基于IIVY-SVMD-MPE-SVM的开关柜局部放电故障识别 被引量：2

1

作者 解骞 郑胜瑜 +3 位作者 刘兴华 李辉 党建 解佗 《实验技术与管理》 北大核心 2025年第4期26-36,共11页

针对开关柜局部放电故障信息表征困难及局部放电故障识别准确率低等问题,该文提出了一种基于改进常青藤算法(improved Ivy algorithm,IIVY)的自动优化连续变分模态分解(successive variational mode decomposition,SVMD)与支持向量机(su... 针对开关柜局部放电故障信息表征困难及局部放电故障识别准确率低等问题,该文提出了一种基于改进常青藤算法(improved Ivy algorithm,IIVY)的自动优化连续变分模态分解(successive variational mode decomposition,SVMD)与支持向量机(support vector machine,SVM)的模式识别算法,实现了局部放电类型的故障识别。首先,融合空间金字塔匹配混沌映射、自适应t分布与动态自适应权三种策略提出IIVY算法;其次,对局部放电原始超声波信号进行SVMD并提取多尺度排列熵(multivariate permutation entropy,MPE),建立基于IIVY-SVMD-MPE的局部放电特征提取策略,利用IIVY算法自适应地选取SVMD惩罚因子α,结合相关系数筛选出最大的三个本征模态函数(intrinsic mode function,IMF)分量提取MPE,构建多维融合特征数据集;再次,提出并建立基于IIVY-SVM的开关柜局部放电故障识别模型,利用IIVY对SVM中惩罚参数C及核参σ进行自适应寻优;最后,通过对比验证表明所建立模型综合识别率更高、在不同评价指标上表现更佳,综合识别准确率达到98.8%,有效提高了故障识别的准确性与可靠性。 展开更多

关键词 超声波 改进常青藤算法 连续变分模态分解 多尺度排列熵

在线阅读 下载PDF 职称材料

基于SPA和IRCMMPE的旋转机械损伤识别方法

2

作者 李恒亮 张思婉 郭衡 《机电工程》 北大核心 2025年第6期1045-1054,共10页

基于单通道信号的旋转机械故障诊断方法的故障诊断效果通常比较依赖信号的质量,针对这一问题,提出了一种基于平滑先验分析(SPA)、改进精细复合多变量多尺度排列熵(IRCMMPE)和麻雀搜索算法优化支持向量机(SSA-SVM)的旋转机械损伤识别策... 基于单通道信号的旋转机械故障诊断方法的故障诊断效果通常比较依赖信号的质量,针对这一问题,提出了一种基于平滑先验分析(SPA)、改进精细复合多变量多尺度排列熵(IRCMMPE)和麻雀搜索算法优化支持向量机(SSA-SVM)的旋转机械损伤识别策略。首先,使用SPA将单通道信号分解为趋势项和去趋势项两种完全不同的分量,减少了分量的冗余,并将其组装为多通道信号以实现对样本的扩充;然后,采用IRCMMPE对多通道信号进行了特征提取以对比验证两个分量之间的相关性,获取了更能反映故障特性的特征;最后,将故障特征输入至SSA-SVM分类器中进行了故障识别,完成了对旋转机械的故障辨识和故障程度的判断,利用三个旋转机械数据集对SPA-IRCMMPE故障诊断方法的有效性进行了实验分析,并与其他故障诊断方法进行了对比研究。研究结果表明:SPA-IRCMMPE模型在诊断旋转机械不同故障类型时分别取得了100%和99.2%的识别准确率,平均识别准确率分别为99.76%和99.92%;而自制数据集的诊断精度达到了100%。相较于其他故障诊断方法,SPA-IRCMMPE模型仅需使用单个通道的振动信号且无需进行分量重要性评估,避免了分量取舍的问题,对振动信号的利用效率较高。 展开更多

