旋流静态混合器内瞬态速度时间序列多尺度符号化分析

利用激光多普勒粒子分析仪对长径比为1.25的旋流静态混合器内瞬态流场进行测量.基于经验模态分解(EMD)方法将测得SK型静态混合器速度信号进行多尺度分解,并将分解的各阶固有模态函数IMF进行符号化,采用修正的Shannon熵(Hs)评价各尺度下的微观动力学特征.通过对静态混合器内不同尺度下瞬态速度波动信号的Hs分析,发...     

基于广义复合多尺度熵的两相流动力学分析

多尺度熵(MSE)作为一种度量非线性时间序列复杂程度的有效分析方法,已被应用于两相流动力学特性分析.针对MSE分析中粗粒化方式的不足,采用方差代替均值以及复合化熵值的广义复合多尺度熵(GCMSE)对几种典型时间序列进行了分析.与MSE相比,GCMSE分析有效且熵值的稳定性表现更好.在此基础上,分析了125种不同流动条件下垂直上升管内气液两相流3种典型流型的压差波动时间序列.研究结果表明:泡状流、塞状流、混状流的GCMSE均随尺度因子的增大而增大,但熵值增长速率存在明显的差异,在低尺度因子下熵值增长速率能够用来表征不同流型,在中高尺度因子下熵值波动特征能够映射不同流型的非线性动力学特性.     

HVDC换相失败小波故障诊断方法

将小波变换应用于高压直流输电(HVDC)系统换相失败的故障诊断中,基于多尺度分析分别对不同故障情况下的直流电流进行分解,并利用尺度能量和尺度熵这两种小波处理方法提取故障特征,分别定义两个故障诊断指标作为辨识各种故障的判据,然后针对这两个指标分别设置4个阈值以诊断直流线路故障和换相失败故障.仿真表明,在不同的HVDC系统故障情况下,暂态信号小波尺度能量和尺度熵的分布都具有一定的规律性,可分别作为判断系统故障的有效依据,提出的判据能准确地对换相失败故障做出诊断.     

VP型宽频带倾斜仪故障信号的BBA-SOM智能诊断

针对现有VP型倾斜仪故障诊断主要依靠人工经验和诊断流程较为复杂的问题,提出以互补集合经验模态分解(complete ensemble empirical mode decomposition, CEEMD)多尺度近似熵和二进制蝙蝠算法(binary bat algorithm, BBA)优化SOM神经网络参数的VP型倾斜仪故障诊断新方。首先,将归一化后的仪器故障信号进行CEEMD分解,对6阶本征模态函数(intrinsic mode function, IMF)求取多尺度近似熵值;然后将网络输入法按比例分为训练集和测试集,以训练集的识别率为适应度函数,应用二进制蝙蝠算法(binary bat algorithm, BBA)优化SOM神经网络的竞争层维数和网络训练次数;最后应用上述得到的BBA-SOM网络模型对倾斜仪故障特征数据进行辨识。实验表明：CEEMD多尺度近似熵判据对倾斜仪故障特征的区分效果符合预期;相对于朴素贝叶斯、AdaBoost集成学习与LDA等学习模型,BBA-SOM模型可以准确进行故障诊断;该方法对实现VP型倾斜仪故障的自动诊断有重要现实意义。     

基于EEMD与ELM的单向阀故障诊断

提出了一种基于总体平均经验模态分解和极限学习机的故障诊断方法,该方法利用EEMD将单向阀振动信号分解成若干个不同尺度的本征模函数(IMF),从IMF分量中提取近似熵、能量熵、峭度和均方根4个特征构成特征向量集,用于建立基于极限学习机算法的故障诊断模型。实验结果表明,该方法可以监测高压隔膜泵运行状态,成功诊断出单向阀运行时产生的故障。     

