天然气压缩机耦合故障的波动熵诊断模型 被引量：3

1

作者 崔厚玺 张来斌 +1 位作者 段礼祥 兰新阳 《中南大学学报（自然科学版）》 EI CAS CSCD 北大核心 2010年第1期190-193,共4页

针对天然气压缩机耦合故障的定性及定量特征难以提取的问题,提出基于信息熵的故障诊断方法,提取机组振动信号构造能量谱向量,进而提取信号的波动熵特征作为识别参数建立耦合故障的波动熵诊断模型,并根据波动熵对耦合故障进行分类。研究... 针对天然气压缩机耦合故障的定性及定量特征难以提取的问题,提出基于信息熵的故障诊断方法,提取机组振动信号构造能量谱向量,进而提取信号的波动熵特征作为识别参数建立耦合故障的波动熵诊断模型,并根据波动熵对耦合故障进行分类。研究结果表明:波动熵模型可准确诊断出压缩机的耦合故障;该模型无需提取信号局部细节特征,可解决故障特征提取及故障建模的复杂性难题,提高诊断的容错性和灵活性。 展开更多

关键词 天然气压缩机 耦合故障 波动熵 故障诊断

在线阅读 下载PDF 职称材料

改进滑动粗粒化和集成波动色散熵的故障诊断方法

2

作者 穆凌霞 田璐 +4 位作者 冯楠 汪红鑫 张建 吴世海 刘丁 《智能系统学报》 北大核心 2025年第2期363-375,共13页

在多尺度波动色散熵中,多尺度粗粒化会忽略重构子序列部分相邻点之间的信息,并且子序列长度随着尺度因子的增大长度减小,这种特征提取的方法不利于故障分类。为了解决这个问题,本文提出了一种n次滑动粗粒化的方法,在确定的比例因子下,利... 在多尺度波动色散熵中,多尺度粗粒化会忽略重构子序列部分相邻点之间的信息,并且子序列长度随着尺度因子的增大长度减小,这种特征提取的方法不利于故障分类。为了解决这个问题,本文提出了一种n次滑动粗粒化的方法,在确定的比例因子下,利用n次滑动方法保留了每点之间的信息,保证重构后的序列与重构前的序列长度一致。针对波动色散熵中映射技术过于单一的问题,本文利用集成波动色散熵对重构后的序列进行特征提取,使得熵计算更加准确。用西储大学等轴承数据集对算法进行了验证,所提方法的故障诊断精确度显著提高。 展开更多

关键词 滑动粗粒化 序列重构 故障诊断 故障分类 集成波动色散熵 滚动轴承 振动信号 特征提取

在线阅读 下载PDF 职称材料

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

3

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熵 累积欧氏距离矩阵测度

在线阅读 下载PDF 职称材料

基于时移多尺度波动散布熵和改进核极限学习机的水电机组故障诊断 被引量：4

4

作者 徐哲熙 刘婷 +3 位作者 任晟民 陈建林 吴凤娇 王斌 《工程科学与技术》 EI CAS CSCD 北大核心 2024年第3期41-51,共11页

水电在能源供给结构改革中承担重要角色,随着风、光、潮汐等新型能源的不断接入,水电机组的负荷运行范围不断加宽,导致水电机组发生事故的概率增加,因此,开展水电机组智能故障诊断研究具有十分重要的现实意义。本文针对水电机组振动信... 水电在能源供给结构改革中承担重要角色,随着风、光、潮汐等新型能源的不断接入,水电机组的负荷运行范围不断加宽,导致水电机组发生事故的概率增加,因此,开展水电机组智能故障诊断研究具有十分重要的现实意义。本文针对水电机组振动信号中蕴含大量噪声信号,干扰故障诊断的问题,提出一种时移多尺度波动散布熵和改进核极限学习机相结合的水电机组故障诊断方法。首先,结合信息熵理论与时移思想,在多尺度波动散布熵的基础上,采用时移理论替代多尺度波动散布熵(MFDE)中传统的粗粒化过程,提出时移多尺度波动散布熵(TSMFDE),通过仿真实验,证明所提方法具有良好的时序长度鲁棒性、抗噪性及特征提取能力,解决了传统多尺度熵粗粒化不足的问题。然后,利用具有可移植性强、寻优能力强和收敛速度快等特征的算术优化算法(AOA)对核极限学习机(KELM)的正则化参数和核函数参数进行寻优,建立AOA-KELM分类器,解决了KELM超参数难以调节的问题。最终,通过转子试验台模拟实验,将TSMFDE提取的特征输入分类器中,完成模式识别工作。仿真结果表明,所提模型取得最高的诊断精度,达到了100.0%,相对于其他流行模型,本文所提模型展现了明显的优势,验证了所提模型的良好诊断精度。 展开更多