关键词 旋转机械单通道信号 故障诊断 麻雀搜索算法优化支持向量机 改进精细复合多变量多尺度排列熵 平滑先验分析 离心泵 滚动轴承

在线阅读 下载PDF 职称材料

基于DIGWO-VMD-CMPE的轴承故障识别方法

3

作者 辛昊 鲁玉军 朱轩逸 《机电工程》 CAS 北大核心 2024年第2期205-215,共11页

针对滚动轴承故障信号特征提取困难和识别准确率低的问题,提出了一种基于维度学习的改进灰狼优化算法(DIGWO)优化变分模态分解(VMD)和复合多尺度排列熵(CMPE)的轴承故障识别方法。首先,采用基于维度学习的狩猎(DLH)搜索策略、余弦收敛因... 针对滚动轴承故障信号特征提取困难和识别准确率低的问题,提出了一种基于维度学习的改进灰狼优化算法(DIGWO)优化变分模态分解(VMD)和复合多尺度排列熵(CMPE)的轴承故障识别方法。首先,采用基于维度学习的狩猎(DLH)搜索策略、余弦收敛因子a和个体狼ω位置更新的方法将灰狼优化算法(GWO)改进为DIGWO,并利用DIGWO算法的自适应性优化VMD分解,得到了多个本征模态函数(IMFs);然后,利用复合多尺度排列熵计算IMFs的特征值,选取适当维数的特征,构建了故障特征向量;最后,利用DIGWO算法优化支持向量机(SVM)的惩罚系数C和径向基函数g,建立了DIGWO-SVM滚动轴承故障诊断分类器,并利用滚动轴承的振动数据验证了算法的有效性。研究结果表明:基于CMPE的DIGWO-SVM滚动轴承故障诊断方法能够有效地识别轴承的运行状况,识别准确率达到了99.42%,相较于PSO-SVM、SSA-SVM方法提高了7.75%、1.68%,证明了该方法的分类性能在滚动轴承故障诊断中更具优势。 展开更多

关键词 基于维度学习的改进灰狼优化算法 变分模态分解 复合多尺度排列熵 支持向量机 本征模态函数 基于维度学习的狩猎

在线阅读 下载PDF 职称材料

基于InMPE和MFO-SVM的变负载滚动轴承故障诊断 被引量：3

4

作者 袁建明 刘宇 +1 位作者 胡志辉 王磊 《机电工程》 CAS 北大核心 2023年第8期1185-1193,共9页

由于在变负载工况下,提取滚动轴承故障特征较为困难,且其故障识别准确率也较低,为此,提出了一种基于插值多尺度排列熵(InMPE)和飞蛾火焰优化支持向量机(MFO-SVM)的滚动轴承故障诊断方法。首先,在粗粒化时采用三次样条插值代替传统多尺... 由于在变负载工况下,提取滚动轴承故障特征较为困难,且其故障识别准确率也较低,为此,提出了一种基于插值多尺度排列熵(InMPE)和飞蛾火焰优化支持向量机(MFO-SVM)的滚动轴承故障诊断方法。首先,在粗粒化时采用三次样条插值代替传统多尺度排列熵(MPE)中的线性插值,设计了InMPE算法,利用美国凯斯西储大学(CWRU)轴承数据集,分析了不同序列长度、嵌入维数和负载对InMPE的影响;然后,使用飞蛾火焰算法(MFO)优化了支持向量机(SVM),构建了基于InMPE和MFO-SVM的故障诊断模型;最后,搭建了轴承故障诊断试验台,制作了变负载工况下滚动轴承故障特征样本集,对基于InMPE与MFO-SVM的故障诊断方法的有效性和先进性进行了验证。研究结果表明:在变负载工况下,采用基于InMPE与MFO-SVM方法所得的故障识别准确率达到了98.5%,而采用传统MPE方法所得的故障识别准确率为95.9%;在噪声背景下,采用基于InMPE与MFO-SVM方法所得的识别准确率为92.4%,优于后者的80.0%准确率;证明基于InMPE与MFO-SVM的方法能有效识别出滚动轴承的故障信息,且对噪声具有较好的鲁棒性。 展开更多