本征时间尺度排序熵及其在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳、非线性特性,将经验模态分解方法和排序熵有机结合,提出一种新的基于自适应尺度的复杂度参数——本征时间尺度排序熵,用于描述不同本征模态分量的复杂程度,从而实现故障特征的量化描述。首先,将原始振动信号经过EMD分解得到若干本征模态分量,然后分别对各本征模态分量计算排序熵,即可得到不同本征时间尺度排序熵,最后利用该参数实现不同故障状态的有效区分与识别。实例分析结果表明了该方法的有效性和实用性,从而为机械设备状态监测与故障诊断提供了一种有效途径。     

采用滑动平均多元多尺度色散熵的液压泵故障诊断方法

为了提高色散熵的信息提取能力，在兼顾计算效率和效果的前提下，引入多维嵌入重构理论，借鉴滑动平均的思想，更新了传统多尺度算法的粗粒化方式，提出了滑动平均多元多尺度色散熵(moving average multivariate multiscale dispersion entropy，MA_mvMDE)用以提取液压泵故障特征。首先，利用均匀相位经验模态分解（uniform phase empirical mode decomposition，UPEMD）将振动信号分解为多个本征模态分量（intrinsic mode functions，IMF），再采用相关系数法筛选敏感分量，将包含大量故障信息的模态分量作为多通道数据计算其MA_mvMDE值来提取故障特征。接着，采用MCFS方法选择故障敏感特征实现降维。最后，通过随机森林分类器完成故障识别。采用液压泵故障振动数据验证了该方法能够准确诊断不同类型和不同程度的故障。     

基于改进IVMD的工程结构状态特征分析研究

针对当前工程结构状态特征分析时频方法存在的缺点,基于时频分析新算法——变分模态分解算法构建结构状态特征分析新方法.对变分模态分解进行改进,建立分解层数自适应确定的变分模态分解算法(Improved Variational Mode Decomposition, IVMD),并通过仿真信号验证IVMD对复杂信号的分析能力.利用IVMD和加速度数据进行工程结构多种工况下的固有频率、IVMD能量熵分析.建立结构振动GPS数据奇异点探测的IVMD能量熵方法.基于IVMD提取及分析大坝变形分量与其状态特征.实验结果表明:IVMD对复杂信号分解具有较高的精度,并且效果远优于经验模态分解及小波分解算法;IVMD获取的固有频率与能量熵参数可有效分析不同工况下钢结构状态特征变化,结构不同工况的参数差异显著;IVMD能量熵序列准确地探测到结构振动GPS数据中的奇异点,可精准的确定结构状态动态变化特征;IVMD较好地提取到大坝变形温度、水位、时效分量,挖掘了大坝变形状态特征信息.基于此,证实了结构状态特征分析IVMD新方法的有效性及可靠性.     

基于CEEMDAN多尺度模糊熵和SSA-BP神经网络的VP型垂直摆倾斜仪故障辨识

针对现有倾斜仪故障记录的甄别与分类主要依靠人工经验,诊断过程繁琐及诊断精度不高的问题,充分利用信号分解技术的特征升维与机器学习模型的快速自动分类等优势,提出一种结合完备集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）多尺度模糊熵和麻雀搜索算法（SSA）优化BP神经网络的VP型宽频带垂直摆倾斜仪故障自动诊断方法。该方法首先将故障数据归一化,利用CEEMD分解信号得到本征模态函数（IMF）的多尺度模糊熵,然后基于麻雀搜索算法（SSA）优化BP神经网络的权值与阈值,得到最佳权值和阈值,最后应用SSA-BPNN模型对倾斜仪故障特征数据进行辨识。实验表明:CEEMD多尺度模糊熵判据具有良好的倾斜仪故障特征区分效果;SSA-BP神经网络模型在准确率和召回率上,相比BP模型分别提高4.758 1、6.321 6个百分点,辨识过程更稳健,弥补了VP型倾斜仪在故障智能识别领域的空白。     

气液两相管流流型信号的小波去噪处理

流型信号能够反映气液两相管流的流动特征,它们往往会伴随着各种随机噪声.为此建立了一座气液两相流的综合试验装置,提取气液两相管流的流型信号.采用小波变换对信号样本的进行多尺度分解,利用信号和噪声在不同尺度上的特性把它们区分开来,消除噪声后再对信号进行重构,得到了较好的去噪效果.     

