基于精细复合多尺度散布熵的墙体内管道敲击探测方法

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。     

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

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、...     

基于改进多尺度散布熵的电机典型故障信号诊断

为了提高电机振动信号的特征提取能力,设计基于改进多尺度散布熵的电机故障信号诊断方法。构建了改进多尺度散布熵(IMDE)算法来提取特征参数,以PSO优化SVM分类器完成故障的分类过程。研究结果表明:SVM相对ANN与k-NN获得了更高的分类精度,实现了SVM分类性能的显著提升,PSO-SVM的准确率能够达到100%,具备更优分类性能。设计了一种可以只提供少量训练样本的条件下实现100%准确率,能够获得比其它传统故障分析方法更优结果。     

基于 SSA-SVM 的海杂波背景下小信号检测方法

针对传统检测方法不能有效地从强混沌背景噪声中检测出小信号,本文研究了强杂波背景下小目标检测原理,提出了一种基于SSA-SVM的混沌小信号检测方法。利用麻雀搜索算法优化SVM惩罚参数C与核函数参数σ提高预测准确性,从而降低检测门限,提高检测率。在Lorenz混沌系统中加入目标信号进行仿真,结果表明：提出的方法能有效地从强混沌背景噪声中检测出小信号,瞬态小信号预测的均方根误差为0.000 434 3(信噪比为-137.707 3 dB),比传统SVM算法预测信号的均方根误差0.049(信噪比为-54.60 dB)降低了两个数量级。利用IPIX雷达实测海杂波数据,对所提方法进行实验验证,进一步说明了该方法的有效性。     

基于EMD复合多尺度熵的模拟电路故障诊断方法

根据当今模拟电路高集成度、非线性以及易受环境影响等特点,提出一种基于经验模态分解(EMD)结合复合多尺度熵(CMSE)的故障特征提取新方法.首先通过仿真获得电路的输出信号,然后使用经验模态分解,将原始信号分解为有限个固有模态分量以及一个残余分量.再利用复合多尺度熵算法,分别计算出这些固有模态分量在不同时间尺度下的样本熵...     

基于 CMFDE 的单向阀早期微弱故障诊断方法

对单向阀早期微弱故障进行诊断可预防高压隔膜泵因单向阀磨损击穿无法正常工作而造成经济损失及安全事故.针对往复式高压隔膜泵单向阀早期微弱故障特征不明显且受大量噪声干扰的问题,提出基于复合多尺度波动散布熵(composite multi scale fluctuation dispersion entropy,CMFDE)的...     

基于多尺度排列熵与双核极限学习机的滚动轴承故障诊断方法

针对极限学习机隐含层节点数需人为设定,分类的准确性与稳定性较差,核极限学习机(K-ELM)对核函数选取要求较高,单一核函数难以对非线性样本充分学习、泛化性仍有不足等缺点,提出一种基于多尺度排列熵(MPE)和非线性加权组合的双核极限学习机(DK-ELM)的滚动轴承故障诊断方法并证明了其可行性与优越性。首先,计算不同故障状态轴承信号的多尺度排列熵,获取一系列无量纲特征;然后,利用双核函数计算其高维特征向量集并输入DK-ELM中建立轴承信号状态分类模型,对不同状态的轴承信号进行分类。实验结果证明,核函数的引入可以有效提高ELM分类性能,DK-ELM的分类模型比支持向量机(SVM)、ELM以及各单核极限学习机具有更高的分类精度,而且对训练样本数量较少的情况有更好的分类效果。     

导航雷达慢速小目标检测方法

针对常用导航雷达在检测强海杂波环境下慢速小目标的困难问题,利用扫描间海杂波非相关特性,提出采取提高天线转速的措施和扫描间信号平滑处理技术,从而抑制或削弱海杂波,增强目标信号强度,改善检测性能。实验表明,本方法显著提高了导航雷达在海杂波环境下检测慢速小目标能力。     

基于层次散布熵的滚动轴承剩余寿命预测方法

针对滚动轴承寿命预测中提取的特征不准确以及预测精度低等问题,提出一种基于层次散布熵(HDE)和门控循环单元(GRU)的滚动轴承剩余寿命预测方法。首先将振动信号时间序列进行层次分析,计算各个节点的散布熵,将散布熵重构融合得到HDE;其次将相关性、单调性和鲁棒性组合形成综合指标,用来验证HDE的优越性;最后划分训练集和测试集,通过GRU网络进行寿命预测试验。结果表明,HDE的综合指标值最优,所提方法HDE-GRU的预测误差比RMS-GRU、DE-GRU和MDE-GRU分别低42.77%、39.57%和20.24%,且运行时间最短,预测精度更高,为滚动轴承健康管理提供了实际价值。     

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...     