关键词 滚动轴承 故障诊断 变负载工况 多尺度排列熵 插值多尺度排列熵 飞蛾火焰算法 支持向量机

在线阅读 下载PDF 职称材料

二次VMD筛选-MPE和FCM相结合的故障诊断方法 被引量：4

5

作者 周成江 吴建德 袁徐轶 《机械科学与技术》 CSCD 北大核心 2019年第8期1173-1184,共12页

针对单向阀振动信号含有背景噪声,故障特征提取困难和诊断精度不高的问题,提出了二次变分模态分解(二次VMD)、多尺度排列熵(MPE)和模糊C均值聚类(FCM)相结合的故障诊断方法。首先,通过二次VMD对振动信号进行分解,再使用双阈值法筛选得... 针对单向阀振动信号含有背景噪声,故障特征提取困难和诊断精度不高的问题,提出了二次变分模态分解(二次VMD)、多尺度排列熵(MPE)和模糊C均值聚类(FCM)相结合的故障诊断方法。首先,通过二次VMD对振动信号进行分解,再使用双阈值法筛选得到有用的本征模态函数(IMF)。其次,提取重构信号中具有敏感特性的MPE特征。最后,将故障特征输入至FCM得到聚类中心,并根据海明贴近度对待识别样本进行分类。通过多组对比实验,结果表明二次VMD筛选能有效去除噪声及虚假成分,MPE具有更好的敏感故障特征表征能力。同时,使用FCM对模糊特征进行聚类能够取得比传统支持向量机(SVM)更好的效果。 展开更多

关键词 二次变分模态分解 多尺度排列熵 双阈值法 单向阀 故障诊断

在线阅读 下载PDF 职称材料

基于VMD_MPE和FCM聚类的变转速工况下转子不平衡故障诊断方法 被引量：9

6

作者 钟志贤 马李奕 +2 位作者 蔡忠侯 段一戬 陈金华 《振动与冲击》 EI CSCD 北大核心 2022年第14期290-298,共9页

旋转机械在变转速工况下转子不平衡故障诊断问题一直是故障诊断领域的难点,为解决该问题,提出一种基于变分模态分解(variational mode decomposition,VMD)与多尺度排列熵(multiscale permutation entropy,MPE)和模糊C均值(fuzzy C means... 旋转机械在变转速工况下转子不平衡故障诊断问题一直是故障诊断领域的难点,为解决该问题,提出一种基于变分模态分解(variational mode decomposition,VMD)与多尺度排列熵(multiscale permutation entropy,MPE)和模糊C均值(fuzzy C means,FCM)聚类结合的故障诊断方法(VMD_MPE-FCM)。首先,用VMD对转子的振动信号进行处理,得到若干本征模态分量(intrinsic mode function,IMF);然后,根据转子不平衡故障时一倍频(1×)处振幅剧烈增加的现象,从VMD得到的各IMF频谱图中筛选出最能表征转子不平衡故障特征的IMF;进而采用MPE法对筛选出的IMF进行量化;最后,将量化所得值作为特征向量输入FCM,得到各转速工况下的标准聚类中心,采用择近原则,运用模糊贴近算法计算出待识别数据与标准聚类中心的贴近度,从而实现变转速工况下转子不平衡的故障识别。在转子试验台上采用VMD_MPE-FCM法进行了变转速工况下转子不平衡故障诊断试验,试验结果表明:该方法是有效的,可以准确、高效地提取出转子故障特征,能够很好地识别出不同转速工况下转子的不平衡故障。 展开更多

关键词 变转速工况 转子不平衡故障 变分模态分解(VMD) 多尺度排列熵(mpe) 模糊C均值(FCM) 故障诊断

在线阅读 下载PDF 职称材料

基于QPSO‐MPE的滚动轴承故障识别方法 被引量：9

7

作者 王望望 邓林峰 +1 位作者 赵荣珍 张爱华 《振动．测试与诊断》 EI CSCD 北大核心 2021年第1期62-68,200,201,共9页

为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum⁃behaved particle swarm optimization and multi⁃scale permutation entropy,简称QPSO⁃MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进... 为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum⁃behaved particle swarm optimization and multi⁃scale permutation entropy,简称QPSO⁃MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath⁃Geva)模糊聚类算法进行聚类识别。实验结果表明,基于QPSO⁃MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO⁃MPE在故障特征提取方面的有效性。 展开更多