关键词 时移多尺度波动散布熵 核极限学习机 算术优化算法 水电机组 故障诊断

在线阅读 下载PDF 职称材料

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

5

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 波动散布熵 精细复合多尺度波动散布熵(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 职称材料

改进多元层次波动色散熵及其在滚动轴承故障诊断中的应用 被引量：15

6

作者 周付明 杨小强 +2 位作者 申金星 刘武强 刘小林 《振动与冲击》 EI CSCD 北大核心 2021年第22期167-174,共8页

针对滚动轴承振动信号故障特征难以提取以及单通道振动信号分析易存在故障信息缺漏的问题,提出一种新的衡量多通道时间序列动态特征的方法——改进多元层次波动色散熵(modified multivariate hierarchical fluctuation dispersion entro... 针对滚动轴承振动信号故障特征难以提取以及单通道振动信号分析易存在故障信息缺漏的问题,提出一种新的衡量多通道时间序列动态特征的方法——改进多元层次波动色散熵(modified multivariate hierarchical fluctuation dispersion entropy,MMHFDE),将其用于提取滚动轴承多通道振动信号中的故障特征,在此基础上提出一种基于MMHFDE,最大相关最小冗余(max-relevance and min-redundancy,mRMR)和粒子群优化核极限学习机(particle swarm optimization kernel extreme learning machine,PSO-KELM)的滚动轴承故障诊断新方法。使用MMHFDE提取滚动轴承不同状态的故障特征,而后采用mRMR从得到的故障特征中筛选敏感特征构成敏感特征向量;将敏感特征向量输入到基于PSO-KELM构建的故障分类器中进行故障识别。由试验结果可知,提出的方法可以有效识别滚动轴承不同故障状态。 展开更多

关键词 改进多元层次波动色散熵(MMHFDE) 最大相关最小冗余(mRMR) 粒子群优化核极限学习机(PSO-KELM) 滚动轴承 故障诊断

在线阅读 下载PDF 职称材料

基于CEEMDAN和层次波动离散熵的滚动轴承声音信号故障检测 被引量：5

7

作者 姚楠 张能 +1 位作者 刘子全 李利荣 《机床与液压》 北大核心 2023年第12期195-203,共9页

声音信号在收集时具有非接触测量的优势,但容易受到周围环境噪声的干扰而导致信噪比较低,不利于特征信息的获取。为从滚动轴承声音数据中提炼出有效的特征信息,并实现故障的精准识别,提出一种基于自适应噪声完全集成经验模态分解(CEEMD... 声音信号在收集时具有非接触测量的优势,但容易受到周围环境噪声的干扰而导致信噪比较低,不利于特征信息的获取。为从滚动轴承声音数据中提炼出有效的特征信息,并实现故障的精准识别,提出一种基于自适应噪声完全集成经验模态分解(CEEMDAN)和层次波动离散熵(HFDE)的声音信号故障诊断策略。在该策略中,CEEMDAN缓解了集成经验模态分解(EEMD)的模态混淆缺陷;针对传统多尺度波动离散熵(MFDE)无法考虑时间序列的高频信息的缺陷,提出一种基于层次化处理的层次波动离散熵非线性动力学指标。将所提策略用于滚动轴承的故障识别,能够检测出不同故障状态下的声音数据。通过数值模拟和滚动轴承实验数据分析,将所提方法与CEEMDAN-MFDE、EEMD-HFDE、EEMD-MFDE、HFDE和MFDE进行对比。结果表明:所提方法达到了100%的识别准确率,多次实验的平均识别准确率也达到了99.5%,均高于对比方法,从而验证了该策略的有效性和优越性。 展开更多

