特征信息并提高故障诊断准确性,将精细复... 液压泵振动信号具有非线性、非平稳性的特点,熵算法在该类信号分析方面有着独到的优势,但传统的熵算法在液压泵振动信号特征提取中有计算速度慢、熵值不准确、不稳定等不足,为了更有效地提取故障特征信息并提高故障诊断准确性,将精细复合多尺度波动散布熵(refined composite multiscale fluctuation dispersion entropy,RCMFDE)引入到液压泵的故障特征提取中,提出了一种基于RCMFDE和粒子群优化支持向量机结合的液压泵故障诊断方法。计算不同故障振动信号的RCMFDE,并选取合适尺度下的多个RCMFDE值作为特征向量形成特征样本,输入粒子群优化支持向量机中进行故障分类识别。通过仿真信号和液压泵故障实测信号进行分析,并将所提出的方法与基于多尺度样本熵(multiscale sample entropy,MSE)、多尺度排列熵(multiscale permutation entropy,MPE)、多尺度符号动态熵(multiscale symbolic dynamic entropy,MSDE)、多尺度散布熵(multiscale dispersion entropy,MDE)、精细复合多尺度散布熵(refined composite multiscale dispersion entropy,RCMDE)、多尺度波动散布熵(multiscale fluctuation dispersion entropy,MFDE)的故障特征提取方法进行对比。试验结果表明,该方法能够更加准确地识别多类液压泵故障并能对液压泵性能退化程度进行有效评估。 展开更多
关键词 波动散布 精细复合多尺度波动散布(RCMFDE) 粒子群优化支持向量机 故障诊断 液压泵
在线阅读 下载PDF
基于精细复合多尺度模糊熵的往复压缩机轴承间隙故障特征分析方法 被引量:16
17
作者 王金东 陈新 +3 位作者 赵海洋 贾川 陈桂娟 雷勇 《机床与液压》 北大核心 2021年第16期185-190,共6页
针对往复压缩机故障信号呈现非线性、非平稳等特点,提出了基于精细复合多尺度模糊熵(RCMFE)的往复压缩机轴承间隙故障特征提取方法。在精细复合多尺度熵的基础上,结合模糊熵概念,提出了RCMFE方法,应用其量化信号非线性特性形成故障特征... 针对往复压缩机故障信号呈现非线性、非平稳等特点,提出了基于精细复合多尺度模糊熵(RCMFE)的往复压缩机轴承间隙故障特征提取方法。在精细复合多尺度熵的基础上,结合模糊熵概念,提出了RCMFE方法,应用其量化信号非线性特性形成故障特征。白噪声和1/f噪声仿真信号分析结果表明:RCMFE熵值对数据长度不敏感,未定义熵出现概率小。以往复压缩机传动机构轴承间隙故障为研究对象,应用RCMFE实现其故障信号特征提取,并与多尺度模糊熵、复合多尺度模糊熵进行对比,该方法特征区分度显著,支持向量机故障识别准确率高于其他方法。 展开更多
关键词 精细复合多尺度模糊 往复压缩机 滑动轴承 故障诊断
在线阅读 下载PDF
基于优化VMD复合多尺度散布熵及LSTM的风力发电机齿轮箱故障诊断方法研究 被引量:17
18
作者 王宏伟 孙文磊 +1 位作者 张小栋 何丽 《太阳能学报》 EI CAS CSCD 北大核心 2022年第4期288-295,共8页
以风力发电机齿轮箱加速度信号为研究对象,提出一种数据驱动的风力发电机齿轮箱故障诊断方法,该方法以灰狼优化的变分模态分解方法(AGWO-VMD)、复合多尺度规范化散布熵(NCMDE)及长短期记忆网络(LSTM)为基础,实现齿轮箱故障的快速诊断。... 以风力发电机齿轮箱加速度信号为研究对象,提出一种数据驱动的风力发电机齿轮箱故障诊断方法,该方法以灰狼优化的变分模态分解方法(AGWO-VMD)、复合多尺度规范化散布熵(NCMDE)及长短期记忆网络(LSTM)为基础,实现齿轮箱故障的快速诊断。首先将时域信号转换至角域;然后通过AGWO-VMD方法对角域信号进行自适应分解,并采用NCMDE算法提取分解后及原始信号中的故障特征构成特征向量;最后利用LSTM模型对特征向量进行智能识别与分类。对实际采集的6种故障齿轮信号进行测试与验证,试验结果表明该方法能快速有效区分齿轮故障类型。 展开更多
关键词 风力机 齿轮箱 故障检测 灰狼优化算法 变分模态分解 复合多尺度规范化散布 长短期记忆网络
在线阅读 下载PDF
复合多尺度散布熵在滚动轴承故障诊断中的应用 被引量:14
19
作者 郑近德 李从志 潘海洋 《噪声与振动控制》 CSCD 2018年第A02期653-656,共4页
为了提取滚动轴承的非线性故障特征,将复合多尺度散布熵应用于滚动轴承故障特征提取,提出1种基于复合多尺度散布熵与支持向量机的滚动轴承故障诊断方法,并将所提方法应用于滚动轴承实验数据分析。通过与多尺度散布熵和多尺度熵进行对比... 为了提取滚动轴承的非线性故障特征,将复合多尺度散布熵应用于滚动轴承故障特征提取,提出1种基于复合多尺度散布熵与支持向量机的滚动轴承故障诊断方法,并将所提方法应用于滚动轴承实验数据分析。通过与多尺度散布熵和多尺度熵进行对比,结果表明:论文提出的故障诊断方法不仅能够准确地诊断滚动轴承的故障类型和程度,而且识别率优于所对比的方法。 展开更多
关键词 振动与波 多尺度 复合多尺度散布 滚动轴承 故障诊断
在线阅读 下载PDF
精细广义复合多元多尺度反向散布熵及其在滚动轴承故障诊断中的应用 被引量:12
20
作者 郑近德 陈焱 +1 位作者 童靳于 潘海洋 《中国机械工程》 EI CAS CSCD 北大核心 2023年第11期1315-1325,共11页
多尺度反向散布熵能够有效度量时间序列的复杂性,但在粗粒化构造上存在缺陷,且在表征滚动轴承非线性故障特征时缺乏对其他通道同步信息的有效利用。为了准确提取轴承信号的故障特征,结合精细化和广义复合多尺度的思想,将表征同步多通道... 多尺度反向散布熵能够有效度量时间序列的复杂性,但在粗粒化构造上存在缺陷,且在表征滚动轴承非线性故障特征时缺乏对其他通道同步信息的有效利用。为了准确提取轴承信号的故障特征,结合精细化和广义复合多尺度的思想,将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中,提出了精细广义复合多元多尺度反向散布熵(RGCMvMRDE)。在此基础上,提出了一种基于RGCMvMRDE与引力搜索算法优化支持向量机(GSA-SVM)的滚动轴承故障诊断方法。首先,利用RGCMvMRDE全面表征滚动轴承故障特征信息,构建故障特征集;其次,采用GSA-SVM对故障类型进行智能识别;最后,将所提方法应用于滚动轴承实验数据分析,并将其与现有基于多尺度反向散布熵、广义多尺度反向散布熵和精细复合多元多尺度排列熵的故障特征提取方法进行了对比。研究结果表明,所提RGCMvMRDE不仅能够有效和精准地诊断轴承的不同故障类型和故障程度,且诊断效果优于上述对比方法。 展开更多
关键词 精细广义复合多多尺度反向散布 滚动轴承 故障诊断 特征提取
在线阅读 下载PDF
上一页 1 2 4 下一页 到第
使用帮助 返回顶部