关键词 滚动轴承故障识别 量子粒子群优化 多尺度排列熵 集成经验模态分解 GG模糊聚类

在线阅读 下载PDF 职称材料

基于FSC-MPE与BP神经网络的滚动轴承故障诊断方法 被引量：11

8

作者 刘俊锋 董宝营 +1 位作者 俞翔 万海波 《中国舰船研究》 CSCD 北大核心 2021年第6期183-190,共8页

[目的]提出一种从强背景噪声、非平稳、非线性的复杂设备滚动轴承早期冲击故障振动信号中有效提取故障特征并进行故障模式识别的方法。[方法]首先,利用快速谱相关(FSC)分析提取原始振动信号的故障特征,并利用多尺度排列熵(MPE)对故障特... [目的]提出一种从强背景噪声、非平稳、非线性的复杂设备滚动轴承早期冲击故障振动信号中有效提取故障特征并进行故障模式识别的方法。[方法]首先,利用快速谱相关(FSC)分析提取原始振动信号的故障特征,并利用多尺度排列熵(MPE)对故障特征进行量化;然后,将故障特征数据输入BP神经网络进行故障诊断模型训练与测试;最后,对变速情况下的滚动轴承故障模拟实验数据和美国凯斯西储大学公开的轴承故障试验数据集进行故障识别研究。[结果]结果显示:所提方法对不同类型的故障具有较高的辨识精度,可达97%以上。[结论]研究验证了基于FSC-MPE与BP神经网络的滚动轴承故障诊断方法的可行性和优越性,可为滚动轴承健康状态评估提供技术支持。 展开更多

关键词 滚动轴承 故障诊断 快速谱相关 多尺度排列熵 BP神经网络

在线阅读 下载PDF 职称材料

基于自适应VMD-MPE算法的矿山爆破地震波信号降噪方法研究 被引量：10

9

作者 彭亚雄 刘广进 +2 位作者 苏莹 陈春晖 刘运思 《振动与冲击》 EI CSCD 北大核心 2022年第13期135-141,共7页

实测矿山爆破地震波信号含有大量高频噪声,一定程度上掩盖了真实信号特征,不利于爆破有害效应分析。为了有效降低实测信号的噪声成分,提出了基于自适应VMD-MPE算法的矿山爆破地震波信号降噪方法。将原信号进行变分模态分解(intrinsic mo... 实测矿山爆破地震波信号含有大量高频噪声,一定程度上掩盖了真实信号特征,不利于爆破有害效应分析。为了有效降低实测信号的噪声成分,提出了基于自适应VMD-MPE算法的矿山爆破地震波信号降噪方法。将原信号进行变分模态分解(intrinsic mode function,VMD)获得本征模态函数(variational mode decomposition,IMF),利用能量差参数ξ自适应确定模态数K,对IMF分量进行多尺度排列熵(multi-scale permutation entropy,MPE)的随机性检测,准确区分出真实IMF和噪声IMF,去除原信号中的噪声IMF以达到降噪目的。对3组实测矿山爆破地震波信号进行降噪处理,结果表明该模型能够较好地去除高频噪声,保留了信号真实成分;其降噪效果均优于EEMD-MPE、CEEMDAN-MPE算法,验证了自适应VMD-MPE降噪方法的有效性。 展开更多

关键词 矿山爆破 地震波信号 自适应VMD算法 多尺度排列熵

在线阅读 下载PDF 职称材料

ALIF-MMPE结合DAG-SVM的滚动轴承故障诊断 被引量：9

10

作者 韩美东 张金豹 赵永强 《机械科学与技术》 CSCD 北大核心 2020年第9期1358-1365,共8页

针对滚动轴承故障诊断中非平稳振动信号下的有效故障特征提取问题,提出一种基于自适应局部迭代滤波、多元多尺度排列熵和有向无环图算法支持向量机的滚动轴承故障诊断方法。自适应局部迭代滤波通过构建自适应滤波函数,能够有效抑制噪声... 针对滚动轴承故障诊断中非平稳振动信号下的有效故障特征提取问题,提出一种基于自适应局部迭代滤波、多元多尺度排列熵和有向无环图算法支持向量机的滚动轴承故障诊断方法。自适应局部迭代滤波通过构建自适应滤波函数,能够有效抑制噪声和模态混叠,经自适应分解后得到若干本征模态函数。仿真结果表明其效果优于经验模态分解。然后利用多元多尺度排列熵对包含显著故障信息的本征模态函数进行信息融合和特征提取,组成故障状态特征集。采用主成分分析对故障状态特征集进行降维,随机抽取部分样本带入有向无环图算法支持向量机中进行训练,其它则作为测试样本进行故障识别和诊断。试验故障诊断结果表明:自适应局部迭代滤波下多元多尺度排列熵优于多个本征模态函数下的多尺度排列熵和经验模态分解下的多元多尺度排列熵;本文方法能准确地识别滚动轴承不同的故障类型及故障程度。 展开更多