关键词 滚动轴承声音信号 故障检测 自适应噪声完备集成经验模态分解 层次波动离散熵 层次处理

在线阅读 下载PDF 职称材料

基于RCMFFDE和SSA-RVM的旋转机械损伤检测模型 被引量：1

8

作者 王显彬 孙阳 《机电工程》 北大核心 2025年第3期510-519,共10页

针对旋转机械系统的振动信号具有明显的非线性,严重影响故障特征提取从而导致其识别精度不佳的问题,建立了一种基于精细复合多尺度分数波动散布熵(RCMFFDE)、t-分布随机邻域嵌入(t-SNE)和麻雀搜索算法优化相关向量机(SSA-RVM)的旋转机... 针对旋转机械系统的振动信号具有明显的非线性,严重影响故障特征提取从而导致其识别精度不佳的问题,建立了一种基于精细复合多尺度分数波动散布熵(RCMFFDE)、t-分布随机邻域嵌入(t-SNE)和麻雀搜索算法优化相关向量机(SSA-RVM)的旋转机械损伤检测模型。首先,进行了基于RCMFFDE方法的特征提取,生成了特征样本,以定量反映旋转机械的不同损伤情况;然后,采用t-SNE方法,将原始高维故障特征映射至低维空间,获得了对故障更敏感的低维特征;最后,将敏感的低维故障特征向量输入至SSA-RVM多分类器中,进行了训练和测试,实现了旋转机械样本的故障识别目的;采用两种旋转机械数据集进行了实验,并从准确率、效率和抗噪性方面,将RCMFFDE-SSA-SVM方法与多种特征提取方法进行了对比。研究结果表明:RCMFFDE能用于有效提取旋转机械的故障特征,分别取得99.2%和100%的识别精度;而对敏感特征进行分类所获得的精度优于对原始特征进行分类的情形,前者比后者提高了4%;在模式识别中,SSA-RVM优于其他分类器;自制数据集的诊断精度达到了97%,特征提取的时间为16.05 s。 展开更多

关键词 非线性振动信号 特征提取时间 故障识别精度(诊断精度) 精细复合多尺度分数波动散布熵 t-分布随机邻域嵌入 麻雀搜索算法优化相关向量机

在线阅读 下载PDF 职称材料

心电图的基本尺度熵分析 被引量：2

9

作者 王俊 马千里 宁新宝 《南京大学学报（自然科学版）》 CSCD 北大核心 2008年第4期357-360,共4页

在健康人和有疾病人的生理信号的复杂度问题的量化受到普遍关注.复杂度的降低已被指出是病理动力学的一个普遍特征.本文使用前人提出的算法研究了心电图(ECG)的基本尺度熵(BSE)的特性,研究发现健康人的心电图的基本尺度熵比较稳定在某... 在健康人和有疾病人的生理信号的复杂度问题的量化受到普遍关注.复杂度的降低已被指出是病理动力学的一个普遍特征.本文使用前人提出的算法研究了心电图(ECG)的基本尺度熵(BSE)的特性,研究发现健康人的心电图的基本尺度熵比较稳定在某个范围之内(在每个图的中间区间),示出心电图处于稳定阶段,心脏的健康状况良好;而冠心病人的基本尺度熵变动范围比较大,在某个时段会波动很小、在另一个时段则会波动很大,显示出心电图处于不稳定阶段,心脏的健康状况正在变差;心梗病人则在任何时段都会表征为基本尺度熵变动范围比较小、慢慢在收敛,基本尺度熵值波变动范围最小,说明心脏的健康状况处于恶化阶段,即将危及生命.研究表明基本尺度熵值变动情况对临床诊断心脏疾病的发展演化阶段有重要的指征意义. 展开更多

