基于VMD去噪及多尺度模糊熵的管道小泄漏研究

针对天然气管道微小泄漏信号的特征在单一尺度上难以全面提取的问题,提出一种基于变分模态分解(VMD)与多尺度模糊熵(MFE)结合的管道小泄漏信号识别方法.首先使用VMD算法对管道负压波信号进行降噪处理,通过欧氏距离(ED)法评估确定VMD分解的有效模态并对其进行重构,以重构信号信噪比最高原则确定VMD分解的模态个数;将多尺度模糊熵作为故障特征值向量,最后用支持向量机对特征值向量进行分类识别.实验结果表明:该方法对管道信号状态整体识别率达99.33％,证明了该方法总体识别效果较好,可实现对管道小泄漏信号的准确识别.     

EEMD样本熵的扬声器异常音分类方法

为了更准确的对扬声器异常音进行分类,提出一种基于集合经验模态分解(EEMD)与样本熵的扬声器异常音特征提取方法并利用极限梯度提升(XGBoost)算法进行分类。在基频陷波预处理后,对信号进行EEMD,结合相关性分析选取固有模态函数(IMF)分量并计算其样本熵构成特征向量。实验结果表明,针对扬声器异常音分类问题,在小样本的情况下,扬声器声响应信号经基频陷波预处理后,XGBoost算法使用EEMD与样本熵的特征提取方法取得了95. 33%的分类准确率,高于小波包变换和样本熵特征提取方法所取得的准确率,验证了特征提取及分类方法的有效性。     

CNN-GRU 和 SSA-VMD 在扬声器异常声分类中的应用

为了提高扬声器异常声分类的平均准确率,提出用卷积神经网络加门控循环单元(convolutional neural network plus gated recurrent unit, CNN-GRU)和麻雀搜索算法优化变分模态分解(sparrow search algorithm optimization variational modal decomposition, SSA-VMD)模型进行扬声器异常声分类。在特征提取方面,用SSA-VMD模型,确定VMD中二次惩罚因子(α)和模态分解数(k)的最优取值问题,借此提高特征提取精度,减少提取时间,最后再利用VMD提取扬声器响应信号的特征;在分类网络方面,用CNN-GRU网络来进行扬声器异常声分类,以CNN为基础特征提取网络,再用GRU网络进行更深层特征提取,达到提高扬声器平均分类准确率的目标。试验结果表明,经SSA-VMD模型优化参数后,VMD可以更有效提取特征,且分解时间缩短59.8%;CNN-GRU模型具有更高和更稳定的识别率,其平均分类准确率为99.2%。     

基于振动信号的锂离子电池故障诊断方法

为实现对锂离子电池过充及外部短路故障的诊断,提出一种基于改进变分模态分解(VMD)-多尺度熵(MSE)的锂离子电池振动信号特征提取方法.通过改进VMD对振动信号进行分解,对所得固有模态分量求多尺度熵值,提取锂离子电池在不同工况下的振动特征,最后基于此特征进行K均值聚类,完成对过充和外部短路故障的故障识别.经对比实验验证,该方法能有效提取锂离子电池振动信号特征量,正确识别锂离子电池的过充及外部短路故障,且准确率更优.     

基于VMD和WOA-SVM的变压器绕组松动故障诊断

为了更加准确有效地诊断变压器绕组松动故障,提出了一种基于变分模态分解(VMD)和鲸鱼优化支持向量机(WOA-SVM)的变压器绕组松动故障诊断方法。首先,对某10 kV变压器进行模拟故障试验,测量其振动信号;随后,采用VMD将非平稳的振动信号分解成多个本征模态函数(IMF),并计算各层IMF的能量熵,构成特征向量;最后,将特征向量输入鲸鱼算法(WOA)优化的支持向量机(SVM)中训练出分类模型,实现变压器绕组松动故障诊断。结果表明,所提方法适用于变压器绕组松动故障诊断,并且相较于传统的改进SVM分类模型,所提方法的故障识别准确率更高。     