关键词 轴承故障诊断 自适应局部迭代滤波 多元多尺度排列熵 有向无环图算法支持向量机

在线阅读 下载PDF 职称材料

基于CEEMDAN–MPE算法的地铁短波长钢轨波磨识别 被引量：4

11

作者 马添翼 李伟 +2 位作者 陈建政 赖伊雯 杨吉忠 《噪声与振动控制》 CSCD 北大核心 2023年第2期120-126,153,共8页

针对地铁钢轨波磨检测效率低、准确率低等问题,提出一种基于自适应噪声完备集合经验模态分解–多尺度排列熵的地铁短波长钢轨波磨识别方法。首先采用自适应噪声完备集合经验模态分解(CEEMDAN)方法将轴箱振动加速度信号逐级分解为多个不... 针对地铁钢轨波磨检测效率低、准确率低等问题,提出一种基于自适应噪声完备集合经验模态分解–多尺度排列熵的地铁短波长钢轨波磨识别方法。首先采用自适应噪声完备集合经验模态分解(CEEMDAN)方法将轴箱振动加速度信号逐级分解为多个不同特征时间尺度相对平稳的固有模态函数(IMF);引入多尺度排列熵(MPE)分析各IMF在不同尺度上的熵均值,计算各IMF的相关系数,然后将随机程度较大或信噪比较低的分量剔除,计算剩余IMF的能量值及总能量值,通过设定阈值判断是否存在钢轨波磨,最后对能量值超过阈值的分量进行小波包时频分析,提取振动中心频率确定钢轨波磨波长。结果表明:(1)基于CEEMDAN–MPE算法可通过轴箱振动加速度准确识别短波长钢轨波磨及发生区域;(2)该方法在识别短波长波磨的准确性上优于EEMD能量值和小波包能量熵方法,并且能够较为准确地提取短波长波磨不平顺导致的振动响应,便于针对波磨的波深做进一步分析。 展开更多

关键词 故障诊断 地铁钢轨波磨 自适应噪声完备集合经验模态分解 多尺度排列熵 轴箱振动加速度

在线阅读 下载PDF 职称材料

基于MPE与PSO-SVM的滚动轴承故障诊断 被引量：25

12

作者 刁宁昆 马怀祥 +1 位作者 王金师 刘帅 《电子测量技术》 北大核心 2021年第21期44-48,共5页

滚动轴承是旋转机械的重要部件之一,针对滚动轴承故障诊断问题,提出了一种多尺度排列熵(MPE)与粒子群优化(PSO)的支持向量机(SVM)相结合的算法。利用MPE方法得到轴承故障信号的故障特征,并将其作为特征向量输入PSO-SVM模型中,使用凯斯... 滚动轴承是旋转机械的重要部件之一,针对滚动轴承故障诊断问题,提出了一种多尺度排列熵(MPE)与粒子群优化(PSO)的支持向量机(SVM)相结合的算法。利用MPE方法得到轴承故障信号的故障特征,并将其作为特征向量输入PSO-SVM模型中,使用凯斯西储大学轴承故障数据进行验证,发现该方法可以有效进行滚动轴承的故障识别。同时将该方法与多尺度排列熵结合传统的SVM方法以及使用网格搜索优化的SVM方法所得故障分类结果进行比较,发现该方法在滚动轴承故障诊断的时效性以及准确率方面具有一定的优越性。 展开更多

关键词 多尺度排列熵 粒子群优化 支持向量机 滚动轴承

在线阅读 下载PDF 职称材料

基于VMD-MPE结合概率神经网络和极限学习机的滚动轴承故障诊断分析 被引量：3

13

作者 曾宪旺 孙文磊 +2 位作者 王宏伟 徐甜甜 张凡 《热加工工艺》 北大核心 2022年第10期157-163,共7页

为揭示滚动轴承的多参量故障特性,提出了变分模态分解和多尺度排列熵相结合的方法进行特征提取并通过不同的算法进行故障诊断。首先对滚动轴承故障信号进行变分模态分解,其次利用多尺度排列熵量化各模态分量的故障特征,最后对计算所得... 为揭示滚动轴承的多参量故障特性,提出了变分模态分解和多尺度排列熵相结合的方法进行特征提取并通过不同的算法进行故障诊断。首先对滚动轴承故障信号进行变分模态分解,其次利用多尺度排列熵量化各模态分量的故障特征,最后对计算所得熵值组成特征向量集将其导入概率神经网络、极限学习机和支持向量机中进行诊断,对比分析测试时间和正确概率。结果表明,该方法能有效提取故障特征并且准确实现故障模式的分类识别,进而提高了故障识别概率。 展开更多