关键词 基本尺度熵 熵值波动范围 心脏疾病演化

在线阅读 下载PDF 职称材料

SO-VMD和IHFDE在旋转机械耦合故障辨识中的应用

10

作者 张文军 宋琳璐 +1 位作者 左小勇 王冠华 《机电工程》 北大核心 2025年第4期714-725,共12页

采用传统旋转机械故障诊断模型诊断单点故障而忽略多点故障缺陷,无法准确判断旋转机械的故障来源,提出了一种基于蛇优化器的优化变分模态分解(SO-VMD)、改进层次波动散布熵(IHFDE)和支持向量机(SVM)的旋转机械耦合故障诊断方法。首先,... 采用传统旋转机械故障诊断模型诊断单点故障而忽略多点故障缺陷,无法准确判断旋转机械的故障来源,提出了一种基于蛇优化器的优化变分模态分解(SO-VMD)、改进层次波动散布熵(IHFDE)和支持向量机(SVM)的旋转机械耦合故障诊断方法。首先,以模态分量的最大互信息系数为适应度函数,采用蛇优化器对变分模态分解的参数进行了优化,并对旋转机械振动信号进行了分解以得到模态分量;然后,对各模态分量的IHFDE特征值进行了提取,从而构建了故障特征矩阵;最后,将故障特征输入至SVM分类器中进行了分类识别,并实现了对旋转机械的故障诊断。利用滚动轴承和齿轮箱的多点故障数据集进行了实验分析,从信号处理和特征提取两方面进行了对比分析。研究结果表明:SO-VMD-IHFDE故障诊断方法在诊断旋转机械的单点和多点故障时分别取得了98.75%和100%的识别精度,验证了该方法的有效性。SO-VMD方法能够有效去除信号中的干扰噪声,提高特征的质量。和未采用SO-VMD方法得到的诊断结果相比,滚动轴承和齿轮箱的诊断准确率分别提高了3.33%和5.42%。IHFDE方法能够有效反映旋转机械的故障特性,准确率高于其他广泛使用的特征提取方法。旋转机械的故障诊断结果验证了改进层次分析在诊断准确率方面要优于粗粒化处理和传统层次分析。 展开更多

关键词 旋转机械 耦合故障诊断 变分模态分解 改进层次波动散布熵 蛇优化器 多点故障 耦合故障 信号高频特征信息

在线阅读 下载PDF 职称材料

基于HMFDE和t-SNE的旋转机械故障诊断方法 被引量：4

11

作者 尹久 张杰 《机电工程》 CAS 北大核心 2024年第6期1058-1067,共10页

针对旋转机械的故障特征提取较难,以及单一类型的特征无法全面反映故障特性的问题,提出了一种基于混合多尺度波动散布熵(HMFDE)、t分布-随机邻域嵌入(t-SNE)和郊狼优化算法(COA)优化极限学习机(ELM)的旋转机械故障诊断方法。首先,采用... 针对旋转机械的故障特征提取较难,以及单一类型的特征无法全面反映故障特性的问题,提出了一种基于混合多尺度波动散布熵(HMFDE)、t分布-随机邻域嵌入(t-SNE)和郊狼优化算法(COA)优化极限学习机(ELM)的旋转机械故障诊断方法。首先,采用特征加权提出了混合多尺度波动散布熵方法,并将其用于提取旋转机械振动信号的故障特征;随后,采用t-SNE方法对混合故障特征进行了特征降维,挑选出了最能够反映故障特性的特征子集,构建了敏感特征样本;最后,采用郊狼优化算法对极限学习机的输入权重和隐含层阈值进行了优化,完成了旋转机械的故障识别和分类;以齿轮箱和滚动轴承故障数据集为对象,对基于HMFDE、t-SNE和COA-ELM的故障诊断方法进行了实验,验证了方法的有效性。研究结果表明:采用HMFDE-t-SNE-CAO-ELM故障诊断方法可以取得100%的故障识别准确率,该方法能够有效地诊断旋转机械的不同故障类型和损伤;相较于基于单一类型特征的故障诊断方法,其准确率分别可以提高0.68%、22.42%、29.18%(齿轮箱)和1.43%、8.23%、23.67%(滚动轴承),虽然牺牲了一定的计算效率,但准确率得到了明显的提高;相较于其他常规故障分类器,COA-ELM的故障识别准确率具有明显的优势。 展开更多

