时变工况下基于精细复合多尺度散度熵的旋转机械故障诊断方法 被引量：3

1

作者 卢太武 马洪波 +1 位作者 王先芝 陈改革 《振动与冲击》 EI CSCD 北大核心 2023年第21期211-218,共8页

时变工况下旋转机械的振动信号具有明显的时变调制的特点,熵值方法在提取该类信号特征时具有独特的优势。为了克服传统的熵值方法计算速度慢、熵值不稳定等问题,提出了一种基于精细复合多尺度散度熵的时变工况下旋转机械故障诊断方法,... 时变工况下旋转机械的振动信号具有明显的时变调制的特点,熵值方法在提取该类信号特征时具有独特的优势。为了克服传统的熵值方法计算速度慢、熵值不稳定等问题,提出了一种基于精细复合多尺度散度熵的时变工况下旋转机械故障诊断方法,能够更有效地提取故障特征信息并提高故障诊断准确率。首先,采用重采样的方法将时域信号转为角域信号,并利用变分模态分解和独立分量分析相结合的方法对角域信号进行去噪。其次,采用精细复合多尺度散度熵对去噪后的角域信号进行特征提取,然后将提取到的特征输入LR(logistic regression)分类器中识别故障类型。最后,通过时变工况下的齿轮试验对所提方法进行验证,结果表明,所提出的方法有效提高了时变工况下故障诊断准确率。 展开更多

关键词 故障诊断 时变工况 精细复合多尺度散度熵 变分模态分解 独立分量分析

在线阅读 下载PDF 职称材料

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

2

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熵 萤火虫算法 贝叶斯网络 故障诊断

在线阅读 下载PDF 职称材料

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

3

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 精细复合多元多尺度散布熵(RCMMDE) 深度残差收缩网络(DRSN)

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

4

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

5

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熵 支持向量机

在线阅读 下载PDF 职称材料

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

6

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熵 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

7

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

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

8

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 精细广义复合多元多尺度反向散布熵 滚动轴承 故障诊断 特征提取

在线阅读 下载PDF 职称材料

基于精细复合多尺度散布熵与XGBoost的海面小目标检测方法 被引量：4

9

作者 王海峰 行鸿彦 +2 位作者 陈梦 赵迪 李瑾 《电子测量与仪器学报》 CSCD 北大核心 2023年第1期12-20,共9页

针对传统海面漂浮小目标的特征检测方法难以有效提取目标特征的问题,提出了一种基于RCMDE-XGBoost海面小目标检测方法。利用变分模态分解对信号进行去噪预处理,通过精细复合多尺度散布熵提取目标的多尺度特征,构建多维度特征矩阵,输入XG... 针对传统海面漂浮小目标的特征检测方法难以有效提取目标特征的问题,提出了一种基于RCMDE-XGBoost海面小目标检测方法。利用变分模态分解对信号进行去噪预处理,通过精细复合多尺度散布熵提取目标的多尺度特征,构建多维度特征矩阵,输入XGBoost网络进行特征分类,通过模型训练,实现海面小目标检测。利用IPIX雷达实测数据库,在#54、#311、#320海情HV极化方式下检测率分别达到了93.33%、92.38%、95%,相较于图连通密度检测法平均提升12%,证明了RCMDE-XGBoost检测方法有效。 展开更多

关键词 精细复合多尺度散布熵 XGBoost 微弱信号检测 海杂波

在线阅读 下载PDF 职称材料

基于精细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 被引量：73

10

作者 李从志 郑近德 +1 位作者 潘海洋 刘庆运 《中国机械工程》 EI CAS CSCD 北大核心 2019年第14期1713-1719,1726,共8页

为克服多尺度样本熵的不足,更精确地提取滚动轴承非线性故障特征,将一种新的非线性动力学分析方法精细复合多尺度散布熵引入到滚动轴承的故障特征提取.在此基础上,提出了一种基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断新... 为克服多尺度样本熵的不足,更精确地提取滚动轴承非线性故障特征,将一种新的非线性动力学分析方法精细复合多尺度散布熵引入到滚动轴承的故障特征提取.在此基础上,提出了一种基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断新方法.通过滚动轴承实验数据分析,将所提方法与基于多尺度样本熵和多尺度散布熵的故障诊断方法进行了对比,结果表明:所提方法不仅能精确地识别滚动轴承故障类型和故障程度,而且故障识别率高于另两种方法. 展开更多