关键词 变分模态分解 多尺度排列熵 极限学习机 故障诊断

在线阅读 下载PDF 职称材料

基于VMD-MMPE的轧机轴承滚动体与保持架故障诊断 被引量：8

14

作者 计江 赵琛 王勇勤 《振动．测试与诊断》 EI CSCD 北大核心 2023年第2期290-297,409,共9页

针对板带轧机轴承工作环境恶劣、保持架与滚动体极易损坏、信号噪声大、识别困难以及实际工况对诊断速度要求高等问题,首先,提出粒子群优化变分模态分解(particle swarm optimization-variational mode decomposition,简称PSO-VMD)和多... 针对板带轧机轴承工作环境恶劣、保持架与滚动体极易损坏、信号噪声大、识别困难以及实际工况对诊断速度要求高等问题,首先,提出粒子群优化变分模态分解(particle swarm optimization-variational mode decomposition,简称PSO-VMD)和多元多尺度排列熵(multivariate multiscale permutation entropy,简称MMPE)的故障诊断方法,并结合粒子群优化支持向量机(particle swarm optimization-support vector machine,简称PSO-SVM)实现故障分类;其次,轴承振动信号经VMD处理为若干模态分量(intrinsic mode functions,简称IMF),选最优分量进行包络分析;然后,针对轧机轴承垂直水平轴向振动差别较大且受较大径向力与轴向力的特点,采用MMPE并考虑3维振动信号的4个分量的MMPE值与时域指标组成特征向量;最后,基于PSO-SVM模型对方法的有效性进行验证。计算和实验结果与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)与局部均值分解(local mean decomposition,简称LMD)方法对比表明,VMD-MMPE可以优化模型的输入,提高模型的诊断正确率和速度,实现轴承保持架与滚动体不同部位和不同损伤程度的故障诊断,具有重要的工程意义。 展开更多

关键词 轧机轴承 变分模态分解 包络谱 多元多尺度排列熵 粒子群优化支持向量机 故障诊断

在线阅读 下载PDF 职称材料

基于ICEEMDAN-MPE和AO-LSSVM的滚动轴承故障诊断 被引量：13

15

作者 李铭 何毅斌 +2 位作者 马东 唐权 胡明涛 《电子测量技术》 北大核心 2022年第23期66-71,共6页

针对滚动轴承故障诊断中特征提取困难和故障类型识别准确率偏低等情况,提出一种基于改进型自适应噪声完整集成经验模态分解(ICEEMDAN)与多尺度排列熵(MPE)结合天鹰算法(AO)优化最小二乘支持向量机(LSSVM)正则化参数和核参数的故障诊断... 针对滚动轴承故障诊断中特征提取困难和故障类型识别准确率偏低等情况,提出一种基于改进型自适应噪声完整集成经验模态分解(ICEEMDAN)与多尺度排列熵(MPE)结合天鹰算法(AO)优化最小二乘支持向量机(LSSVM)正则化参数和核参数的故障诊断方法。首先通过ICEEMDAN对轴承原始振动信号进行分解,其次根据相关系数和方差贡献率双原则选取符合标准的本征模态分量(IMF),并计算对应分量的MPE,以全面获取故障特征信息;最后将其构成多维特征向量,利用AO-LSSVM辨识模型实现对轴承故障诊断。同时进行多组对比实验,研究结果表明了所提方法在滚动轴承故障诊断中的优越性且识别准确率可达98.95%。 展开更多