关键词 旋转机械 故障诊断 齿轮箱 滚动轴承 混合多尺度波动散布熵 t分布-随机邻域嵌入 郊狼优化算法 极限学习机

在线阅读 下载PDF 职称材料

基于SORT映射的IRCMFDE在旋转机械故障诊断中的应用 被引量：2

12

作者 王潞红 邹平吉 《机电工程》 北大核心 2024年第1期11-21,共11页

针对旋转机械振动信号的强非线性和非平稳性,导致故障特征提取困难的问题,提出了一种基于SORT映射的改进精细复合多尺度波动散布熵(IRCMFDE)和蝙蝠算法优化的相关向量机(BA-RVM)的旋转机械故障诊断方法。首先,利用SORT映射函数替换了精... 针对旋转机械振动信号的强非线性和非平稳性,导致故障特征提取困难的问题,提出了一种基于SORT映射的改进精细复合多尺度波动散布熵(IRCMFDE)和蝙蝠算法优化的相关向量机(BA-RVM)的旋转机械故障诊断方法。首先,利用SORT映射函数替换了精细复合多尺度波动散布熵(RCMFDE)方法的正态累积分布函数,同时对RCMFDE方法的粗粒化方式进行了改进,提出了基于SORT映射的IRCMFDE方法;随后,利用IRCMFDE方法提取了旋转机械振动信号的故障特征,构造了故障特征集;最后,采用BA-RVM分类器对旋转机械的故障类型进行了智能化的识别和分类;将基于IRCMFDE和BA-RVM的故障诊断方法应用于滚动轴承、离心泵和齿轮箱的实验数据分析,并将其与现有故障诊断方法进行了对比分析。研究结果表明:基于IRCMFDE和BA-RVM的故障诊断方法能够有效地识别旋转机械的故障状态,识别准确率分别达到了100%、98%和99%,相比基于RCMFDE、精细复合多尺度熵、精细复合多尺度模糊熵、精细复合多尺度排列熵和精细复合多尺度散布熵的故障特征提取方法,该故障诊断方法的效率和平均识别准确率均优于对比方法,其更适合应用于旋转机械的在线实时故障监测。 展开更多

关键词 改进精细复合多尺度波动散布熵 SORT映射 蝙蝠算法优化的相关向量机 旋转机械 故障分类识别

在线阅读 下载PDF 职称材料

基于IMF-MFDE和GRU的水电机组故障诊断 被引量：3

13

作者 朱文鑫 王淑青 《水电能源科学》 北大核心 2024年第4期173-177,共5页

针对水电机组振动信号非平稳、非线性及强噪声的特点,提出了一种IMF多尺度波动散布熵(MFDE)结合门控循环单元(GRU)的故障诊断方法。首先,采用跳蛛优化算法(JSOA)寻找变分模态分解(VMD)最优参数,达到振动信号最佳分解降噪效果;其次,对分... 针对水电机组振动信号非平稳、非线性及强噪声的特点,提出了一种IMF多尺度波动散布熵(MFDE)结合门控循环单元(GRU)的故障诊断方法。首先,采用跳蛛优化算法(JSOA)寻找变分模态分解(VMD)最优参数,达到振动信号最佳分解降噪效果;其次,对分解得到的本征模态函数(IMF)进行重构,计算有效IMF的多尺度波动散布熵(MFDE)作为故障特征向量;最后,将特征向量输入GRU构建水电机组故障识别器。所提方法对实际水电站机组故障样本数据的故障识别率达97.83%,验证了该方法的有效性。 展开更多