水平管气水两相流分相界面识别

气液两相流中界面波动的存在,使得两相流的传热、传质及阻力特性发生很大的变化,因此对气液两相流界面波动理论和实验的研究有着重要意义.基于电阻层析成像(ERT)技术将独立成分分析和多尺度分析结合提取水平管气液两相流分相界面波动信息,通过与ERT纵断面成像时间序列的比较分析,并且经过大量的实验验证表明,对水平管气液两相流中的弹状流、分层流、波状流,该方法可有效地获得界面波动信息;对塞状/泡状流提取的独立分量呈现出高频特性,进一步结合多尺度分析可获得界面波动信息.     

基于MEMD和RVM的滚动轴承外圈故障评判

针对经验模态分解(EMD)分析同一轴承的多通道故障信号不全面的问题,创建出一种将多元经验模态分解(MEMD)、互近似熵与相关向量机(RVM)相结合的方法,以全面分析滚动轴承外圈故障。首先,利用MEMD将滚动轴承外圈3点钟、6点钟和12点钟方向的多通道振动信号分解为多通道独立的多元本征模函数(MIMF)分量;然后,计算每个MIMF分量信号与原信号之间的相关系数,并求出相关系数最大的前两个MIMF分量的互近似熵值;最后,通过得到的近似熵值构建相关向量机分类模型,对滚动轴承外圈故障样本进行故障分析和评判,将该方法与EMD单一通道分析的方法相对比,结果表明了该方法的有效性和可行性。     

基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法

针对滚动轴承振动信号在强噪声环境下出现非线性、非平稳、强干扰特性,进而导致故障特征难以提取及故障诊断准确率低的问题,提出变分模态分解(VMD)-多尺度排列熵(MPE)-核主元分析(KPCA)特征提取与多分类相关向量机(MRVM)相混合的滚动轴承故障诊断方法.该方法首先通过VMD-MPE进行滚动轴承振动信号的高维故障特征提取,其次对提取的故障特征进行KPCA可视化降维,最后将降维后的故障特征输入可实现不同样本概率输出的MRVM进行滚动轴承故障诊断.通过美国西储大学的滚动轴承故障数据集对该方法的有效性进行验证,结果表明提出的VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法能够有效提取和识别滚动轴承故障特征,所提出的混合智能故障诊断方法与相关文献报道的故障诊断方法相比较,故障识别准确率达到了99.18%.     

基于EEMD和改进功率谱熵的船舶轴频电场检测

为了提高强海洋背景噪声中对微弱的船舶轴频电场信号的检测性能,提出了一种基于集合经验模态分解(EEMD)和窄带功率谱能量峰值熵比(EPER)特征的检测算法.首先,利用EEMD方法从含噪信号中分解出一组有效固有模态函数(IMF),并对其功率谱进行子区间划分;其次,定义并计算了各子区间的一种改进功率谱熵特征——EPER;最后,通过分析轴频信号和环境噪声物理特征上的差异,结合K-均值聚类方法进行线谱子区间的提取,继而进行滑动检测.选用实测数据,与小波包熵滤波算法、小波阈值去噪算法、特征频段功率谱算法进行对比,处理结果表明所提算法具有更好的自适应性和检测性能.     