基于MEEMD-KF-散布熵的油气管道工况识别

针对油气管道泄漏检测过程中,泄漏信号包含大量噪音、特征提取困难等问题,提出一种改进的总体平均经验模态分解联合卡尔曼滤波算法的管道信号去噪方法。首先采用改进的总体平均经验模态算法对采集到的管道负压波信号进行分解,其中利用排列熵和卡尔曼滤波算法对分解后的固有模态分量进行筛选和处理,最后得到重构后的削噪信号。并且提出基于散布熵和峭度的特征提取法,将提取的特征参数作为支持向量机的输入来对输油管道的工况进行分类识别。经采集到的数据验证,改进的总体平均经验模态分解、卡尔曼滤波、散布熵与峭度结合的组合识别方法可以较准确的对管道信号进行分类识别,结果显示其总平均识别准确率达到98.89%,为管道的工况识别研究提供了一种新的途径。     

基于VMD-Hilbert边际谱能量熵和SVM的高压断路器机械故障诊断

针对高压断路器分、合闸动作过程中产生的振动信号持续时间短暂及强烈的非线性非平稳性,导致的特征提取困难问题,提出一种变分模态分解(VMD)-希尔伯特(Hilbert)边际谱能量熵,及支持向量机(SVM)的高压断路器振动信号组合特征提取和机械故障诊断方法。采用VMD对高压断路器振动信号进行分解,得到一系列反映振动信号局部特性的本征模态函数(IMF);对IMF进行Hilbert变换,并求取对高压断路器机械状态变化敏感的Hilbert边际谱能量熵作为特征向量;将特征向量输入到SVM分类器,实现高压断路器机械故障的智能诊断。试验结果表明:该方法能够准确识别高压断路器的常见机械故障类型,具有一定的工程应用价值。     

基于VMD和多尺度熵的变压器内绝缘局部放电信号特征提取及分类

为了有效提取局部放电信号的特征,提出了一种基于变分模态分解(VMD)和多尺度熵(MSE)的特征向量提取方法,并采用BP神经网络分类器对放电类型进行识别。特征向量的提取过程是首先利用VMD分解算法对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后分别计算分解得到的模态分量的MSE,将其组合得到初始特征向量;最后利用主成分分析法对初始特征向量进行降维处理。用该方法对实验室条件下4种放电信号和不同放电程度的电晕放电进行特征提取及识别。结果表明,该方法能有效提取放电信号的特征,以其作为特征向量可以正确识别不同的放电类型和同种放电类型下的不同放电程度。     

基于CEEMDAN样本熵与FWA-SVM的高压断路器机械故障诊断

针对振动信号判别断路器机械故障过程受干扰影响的特征提取问题,提出一种自适应白噪声完整集合经验模态分解(CEEMDAN)与样本熵相结合的故障特征提取方法。通过CEEMDAN提取若干反映断路器操动过程机械状态信息的本征模态函数(IMF)分量,依据各IMF相关系数与能量分布,将前7阶IMF分量进行小波包软阈值去噪,计算其样本熵作为特征量,最后采用基于免疫浓度思想的烟花算法(FWA)优化支持向量机(SVM)分类器,对断路器不同运行状态进行分类识别。实验结果表明:基于CEEMDAN样本熵特征对于信号干扰不敏感,FWA-SVM诊断方法对于高压断路器分闸操动过程故障辨识效果良好。     

基于经验模态分解的高压断路器机械故障诊断方法

分析高压断路器机械振动信号的特性,提出一种以改进的经验模态分解(empirical mode decomposition,EMD)能量熵和支持向量机(support vector machine,SVM)相结合的诊断高压断路器机械故障的方法,并给出了可行的诊断步骤和分析.首先利用经验模态分解方法将高压断路器的振动信号分解成一些相互独立的内禀模态函数"(intrinsic mode function,IMF),然后利用正常状态标准信号所得各固有内禀模态函数包络信号的等能量分段方式,实现对待测状态信号各IMF包络的时间轴分段,计算各待测信号IMF包络的能量熵向量,以此构造的经验模态分解能量熵向量作为支持向量机的输入向量.采用"次序二叉树"向量机分类,利用梯度法和交叉检验优化支持向量机模型参数.实验结果表明,该方法诊断高压断路器机械故障能取得良好的效果.