关键词 故障诊断 ICEEMDAN 多尺度排列熵 天鹰算法 最小二乘支持向量机

在线阅读 下载PDF 职称材料

基于VMD-MPE的开关磁阻电机功率变换器故障诊断 被引量：2

16

作者 张竞文 熊立新 +1 位作者 马宏昌 边敦新 《北京航空航天大学学报》 EI CAS CSCD 北大核心 2022年第6期1022-1029,共8页

故障诊断是提升开关磁阻电机(SRM)调速系统可靠性的重要技术。针对功率变换器故障信号非线性不稳定、有效信息易被噪声掩盖的特点,提出了一种新的故障特征提取方法。对直流母线电流进行变分模态分解,得到若干本征模态分量,取多尺度有效... 故障诊断是提升开关磁阻电机(SRM)调速系统可靠性的重要技术。针对功率变换器故障信号非线性不稳定、有效信息易被噪声掩盖的特点,提出了一种新的故障特征提取方法。对直流母线电流进行变分模态分解,得到若干本征模态分量,取多尺度有效模态分量排列熵平均值作为特征向量,输入支持向量机分类器进行故障识别。为验证所提方法的可行性,建立仿真模型,与传统的小波分析等故障诊断方法进行对比;搭建了开关磁阻电机实验台架,测试了开路、短路故障状态。仿真和实验结果表明:所提方法可减小噪声影响,提高故障识别准确率。 展开更多

关键词 开关磁阻电机(SRM) 功率变换器 故障诊断 变分模态分解 多尺度排列熵

在线阅读 下载PDF 职称材料

基于CEEMD-MPE-NHT的地下洞室爆破网路延时分析

17

作者 孙苗 李兴明 吴立 《爆破》 CSCD 北大核心 2022年第2期42-47,共6页

爆破网路延时识别易受EMD模态混淆的影响,得到混有虚假分量的IMF。而Hilbert变换受Bedrosian定理的约束在处理此类分量会产生负值瞬时频率,造成巨大的识别误差。为解决传统HHT在爆破网路延时分析时遇到的问题,提出了CEEMD-MPE-NHT爆破... 爆破网路延时识别易受EMD模态混淆的影响,得到混有虚假分量的IMF。而Hilbert变换受Bedrosian定理的约束在处理此类分量会产生负值瞬时频率,造成巨大的识别误差。为解决传统HHT在爆破网路延时分析时遇到的问题,提出了CEEMD-MPE-NHT爆破网路延时分析算法。该算法通过改进EMD得到补充集合经验模态分解-多尺度排列熵(CEEMD-MPE)算法,实现EMD模态混淆抑制。再对CEEMD-MPE得到IMF进行归一化Hilbert变换,解除Bedrosian定理对Hilbert变换的约束。对蕴含能量最大的IMF分量进行包络求解,包络峰值对应的时间间隔即为爆破网路实际延时。最后通过分析实际延时和理论延时之间的差值,可判断雷管是否处于正常服役状态。进一步通过干扰降震法得到本工程最合理爆破网路延时为54.51~59.75 ms,研究结果表明:基于CEEMD-MPE-NHT的爆破网路延时分析对爆破安全控制具有重要的现实意义。 展开更多

关键词 爆破网路 补充集合经验模态分解 多尺度排列熵 模态混淆 希尔伯特变换

在线阅读 下载PDF 职称材料

基于VMD-多尺度排列熵和SVM的船用空压机故障诊断方法 被引量：2

18

作者 胡以怀 李从跃 +3 位作者 沈威 崔德馨 张成 芮晓松 《中国测试》 CAS 北大核心 2024年第6期20-27,共8页

船用机械振动信号存在非线性、非平稳性问题,故障特征难提取,通过变分模态分解(variational mode decomposition,VMD)多尺度排列熵(multiscale permutation entropy,MPE)与支持向量机(support vector machine,SVM)融合的故障诊断方法,... 船用机械振动信号存在非线性、非平稳性问题,故障特征难提取,通过变分模态分解(variational mode decomposition,VMD)多尺度排列熵(multiscale permutation entropy,MPE)与支持向量机(support vector machine,SVM)融合的故障诊断方法,对振动信号进行研究。以空压机为例,首先,模拟6种空压机工况,对各工况的热工参数进行测试,分析各工况热工参数的变化程度,并对采集的振动信号进行频域分析。然后通过VMD对振动信号进行分解,得到一系列固有模态分量,计算与原始信号的互相关系数筛选敏感固有模态分量。最后计算出敏感固有模态分量的多尺度排列熵,将其作为特征向量,输入到SVM中,进行故障辨识。实验结果表明:VMD多尺度排列熵与SVM融合的空压机故障辨识方法,能有效地识别故障类型,整体准确率可保持在98.6667%,将此方法与其他方法进行对比,证明此方法有效。 展开更多

