检索结果-南通市图书馆

基于VMD多尺度散布熵的柴油机故障诊断方法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

汽车工程 2020年第8期42卷 1139-1144页

作者：乔新勇顾程韩立军陆军装甲兵学院车辆工程系北京100072 武警工程大学乌鲁木齐校区乌鲁木齐830049

为从非平稳非线性的缸盖振动信号中提取出柴油机故障特征,本文中提出一种基于变分模态分解(VMD)的多尺度散布熵的柴油机失火故障诊断方法。利用VMD对柴油机缸盖振动信号进行分解,选取散布熵最小的模态分量作为分析信号,计算该信号的多... 详细信息

为从非平稳非线性的缸盖振动信号中提取出柴油机故障特征,本文中提出一种基于变分模态分解(VMD)的多尺度散布熵的柴油机失火故障诊断方法。利用VMD对柴油机缸盖振动信号进行分解,选取散布熵最小的模态分量作为分析信号,计算该信号的多尺度散布熵,并选取前6个尺度散布熵作为故障特征向量,输入粒子群优化的支持向量机(PSO-SVM)中进行失火故障分类判断,并与其他4种常见方法进行对比,结果表明,本文中提出的诊断方法能够有效提取故障特征,准确识别故障类型,优于所对比方法。

关键词：柴油机故障识别变分模态分解多尺度散布熵 PSO-SVM

基于同步挤压傅立叶变换和多尺度散布熵的局部放电特征提取

在线全文

学校读者我要写书评

暂无评论

基于同步挤压傅立叶变换和多尺度散布熵的局部放电特征提取

作者：晋云雨武汉科技大学

学位级别：硕士

局部放电作为电气设备发生绝缘故障的伴随现象,包含了绝缘故障发生类型的各类信息。电气设备发生不同的绝缘故障时伴随着不同的局部放电信号,所以快速准确的对局部放电类型识别对判断电气设备绝缘故障类型及采取合适的维修方式有着重要... 详细信息

局部放电作为电气设备发生绝缘故障的伴随现象,包含了绝缘故障发生类型的各类信息。电气设备发生不同的绝缘故障时伴随着不同的局部放电信号,所以快速准确的对局部放电类型识别对判断电气设备绝缘故障类型及采取合适的维修方式有着重要意义。而在局部放电分类识别中关键步骤就是对放电信号进行特征提取。针对目前在放电信号特征提取中存在的特征识别稳定性差,分类识别率低的问题,本文研究了同步挤压傅立叶变换和多尺度散布熵的局部放电特征提取方法,主要的内容如下:文中提出提一种基于同步挤压窗口傅里叶变换(WFSST)和多尺度散布熵(MDE)的特征提取方法(WFSST-MDE)。首先使用同步挤压窗口傅里叶变换算法对实验室条件下采集的4种典型绝缘故障的局部放电信号进行分解,变换分解获得放电信号的内蕴模态类函数分量(IMTFs);然后,对于每一类局部放电信号,利用中心频率法选择适用于类型识别的模态分量的个数K,在分别计算模态分量的多尺度散布熵,并组合作为原始特征集。再对原始特征量使用最大相关最小冗余准则进行优选降维,将优化的特征集使用支持向量机(SVM)进行分类。实验结果表明:无论是否有噪声干扰,WFSST-MDE方法都能较好地提取局部放电信号的特征,所提取的特征能准确的刻画不同类型放电信号的波动提醒和复杂度差异,与MDE方法以及基于经验模态分解(EMD)的MDE方法(EMD-MDE)相比,WFSST-MDE方法具有更高的识别率和更好的噪声鲁棒性。为了进一步提高同步挤压窗口傅里叶变换对局部放电信号的频谱分析能力,减少模态分量抽取时的频谱混叠和频谱泄漏,提出了一种基于Kaiser自卷积窗的WFSST和多尺度散布熵的特征提取方法(KCWFSST-MDE)。Kaiser自卷积窗具有优良的旁瓣性能,能够抑制频谱泄漏和模态混叠对抽取分量的影响,使获得的MDE更好地反映局放信号的波动特性和时频复杂度。实验结果表明,基于Kaiser自卷积窗的KCWFSST-MDE算法的识别正确率要高于WFSST-MDE算法。

关键词：局部放电 Kaiser自卷积窗同步挤压窗口傅里叶变换多尺度散布熵

基于改进LMD和多尺度散布熵的滚动轴承损伤识别研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进LMD和多尺度散布熵的滚动轴承损伤识别研究

作者：李祥昆明理工大学

学位级别：硕士

滚动轴承作为旋转机械设备中广泛使用的核心零部件之一,其运行状态直接关系到整个机械设备能否正常运行及完成预定的功能。由于滚动轴承在高速、重载荷或恶劣环境中运转极易出现故障,并由此导致不必要的经济损失。因此,对滚动轴承进行... 详细信息