关键词 散布熵 多尺度样本熵 精细复合多尺度散布熵 滚动轴承 故障诊断

在线阅读 下载PDF 职称材料

基于变分模态分解和精细复合多尺度均值散布熵的轴承故障诊断 被引量：8

11

作者 张婕 张梅 陈万利 《机电工程》 CAS 北大核心 2023年第5期682-690,共9页

为充分提取非线性、非平稳的轴承故障信号特征信息,进而提高轴承故障诊断精度,提出了一种基于变分模态分解(VMD)和精细复合多尺度均值散布熵(RCMMDE)的轴承故障诊断方法(算法)。首先,使用VMD将轴承故障振动信号分解为了多个模态分量,通... 为充分提取非线性、非平稳的轴承故障信号特征信息,进而提高轴承故障诊断精度,提出了一种基于变分模态分解(VMD)和精细复合多尺度均值散布熵(RCMMDE)的轴承故障诊断方法(算法)。首先,使用VMD将轴承故障振动信号分解为了多个模态分量,通过评估原信号与模态分量信号的互相关程度,筛选了其有效模态,并对其进行了信号重构,实现了故障信号的降噪处理目的;然后,使用精细复合均值化代替了传统粗粒化方法,利用RCMMDE方法提取了重构信号的多尺度熵值,构成了特征样本集;最后,通过鲸鱼算法(WOA)对支持向量机(SVM)进行了超参数寻优,构建了最优的故障检测模型,并将特征样本集输入到WOA-SVM模型中进行了轴承故障诊断,并通过实验评估验证了模型的有效性。研究结果表明:该模型准确率达到99.67%,精确率、召回率等各项性能指标均在99%以上,并具有很强的鲁棒性。 展开更多

关键词 轴承故障诊断 变分模态分解 精细复合多尺度均值散布熵 鲸鱼算法 支持向量机 超参数寻优

在线阅读 下载PDF 职称材料

基于改进精细复合多尺度归一化散布熵的生物组织变性识别

12

作者 刘备 蔡剑华 +1 位作者 杨江河 彭梓齐 《传感技术学报》 CAS CSCD 北大核心 2023年第11期1761-1767,共7页

在高强度聚焦超声(HIFU)治疗过程中,生物组织变性识别是不可或缺的关键部分。多尺度散布熵(MDE)作为一种非线性方法,被广泛应用于生物组织变性识别。然而MDE在粗粒化过程中时容易出现信息丢失和稳定性较差的问题,难以全面提取组织变性... 在高强度聚焦超声(HIFU)治疗过程中,生物组织变性识别是不可或缺的关键部分。多尺度散布熵(MDE)作为一种非线性方法,被广泛应用于生物组织变性识别。然而MDE在粗粒化过程中时容易出现信息丢失和稳定性较差的问题,难以全面提取组织变性特征。为了解决上述问题,提出了基于改进精细复合多尺度归一化散布熵(IRCMNDE)的生物组织变性识别方法。引入RCMDE,将其传统粗粒化过程中的平均值计算替换为最大值计算以解决MDE传统粗粒化过程中的问题,突出信号变性特征。通过对熵值的归一化处理减弱不同参数选择导致的熵值波动,形成IRCMNDE方法。将所提方法应用于实测HIFU回波信号数据,并采用概率神经网络(PNN)进行识别。研究结果表明:相较于MPE、MDE和RCMDE方法,基于IRCMNDE的生物组织变性识别率更高,高达96.77%,能更好地区分未变性与变性生物组织。 展开更多

关键词 HIFU 改进精细复合多尺度归一化散布熵 生物组织 变性识别

在线阅读 下载PDF 职称材料

基于精细复合多尺度散布熵的墙体内管道敲击探测方法

13

作者 李瑾 行鸿彦 +2 位作者 王海峰 吴叶丽 陈梦 《电子测量技术》 北大核心 2023年第2期25-30,共6页

为了提高墙体内管道敲击探测的准确率,本文采用精细复合多尺度散布熵检测敲击声音信号的频率和幅值的变化,提取信号中的多尺度管道特征;将构建的多维度管道特征矩阵输入到支持向量机中,使用麻雀搜索算法确定支持向量机参数最优值,通过... 为了提高墙体内管道敲击探测的准确率,本文采用精细复合多尺度散布熵检测敲击声音信号的频率和幅值的变化,提取信号中的多尺度管道特征;将构建的多维度管道特征矩阵输入到支持向量机中,使用麻雀搜索算法确定支持向量机参数最优值,通过模型训练,完成墙内埋设管道有无的分类,提出了基于精细复合多尺度散布熵的墙体内管道敲击探测方法。将此方法与其它信号处理方法进行对比分析,结果证明,本文所提方法探测准确率高达97%,远远高于其他两种方法。 展开更多