关键词 船用往复式空压机 变分模态分解 多尺度排列熵 故障诊断

在线阅读 下载PDF 职称材料

RCMNAAPE在旋转机械故障诊断中的应用

19

作者 储祥冬 戴礼军 +3 位作者 涂金洲 罗震寰 于震 秦磊 《机电工程》 CAS 北大核心 2024年第6期1039-1049,共11页

针对精细复合多尺度排列熵(RCMPE)无法充分提取旋转机械振动信号中的故障信息,从而导致旋转机械故障识别准确率不稳定这一缺陷,提出了一种基于精细复合多尺度归一化幅值感知排列熵(RCMNAAPE)、拉普拉斯分数(LS)和灰狼算法优化支持向量机... 针对精细复合多尺度排列熵(RCMPE)无法充分提取旋转机械振动信号中的故障信息,从而导致旋转机械故障识别准确率不稳定这一缺陷,提出了一种基于精细复合多尺度归一化幅值感知排列熵(RCMNAAPE)、拉普拉斯分数(LS)和灰狼算法优化支持向量机(GWO-SVM)的旋转机械故障诊断方法。首先,利用幅值感知排列熵替换了RCMPE中的排列熵,提出了RCMNAAPE,并将其用于提取旋转机械振动信号的故障特征生成特征样本;随后,采用了LS从原始的高维故障特征向量中筛选出较少的能够更准确描述故障状态的特征,构造敏感特征样本;最后,将低维的故障特征向量输入由灰狼算法优化的支持向量机中进行了训练和测试,完成了旋转机械样本的故障识别和分类,利用滚动轴承和齿轮箱故障数据集将RCMNAAPE-LS-GWO-SVM与其他故障诊断方法进行了对比分析,并开展了评估。研究结果表明:基于RCMNAAPE-LS-GWO-SVM的故障诊断方法能够有效识别旋转机械的各类故障,其识别准确率高于其他对比的故障诊断方法,其中滚动轴承故障的识别准确率达到99.33%,齿轮箱故障的识别准确率达到98.67%。虽然,该方法的特征提取效率不佳,平均特征提取时间分别为153.02 s和163.98 s,仅优于精细复合多尺度模糊熵(RCMFE),但其综合性能更加优异。 展开更多

关键词 故障识别准确率 滚动轴承 齿轮箱 精细复合多尺度归一化幅值感知排列熵 拉普拉斯分数 灰狼优化支持向量机

在线阅读 下载PDF 职称材料

基于改进小波阈值—CEEMDAN的变压器局部放电超声波信号白噪声抑制方法 被引量：18

20

作者 周晶 罗日成 黄军 《高压电器》 CAS CSCD 北大核心 2024年第1期163-171,共9页

为了有效去除变压器局部放电超声信号中的白噪声干扰,提高后续局部放电模式识别及定位的准确性,提出了一种基于改进小波阈值和自适应噪声完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEE... 为了有效去除变压器局部放电超声信号中的白噪声干扰,提高后续局部放电模式识别及定位的准确性,提出了一种基于改进小波阈值和自适应噪声完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的变压器局部放电超声波信号去噪方法。首先,通过对放电信号进行CEEMDAN分解得到一系列由高频到低频的本征模函数IMF(intrinsic mode function);然后,利用多尺度排列熵(multi-scale permutation entropy,MPE)算法计算各阶IMF分量的排列熵PE(permutation entropy),根据各IMF的排列熵值确定信号的去噪阈值与有效阈值。对高于去噪阈值的IMF分量采用改进小波阈值法进行去噪处理,对低于有效阈值的IMF分量视为基线漂移进行剔除。最后,通过重构去噪分量与剩余分量来获得去噪后的超声波信号。仿真和实验结果均表明,文中所提出的去噪算法大大提高了信号的信噪比,并保留了原始超声波信号中的有效信息,对提高后续利用超声波信号进行局部放电模式识别及定位的精确性具有重要意义。 展开更多

关键词 局部放电 超声波信号去噪 改进小波阈值 多尺度排列熵 CEEMDAN

在线阅读 下载PDF 职称材料