关键词 水电机组振动信号 故障诊断 跳蛛优化算法 变分模态分解 多尺度波动散布熵

在线阅读 下载PDF 职称材料

基于CMMFDE与多传感器信息融合的旋转机械故障诊断研究 被引量：3

14

作者 程志平 王潞红 +1 位作者 欧斌 吴军良 《机电工程》 CAS 北大核心 2024年第5期807-816,共10页

采用单一传感器采集的振动信号难以准确描述旋转机械动态特性,导致提取的故障特征无法准确辨识旋转机械故障。针对这一缺陷,提出了一种基于复合多元多尺度波动散布熵(CMMFDE)、多传感器信息融合和哈里斯鹰算法优化极限学习机(HHO-ELM)... 采用单一传感器采集的振动信号难以准确描述旋转机械动态特性,导致提取的故障特征无法准确辨识旋转机械故障。针对这一缺陷,提出了一种基于复合多元多尺度波动散布熵(CMMFDE)、多传感器信息融合和哈里斯鹰算法优化极限学习机(HHO-ELM)的旋转机械故障诊断方法。首先,引入复合多元粗粒化处理,提出了CMMFDE方法,避免了传统单变量分析方法只能处理单一通道振动信号而导致特征的表征性能不足的缺陷,增强了故障特征的表征性能;随后,利用布置在旋转机械不同部位的传感器收集了多种类型的信号,组成混合多通道信号,并进行了CMMFDE分析,构建了故障特征;最后,采用HHO对极限学习机的参数进行了自适应优化,并对特征样本进行了训练和测试,完成了旋转机械的故障识别工作;利用齿轮箱、离心泵两种典型的旋转机械数据集进行了实验分析。研究结果表明:该方法对多个通道的信号进行分析时,所获得的准确率达到了100%和98%,优于对单个通道信号进行分析时获得的准确率,同时CMMFDE方法的准确率和特征提取时间均优于精细复合多元多尺度熵(RCMMSE)、精细复合多元多尺度模糊熵(RCMMFE)、精细复合多元多尺度排列熵(RCMMPE)、多元多尺度波动散布熵(MMFDE)。 展开更多

关键词 旋转机械 故障诊断 齿轮箱 离心泵 复合多元多尺度波动散布熵 哈里斯鹰优化极限学习机

在线阅读 下载PDF 职称材料

基于GMFDE与Singer-ELM的三相异步电机故障诊断 被引量：1

15

作者 谢锋云 王阳 +3 位作者 孙恩广 樊秋阳 宋成杰 朱海燕 《铁道科学与工程学报》 EI CAS CSCD 北大核心 2024年第10期4357-4369,共13页

三相异步电机是现代工业生产中广泛应用的机械设备,其运行状态关系着整个系统的安全性和稳定性,一种有效、鲁棒的三相异步电机故障诊断方法有助于电机的稳定和健康运行。鉴于电机故障特征提取困难且故障诊断准确率较低的问题,提出一种... 三相异步电机是现代工业生产中广泛应用的机械设备,其运行状态关系着整个系统的安全性和稳定性,一种有效、鲁棒的三相异步电机故障诊断方法有助于电机的稳定和健康运行。鉴于电机故障特征提取困难且故障诊断准确率较低的问题,提出一种基于多尺度波动耿贝尔散步熵(Multiscale Fluctuation Gumbel Dispersion Entropy,GMFDE)和Singer混沌映射-极限学习机(Singer Chaotic Mapping Extreme Learning Machine,Singer-ELM)的三相异步电机故障诊断方法,实现多工况下电机的故障诊断。首先,使用加速度传感器采集电机不同工况下的振动信号。其次,提出GMFDE用于特征提取,由耿贝尔分布对信号进行线性化与平滑性处理,耿贝尔分布有助于更好地捕捉数据中的异常值,再计算信号的GMFDE值来构造不同故障样本的特征向量。为了进一步提高预测的准确率和效率,使用序列前向选择算法从中选择最优特征。最后,提出Singer-ELM分类器模型,充分利用混沌映射的内部不相关性,使用Singer混沌映射生成ELM中的输入权重和偏置,将最优特征向量输入到Singer-ELM模型中进行分类和识别。结果分析表明,所提出的方法在三相异步电机实验平台上的平均识别准确率在99%以上,可以很好地诊断出电机故障类型。通过比较4个评价指标:调整兰德指数、归一化互信息、F值和准确率,得出所提方法相较于其他方法具有一定的优越性,在故障诊断领域有很好的诊断性能。 展开更多

关键词 电动机 多尺度波动耿贝尔散步熵 序列前向选择 Singer混沌映射 故障诊断

在线阅读 下载PDF 职称材料

大规模风电集中接入电网的自组织临界态辨识指标提取 被引量：6

16

作者 李明 唐晓军 +2 位作者 但扬清 蔡万通 刘文颖 《电网技术》 EI CSCD 北大核心 2015年第12期3421-3426,共6页

大规模风电接入电网后,极大地改变了电网的网络结构和潮流分布,尤其是其出力大小的波动,直接加剧了电网趋于自组织临界态的进程,电网发生负荷丢失的连锁故障风险随之上升。在深入分析含大规模风电集中接入对电网自组织临界态影响的基础... 大规模风电接入电网后,极大地改变了电网的网络结构和潮流分布,尤其是其出力大小的波动,直接加剧了电网趋于自组织临界态的进程,电网发生负荷丢失的连锁故障风险随之上升。在深入分析含大规模风电集中接入对电网自组织临界态影响的基础上,提出了风电波动熵概念,以表征大规模风电集中接入对电网自组织临界态的影响。通过仿真分析可知,所提出的风电波动熵指标能够很好地表征含大规模风电集中接入对电网自组织临界态的影响,可作为含大规模风电集中接入的电网自组织临界态辨识的物理指标之一。 展开更多