滚动轴承作为旋转机械设备中广泛使用的核心零部件之一,其运行状态直接关系到整个机械设备能否正常运行及完成预定的功能。由于滚动轴承在高速、重载荷或恶劣环境中运转极易出现故障,并由此导致不必要的经济损失。因此,对滚动轴承进行故障诊断对于有效实施机械设备的视情维修具有重要的工程实用价值和理论经济意义。近年来,在滚动轴承振动信号的故障诊断方法方面有较多的研究成果。其中,传统局部均值分解方法（Local Mean Decomposition,LMD）中利用滑动平均对局部均值和包络估计函数进行多次平滑处理导致该函数产生局部误差,进而影响滚动轴承故障特征频率的精度。同时,从提取振动信号故障特征频率的角度实现故障诊断,取得了较好的诊断效果。但是,实际现场中仅知道是否发生故障及故障类型对预防检修是远远不足够的,只有掌握故障演变过程及损伤程度,才能更有效指导维护并减少生产成本。在此基础上,本文从包络线构造方法、故障特征提取及滚动轴承的损伤程度评估展开研究,主要研究工作如下:（1）针对复合插值包络（Compound Interpolation Envelope,CIE）构造方法构建包络线时非平稳系数阈值缺乏自适应选择且采用定值无法描述非线性和非平稳性过程等问题,提出了基于分形盒维数的改进复合插值包络构造方法（Improved Compound Interpolation Envelope,ICIE）。首先利用强非平稳模拟信号比较CIE方法中不同非平稳系数阈值及ICIE构造包络的性能,进一步计算其包络线的绝对值误差验证ICIE包络构造方法的有效性。然后,利用不同非平稳系数阈值的CIE方法及ICIE包络构造方法构造滚动轴承故障振动信号的包络线。进而验证ICIE包络构造方法在故障信号中的实际工程价值及引入分形盒维数作为非平稳系数阈值的正确性。（2）局部均值分解方法中包络线构造不准确导致局部均值和包络估计函数产生局部误差,且乘积函数（Product function,PF）分量筛选不当导致不能较好突出振动信号的故障脉冲分量,进而降低方法的识别精确度和可靠性。为此,提出了一种基于ICIE包络构造方法的改进LMD方法,并进一步提出了基于改进的复合插值包络局部均值分解（Improved Compound Interpolation Envelope Local Mean Decomposition,ICIELMD）和峭度准则的滚动轴承故障检测方法。首先基于ICIE包络构造方法提出改进的LMD方法,并结合均值正交指标及能量守恒指标对LMD方法改进前后进行分解性能分析。其次利用ICIELMD方法对滚动轴承的外圈、内圈、滚动体等故障振动信号进行分解,并结合峭度准则选取有效PF分量进行重构。最后,利用包络解调方法对重构信号进行包络解调得到频谱图,提取故障特征频率实现故障检测。（3）为了掌握滚动轴承故障演变过程及损伤程度,进而提出了一种基于ICIELMD精细复合多尺度散布熵（Refined Composite Multiscale Dispersion,RCMDE）和Gustafson-Kessel（GK）聚类的滚动轴承故障损伤程度评估方法研究。首先,介绍精细复合多尺度散布熵的实现过程及性能,并结合ICIELMD及GK聚类算法应用于滚动轴承的不同损伤程度故障识别。最后,所提方法与CIELMD-RCMDE-GK及LMD-RCMDE-GK等方法进行比较分析,验证所提方法的有效性及可行性。

关键词：滚动轴承局部均值分解特征提取多尺度散布熵损伤识别

基于VMD多尺度散布熵和VPMCD的滚动轴承故障诊断方法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

化工自动化及仪表 2021年第4期48卷 346-352页

作者：关晓艳李亚肖杨王椿晶昆明理工大学信息工程与自动化学院

为有效提取滚动轴承的故障特征,并解决识别准确率低的问题,提出一种将变分模态分解(VMD)多尺度散布熵和变量预测模型分类识别(VPMCD)相结合的故障诊断方法。首先,通过最大相关峭度解卷积(MCKD)算法对信号实施去噪处理;其次,采用VMD方法... 详细信息

为有效提取滚动轴承的故障特征,并解决识别准确率低的问题,提出一种将变分模态分解(VMD)多尺度散布熵和变量预测模型分类识别(VPMCD)相结合的故障诊断方法。首先,通过最大相关峭度解卷积(MCKD)算法对信号实施去噪处理;其次,采用VMD方法分解去噪后的信号,获得多个本征模态函数(IMF)分量;再次,计算各分量的多尺度散布熵(MDE)值,形成故障特征向量;最后,利用VPMCD方法进行故障识别和分类。实验结果表明:该方法能切实有效地提升轴承故障诊断的准确性。