关键词 管道探测 SSA-SVM 敲击声音 精细复合多尺度散布熵

在线阅读 下载PDF 职称材料

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

14

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熵 往复压缩机 滑动轴承 故障诊断

在线阅读 下载PDF 职称材料

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

15

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 职称材料

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

16

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 多尺度熵 精细复合多尺度熵 特征降维 滚动轴承

在线阅读 下载PDF 职称材料

广义精细复合多尺度样本熵与流形学习相结合的滚动轴承故障诊断方法 被引量：29

17

作者 王振亚 姚立纲 《中国机械工程》 EI CAS CSCD 北大核心 2020年第20期2463-2471,共9页

针对滚动轴承故障特征提取困难的问题,提出了一种广义精细复合多尺度样本熵(GRCMSE)与流形学习相结合的特征提取方法。利用GRCMSE提取滚动轴承故障特征信息;采用判别式扩散映射分析(DDMA)方法对高维特征进行降维处理;将低维故障特征输... 针对滚动轴承故障特征提取困难的问题,提出了一种广义精细复合多尺度样本熵(GRCMSE)与流形学习相结合的特征提取方法。利用GRCMSE提取滚动轴承故障特征信息;采用判别式扩散映射分析(DDMA)方法对高维特征进行降维处理;将低维故障特征输入粒子群优化支持向量机多故障分类器中进行故障识别。滚动轴承故障实验分析结果表明:GRCMSE特征提取效果优于多尺度样本熵(MSE)、精细复合多尺度样本熵(RCMSE)和广义多尺度样本熵(GMSE);DDMA降维效果优于等度规映射(Isomap)和局部切空间排列(LTSA)的降维效果;GRCMSE和DDMA相结合后的滚动轴承故障识别精度达到100%。 展开更多

关键词 广义精细复合多尺度样本熵 判别式扩散映射分析 故障诊断 流形学习 滚动轴承

在线阅读 下载PDF 职称材料

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

18

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 职称材料

基于双频精细复合多尺度排列熵的齿轮箱损伤识别 被引量：1

19

作者 刘心 费莹 李倩 《机电工程》 CAS 北大核心 2023年第8期1176-1184,共9页

齿轮箱振动信号的非线性会导致其损伤特征难以得到有效提取,针对这一问题,提出了一种基于双频精细复合多尺度排列熵(DFRCMPE)和鲸鱼算法优化支持向量机(WOA-SVM)的融合损伤识别方法。首先,采用小波包分解(WPD)对齿轮箱损伤振动信号进行... 齿轮箱振动信号的非线性会导致其损伤特征难以得到有效提取,针对这一问题,提出了一种基于双频精细复合多尺度排列熵(DFRCMPE)和鲸鱼算法优化支持向量机(WOA-SVM)的融合损伤识别方法。首先,采用小波包分解(WPD)对齿轮箱损伤振动信号进行了两层分解,获得了反映齿轮箱损伤特性的低频和高频分量;然后,利用精细复合多尺度排列熵(RCMPE)对两组频带分量进行了分析,以充分提取嵌入在振动信号中的损伤信息,构建损伤特征;最后,将损伤特征输入至WOA-SVM分类模型中,成功对损伤进行了智能识别,并以实验采集到的齿轮箱振动信号为对象,对基于DFRCMPE和WOA-SVM的融合损伤识别方法的有效性开展了对比讨论。研究结果表明:与基于精细复合多尺度样本熵(RCMSE)、精细复合多尺度模糊熵(RCMFE)、RCMPE、精细复合多尺度散布熵(RCMDE)的特征提取方法相比,基于DFRCMPE和WOA-SVM的融合损伤识别方法的准确率和稳定性更高,平均识别准确率达到了100%;该方法能够为解决实际应用中的齿轮箱故障识别问题提供可行的思路。 展开更多

关键词 齿轮传动 损伤特征提取 齿轮箱振动信号 双频精细复合多尺度排列熵 鲸鱼算法优化支持向量机 小波包分解

在线阅读 下载PDF 职称材料

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

20

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 职称材料