关键词 大规模风电集中接入 自组织临界态辨识 风电波动熵

在线阅读 下载PDF 职称材料

基于HRCMFDE、LS、BA-SVM的行星齿轮箱故障诊断 被引量：4

17

作者 庄敏 李革 +1 位作者 范智军 孔德成 《机电工程》 CAS 北大核心 2022年第11期1535-1543,共9页

针对行星齿轮箱的特征提取以及故障识别问题,提出了一种基于混合精细复合多尺度波动散布熵(HRCMFDE)特征提取、拉普拉斯分数(LS)特征降维优化和蝙蝠算法优化支持向量机(BA-SVM)故障识别的行星齿轮箱故障诊断方法。首先,提出了一种新的... 针对行星齿轮箱的特征提取以及故障识别问题,提出了一种基于混合精细复合多尺度波动散布熵(HRCMFDE)特征提取、拉普拉斯分数(LS)特征降维优化和蝙蝠算法优化支持向量机(BA-SVM)故障识别的行星齿轮箱故障诊断方法。首先,提出了一种新的时间序列复杂度测量方法—HRCMFDE(其由5种不同粗粒化方式的RCMFDE组成,具备更全面和可靠的特征提取性能),用于从振动信号中挖掘出反映行星齿轮箱状态的故障信息,构成初始的混合故障特征;然后,考虑到由HRCMFDE组成的故障特征具有较高的维数和冗余,利用LS对初始特征进行了优化,生成了低维的敏感特征;最后,利用基于蝙蝠算法优化的支持向量机,对行星齿轮系不同故障特征向量进行了训练和分类,利用真实故障数据集对基于HRCMFDE、LS、BA-SVM的方法进行了验证。研究结果表明:利用行星齿轮箱数据集对该方案进行的有效性实验,能够准确地识别出齿轮箱的不同故障,其单次分类的准确率达到了98.13%,多次分类的平均准确率也优于对比方法;该结果验证了基于混合精细复合多尺度波动散布熵特征提取的有效性,采用该方法能够对行星齿轮箱的故障进行诊断。 展开更多

关键词 特征提取 特征降维优化 故障分类识别 混合精细复合多尺度波动散布熵 拉普拉斯分数 蝙蝠算法优化支持向量机

在线阅读 下载PDF 职称材料

基于HTMFDE以及ICNN的滚动轴承寿命状态识别方法 被引量：1

18

作者 董绍江 刘文龙 +2 位作者 方能炜 胡小林 余腾伟 《铁道科学与工程学报》 EI CAS CSCD 北大核心 2023年第2期723-734,共12页

针对滚动轴承退化性能难以评估、寿命状态难以识别的难题,提出一种结合层次时移多尺度波动散布熵(Hierarchical Time-shifted Multiscale Fluctuation Dispersion Entropy,HTMFDE)、JRD距离(Jensen-Renyi divergence,JRD)以及改进卷积... 针对滚动轴承退化性能难以评估、寿命状态难以识别的难题,提出一种结合层次时移多尺度波动散布熵(Hierarchical Time-shifted Multiscale Fluctuation Dispersion Entropy,HTMFDE)、JRD距离(Jensen-Renyi divergence,JRD)以及改进卷积神经网络(Improved convolution neural network,ICNN)的轴承寿命状态识别新方法。首先,在传统多尺度波动散布熵的基础上,将传统均值粗粒化过程替换为改进的时移粗粒化过程,以解决传统均值粗粒化导致信号幅值特征丢失的问题。同时引入层次分解理论,克服多尺度分析方法不能全面提取不同频段故障特征的不足,得到最终的HTMFDE。之后利用HTMFDE方法提取滚动轴承信号的多维状态特征量,并进行归一化形成一组概率分布,计算轴承正常信号与故障信号之间的JRD距离作为性能退化指标。其次,根据构建的JRD性能退化曲线,划分轴承寿命状态并制作数据集,通过标签化的样本训练具有双层多尺度特征提取层的卷积神经网络,建立滚动轴承寿命状态识别模型。为了加快模型的收敛速度,对每层卷积进行批量归一化操作,同时采用全局池化代替全连接层以提升模型的训练效率。最后,在2组不同的轴承数据集上进行实验。实验结果表明,根据HTMFDE构建的JRD性能退化曲线能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的ICNN模型在SNR=0~10 dB环境中平均识别正确率为98.5%,能够准确地识别轴承寿命状态,验证了所提方法的实用性以及有效性。 展开更多