关键词：特征提取 VMD 多尺度散布熵 VPMCD 滚动轴承故障诊断

基于变分模态分解和多尺度散布熵的放电特征提取

在线全文

学校读者我要写书评

暂无评论

上海电机学院学报 2020年第5期23卷 292-296页

作者：陈晨迟长春张梦成上海电机学院电气学院上海201306

针对目前局部放电信号识别率低的问题,研究一种基于变分模态分解(VMD)和多尺度散布熵(MDE)的特征提取方法。将信号经VMD分解得到模态分量,并计算相应的多尺度散布熵得到不同类型放电特征量,输入概率神经网络(PNN)进行模式识别。采用经... 详细信息

针对目前局部放电信号识别率低的问题,研究一种基于变分模态分解(VMD)和多尺度散布熵(MDE)的特征提取方法。将信号经VMD分解得到模态分量,并计算相应的多尺度散布熵得到不同类型放电特征量,输入概率神经网络(PNN)进行模式识别。采用经验模态分解(EMD)特征提取方法进行对比试验。实验结果表明,采用VMD和MDE的特征提取方法,对信号的识别率更高,可以为放电信号识别提供样本。

关键词：局部放电变分模态分解多尺度散布熵特征提取

基于SSA-VMD的气阀信号故障特征提取方法研究

在线全文

学校读者我要写书评

暂无评论

压缩机技术 2024年第3期 17-22页

作者：温丹阳张秀珩刘佳音孙林沈阳理工大学机械工程学院辽宁沈阳110159

为了解决VMD算法因人为预设分解层数K及惩罚因子α两个参数而导致的信号过分解和欠分解的问题,提出了一种基于SSA-VMD的隔膜压缩机气阀故障特征提取方法。该方法以各分量的最小包络熵作为适应度函数,对VMD进行参数优化。将SSA-VMD方法... 详细信息

为了解决VMD算法因人为预设分解层数K及惩罚因子α两个参数而导致的信号过分解和欠分解的问题,提出了一种基于SSA-VMD的隔膜压缩机气阀故障特征提取方法。该方法以各分量的最小包络熵作为适应度函数,对VMD进行参数优化。将SSA-VMD方法与原始VMD方法进行对比分析,分别计算两种分解方法各分量的多尺度散布熵(MDE)值,选取合适的熵值作为特征向量,利用随机森林算法进行故障的分类识别,从而实现对隔膜压缩机气阀各类故障的诊断。研究结果表明:使用原始VMD方法分解后的数据,故障识别的平均准确率为90.63%,而利用SSA-VMD方法故障识别的平均准确率高达99.32%。该结果表明使用SSA-VMD方法分解信号,故障诊断的准确率明显提高。

关键词： VMD 麻雀搜索算法故障诊断多尺度散布熵气阀

基于IRCMNDE和NNCHC的滚动轴承故障诊断

在线全文

学校读者我要写书评

暂无评论

航空动力学报 2022年第6期37卷 1150-1161页

作者：杨潇谊邓为权马军昆明理工大学云南省人工智能重点实验室昆明650500 昆明理工大学信息工程与自动化学院昆明650500 昆明理工大学民航与航空学院昆明650500

针对多尺度散布熵(MDE)在粗粒化过程中易发生信息丢失、产生虚假信息,难以全面提取轴承故障信息的问题,提出了基于改进的精细复合多尺度归一化散布熵(IRCMNDE)和最近邻凸包分类(NNCHC)的滚动轴承故障诊断方法。引入精细复合多尺度散布熵... 详细信息

针对多尺度散布熵(MDE)在粗粒化过程中易发生信息丢失、产生虚假信息,难以全面提取轴承故障信息的问题,提出了基于改进的精细复合多尺度归一化散布熵(IRCMNDE)和最近邻凸包分类(NNCHC)的滚动轴承故障诊断方法。引入精细复合多尺度散布熵(RCMDE),将其粗粒化过程中平均值替换为最大值来表示数据段信息,以克服传统粗粒化过程的不足并突出故障特征。通过归一化操作减弱熵值计算时不同参数选择导致的熵值波动幅度,得到IRCMNDE。将IRCMNDE作为故障特征,使用NNCHC分类器对故障特征进行分类。经实验验证,该方法可达到98.98%的故障识别准确率,相比基于MDE(故障识别准确率为95.99%)和RCMDE(故障识别准确率为97.60%)的方法,能够更准确地提取滚动轴承的故障特征信息,提高承故障分类的准确性。

关键词：滚动轴承故障诊断多尺度散布熵精细复合多尺度散布熵最近邻凸包分类(NNCHC)