基于变分模态分解与近似熵的输电线路两相接地故障诊断

针对现有电力系统输电线路故障信号分析方法中,存在故障信号特征遗失等问题,提出一种基于变分模态分解(VMD)-近似熵(Ap En)的两相接地故障诊断新方法。首先选取故障点处容易获取的相电压信号作为故障信号;然后对各相故障信号进行VMD分解得到其分量,进一步提取各相IMF分量的近似熵值并作为一个特征向量。通过分析各相特征向量的模值,最终诊断出输电线路两相接地故障所在相。选取IEEE 5节点标准测试系统验证;并与EMD-Ap En算法进行比较。实验结果表明,提出的VMD-Ap En方法准确可靠,避免了EMD分解时产生模态混叠的现象;更能有效地诊断出输电线路两相接地故障所在相,具有较好的实用性。     

改进变分模态分解-多尺度排列熵结合广义回归神经网络的高压直流输电线路故障辨识

针对现有的高压直流(high voltage direct current, HVDC)输电线路故障识别方法识别准确率低，且无法同时准确识别低阻和高阻故障的问题，提出一种改进变分模态分解(variational mode decomposition, VMD)-多尺度排列熵(multi-scale permutation entropy, MPE)结合广义回归神经网络(general regression neural network, GRNN)的HVDC输电线路故障辨识方法。首先采用鲸鱼算法改进后的VMD对故障电流信号进行分解，并选择合适的本征模态函数(intrinsic mode function, IMF)分量计算多尺度排列熵和IMF能量和比值提取故障特征组成故障特征向量，然后将特征向量输入到GRNN网络中进行训练与测试，利用GRNN网络对小样本数据的高分类能力识别不同类型的故障。实验结果表明，所提出的方法对HVDC输电线路不同类型故障辨识准确率高，无论发生低阻或高阻故障都能够准确辨识，耐受过渡电阻能力强，在小样本故障辨识方面性能突出，可靠性高。     

基于等高线的图像特征表达

结合多尺度图像分解技术和等高线理论提出了一种图像特征表达方法.该方法的独特之处在于将经验模态分解技术应用于图像的梯度模,而不是直接应用于图像本身.对梯度模图像进行经验模态分解,获得表示图像不同尺度下变化信息的固有模态函数,取携带丰富图像特征的前两个固有模态函数进行叠加,对叠加后的固有模态函数求取等高线,以实现对图像特征的提取和表达.实验结果表明,这种图像特征表达方法,不仅可以捕获图像中不同灰度变化属性信息,而且可以获得图像的几何结构,对图像的弱特征信息也有较好的表示能力.     

功率谱熵在垂直于水平流向的气液两相流压差信号中的应用

对垂直于水平流向的气液两相流压差信号进行了实际测量,对采集的信号提取其功率谱熵值.结果表明:压差信号的功率谱熵受外界压力变化影响较小,对两相流流型变化是敏感的,通过分析功率谱熵值随气液两相流气相流速变化趋势,能够较好地揭示水平管道气液两相流流动特性,为两相流流型的准确识别方法提供有价值的参考.     

交变磁场曝露对大鼠心电信号多尺度熵的影响

为研究电磁场对生物体心电信号复杂度的影响,在20mT,50Hz交变电磁场环境中曝露大鼠,连续曝露7d,采集大鼠磁场曝露前、磁场曝露10,20和30min心电信号(ECG),利用经验模态分解(EMD)重构信号,计算各信号多尺度熵(MSEn).实验结果表明,20mT,50Hz交变磁场对大鼠心电信号多尺度熵的影响具有时间效应,通过心脏的自我调控可以降低交变磁场对大鼠心脏的影响.     

EMD在汽车变速齿轮箱振动故障分析的应用

采用经验模态分解和能量特征值对振动加速度传感器获取的汽车齿轮箱振动信号进行特性分析.利用经验模态分解获得振动信号的本征模态函数,并对本征模态函数进行系数-能量计算,提取系统的特征信息,对汽车齿轮箱的故障进行诊断,从而实现在线监测汽车齿轮变速箱运转工作状态,及时发现齿轮箱的早期故障,提高汽车运行的安全性.仿真研究结果表明经验模态分解方法在故障信息诊断方面是可行的和有效的,并能够提高故障检测的可靠性.