关键词 寿命状态识别 滚动轴承 层次时移多尺度波动散布熵 JRD距离 改进卷积神经网络

在线阅读 下载PDF 职称材料

基于CMFDE的单向阀早期微弱故障诊断方法 被引量：6

19

作者 钱恩丽 黄国勇 +1 位作者 李锶宇 何冬 《电子测量与仪器学报》 CSCD 北大核心 2021年第4期169-176,共8页

对单向阀早期微弱故障进行诊断可预防高压隔膜泵因单向阀磨损击穿无法正常工作而造成经济损失及安全事故。针对往复式高压隔膜泵单向阀早期微弱故障特征不明显且受大量噪声干扰的问题,提出基于复合多尺度波动散布熵(composite multiscal... 对单向阀早期微弱故障进行诊断可预防高压隔膜泵因单向阀磨损击穿无法正常工作而造成经济损失及安全事故。针对往复式高压隔膜泵单向阀早期微弱故障特征不明显且受大量噪声干扰的问题,提出基于复合多尺度波动散布熵(composite multiscale fluctuation dispersion entropy,CMFDE)的单向阀早期微弱故障诊断方法。首先,用正切S型替换CMFDE方法中的正态分布函数映射,提高CMFDE的抗噪性;其次,计算振动信号的复合多尺度波动散布熵值,构建特征矩阵,并将其输入支持向量机(support vector machine,SVM)分类器中进行故障诊断;最后,利用单向阀实际工程数据验证该方法的有效性,并进行对比实验。实验结果与对比分析表明,不需对单向阀原始信号进行降噪,简化了诊断过程。复合多尺度波动散布熵可精确反映单向阀不同信号特征,提高了单向阀早期微弱故障诊断的识别率,且故障诊断结果受分类器影响小,识别准确率达到96.667%。 展开更多

关键词 单向阀 早期微弱故障 复合多尺度波动散布熵 波动散布熵 故障诊断

在线阅读 下载PDF 职称材料

基于ALIF和TMFDE的滚动轴承故障诊断研究 被引量：1

20

作者 赵家浩 罗娜 梁永文 《制造技术与机床》 北大核心 2023年第7期9-15,共7页

为了提高滚动轴承的故障识别精度,提出了一种基于自适应局部迭代滤波(ALIF)和时移多尺度波动散布熵(TMFDE)的故障诊断方法。首先,利用ALIF对滚动轴承振动信号进行分解,获得一组IMF分量。其次,为了获得更集成的IMF分量,基于能量法评估各... 为了提高滚动轴承的故障识别精度,提出了一种基于自适应局部迭代滤波(ALIF)和时移多尺度波动散布熵(TMFDE)的故障诊断方法。首先,利用ALIF对滚动轴承振动信号进行分解,获得一组IMF分量。其次,为了获得更集成的IMF分量,基于能量法评估各IMF分量的重要性,将前3阶分量视为有效分量。接着,利用TMFDE量化有效分量中的特征信息,构建故障特征向量。最后,将故障特征输入至粒子群优化的极限学习机中进行故障识别。利用东南大学的滚动轴承数据对该方法进行了评估,结果表明该方法能够准确地识别故障的类型,与其他方法相比,该方法在数据量较少时仍然具有优异的稳定性。 展开更多

关键词 自适应局部迭代滤波 时移多尺度波动散布熵 能量法 滚动轴承 故障检测

在线阅读 下载PDF 职称材料