基于混合特征提取和PSO-ELM的电机故障诊断

在线全文

学校读者我要写书评

暂无评论

组合机床与自动化加工技术 2023年第5期 106-109页

作者：谢锋云赏鉴栋汪淦王玲岚华东交通大学机电与车辆工程学院南昌330013

针对单一特征提取方法无法有效提取电机故障特征,提出了一种基于混合特征提取与粒子群优化极限学习机(PSO-ELM)相结合的电机故障诊断方法。通过搭建电机故障实验平台,获取三相异步电机不同状态振动信号,利用变分模态分解(VMD)获取反映... 详细信息

针对单一特征提取方法无法有效提取电机故障特征,提出了一种基于混合特征提取与粒子群优化极限学习机(PSO-ELM)相结合的电机故障诊断方法。通过搭建电机故障实验平台,获取三相异步电机不同状态振动信号,利用变分模态分解(VMD)获取反映信号能量分布特点的能量占比和能量熵特征,并与反映时间序列不同尺度复杂程度的多尺度散布熵(MDE)特征组成混合特征向量,使用PSO-ELM完成电机不同状态的识别。结果表明,所提方法20次测试的平均识别率为98.92%,能有效提取电机故障特征。

关键词：故障诊断粒子群优化极限学习机变分模态分解多尺度散布熵

在线全文

学校读者我要写书评

暂无评论

基于多重同步压缩变换的癫痫脑电分析与处理

基于多重同步压缩变换的癫痫脑电分析与处理

作者：杨玉莹山东师范大学

学位级别：硕士

癫痫是人脑非正常放电而导致的神经生物学疾病。具有发作时伴随紧急性的特点。脑电图是用来监测人脑活动的重要工具。目前,临床上脑电图主要由神经科医生进行标注,然而通过人眼检查以获取脑电图中的有用信息是既费力又耗时的。因此,如... 详细信息

癫痫是人脑非正常放电而导致的神经生物学疾病。具有发作时伴随紧急性的特点。脑电图是用来监测人脑活动的重要工具。目前,临床上脑电图主要由神经科医生进行标注,然而通过人眼检查以获取脑电图中的有用信息是既费力又耗时的。因此,如果能够发展基于数据算法的脑电信号自动分析与处理方法,实现致痫区的自动识别与癫痫发作期的自动检测,可有效减少人为主观的误判率,对癫痫疾病的诊疗有着极其重要的意义。传统的时频域分析方法在处理脑电信号时,受限于海森堡不确定性原理,无法保证良好的时频聚集性。本文提出了基于多重同步压缩变换的致痫区脑电识别方法。多重同步压缩变换采用迭代再分配的方法,逐渐增强时频分布脑电特征提取的能量集中度。从而可以高效研究多分量强时变信号,获得非平稳信号中各脑电特征分量的时频特性。首先,对原始脑电数据进行滤波处理,以减少相位畸变。使用多重同步压缩变换系数作为脑电信号分解后的时频特征,用于对致痫区脑电的识别。分别在两个不同的开源癫痫脑电数据库上,采用支持向量机作为分类器,对所提出的基于多重同步压缩变换的脑电特征进行验证。实验结果表明了本文所提出的方法的有效性,并且不同的脑电数据库上的良好结果又体现了本文方法的泛化性能。与此同时,本文基于多重同步压缩变换并结合多尺度散布熵与多标签k近邻算法,提出了癫痫发作自动检测方法。首先对原始脑电信号进行滤波处理和快速傅里叶变换,通过分析时频图得到条件优异的导联。然后,进行多重同步压缩变换,并在脑电特征中引入了多尺度散布熵,克服单一尺度的散布熵问题和提取信号时复杂的特征不完全现象。最后,结合最大后验概率,采用多标签k近邻算法在连续长程脑电信号中识别癫痫发作期。该算法可利用未知标签脑电数据中存在的有用信息,从而减少标注成本。在开源的连续长程头皮脑电数据库上验证了本文所提出的方法的性能。由于结合了多尺度散布熵,实验过程中,脑电信号的特征提取和偏差校正均得到很大程度的改善。并且获得了令人满意的实验结果,平均敏感度为91.85%,平均特异性为93.61%。与其他已有的发作检测方法的对比进一步体现本文方法的优异性。本文基于多重同步压缩变换对癫痫患者的脑电信号进行分析与处理,分别提出了致痫区脑电识别与癫痫发作检测方法,有助于促进时频分析在脑电信号处理中的应用。未来工作中,将在临床收集的更大规模的脑电数据集中,进一步对本文方法进行评估验证和完善。

关键词：癫痫检测时频分析多重同步压缩多尺度散布熵多标签k近邻