基于XGBoost的配电网高阻接地故障检测方法

配电网高阻接地故障具有电气量微弱、与正常运行工况相似等特点,因此难以检测。针对传统指标阈值法常由经验整定,在复杂环境下适应性较差、灵敏性不足等问题,提出一种基于极端梯度提升(extreme gradient boosting, XGBoost)的配电网高阻接地故障检测方法,以避免复杂的阈值整定。首先,通过建立10 kV中压配电系统高阻接地故障的等效模型,获取高阻接地故障和正常运行工况的零序电流数据。然后,在对数据进行归一化处理的基础上,利用XGBoost直接从原始量测信息中学习其与高阻接地故障的映射关系,构建高阻接地故障检测模型,以降低因特征提取产生的误差。最后,大量仿真结果表明,所提方法对高阻接地故障检测具有较好的灵敏性和速动性,并且在噪声和数据缺失等情况下表现出较强的泛化能力。     

基于信号预处理的杜芬振子弱信号检测方法

杜芬振子对周期信号极其敏感,对噪声具有较强免疫力,被研究用于强噪声背景下弱周期信号的检测及其各项参数的测量。为进一步提高杜芬振子检测含噪信号的性能,本文提出了先对待测信号预处理再送入杜芬振子的弱信号检测算法,并在理论上进行了证明。该方法先将待测信号分割、叠加、延拓再送入杜芬振子进行检测,仿真表明该方法在将信号分割成多段、叠加、延拓时可获得较大的信噪比增益,其中分割数目为3时,检测信噪比下限降低约为2 dB,分割数目为5时,检测信噪比下限降低约为3 dB。     

基于散布熵和余弦欧氏距离的滚动轴承性能退化评估方法

针对传统特征指标评估轴承性能退化状态时可靠性、敏感性低的问题,提出一种基于散布熵和余弦欧氏距离的滚动轴承性能退化评估方法。首先,将待测滚动轴承振动信号分为健康数据和测试数据,分别对其进行集成经验模态分解(ensemble empirical mode decomposition, EEMD),得到若干本征模态分量(intrinsic mode function, IMF),计算各IMF分量与原信号的相关系数,并根据相关系数准则选择IMF分量重构信号;然后,计算重构信号的散布熵,通过结合欧氏距离和余弦距离得到健康数据和测试数据散布熵之间的余弦欧氏距离作为退化指标;最后,利用切比雪夫不等式计算余弦欧氏距离健康阈值,评估轴承性能退化状态。实验结果表明,利用散布熵之间的余弦欧氏距离可以有效、及时地判断轴承性能退化状态,并且与其他指标相比,其敏感性、鲁棒性更高,能够更好地刻画滚动轴承性能退化趋势,为滚动轴承性能退化评估提供新的解决方法。     

基于CEEMD与排列熵相结合的谐波检测方法研究

为消除基于互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）的谐波检测法易受到迭代次数与辅助白噪声的干扰而产生虚假分量与模态混叠等问题,以及CEEMD方法在检测噪声背景下的谐波信号精度不高的缺陷,提出一种基于排列熵（Permutation Entropy,PE）算法与CEEMD相结合的PE-CEEMD谐波检测方法。首先对谐波信号进行互补集合经验模态分解,得到若干频率由高到低排列的固有模态函数（Intrinsic Mode-Function,IMF）,利用排列熵算法快速选定随机性较大的噪声分量进行剔除,对剩余信号再进行CEEMD分解。仿真实验数据表明,相较于CEEMD方法,PE-CEEMD方法能够较好地克服模态混叠与虚假分量等问题,并且针对复杂谐波信号的各次谐波频率成分与幅值的检测精度分别提高了4.424%与9.3%。     

CFAR detection of weak target in clutter using chaos synchronization

In this paper, a novel constant false alarm rate (CFAR) approach for detecting weak targets in sea clutter spectrum based on chaos synchronization is proposed. The weak target signal is detected when the synchronization between two identical chaotic systems is realized, even if the target spectrum lies inside the clutter spectrum. The threshold for the proposed CFAR detection is derived theoretically. The proposed chaos‐synchronization‐based CFAR technique is shown to be able to enhance the detectability of the target when the signal‐to‐clutter ratio and signal‐to‐noise ratio are low. Numerical experiments based on real radar sea clutter data confirm the effectiveness of the proposed chaos‐synchronization‐based CFAR detection method. The performance is superior to those of the standard autoregressive estimation‐based and the cell‐averaging CFAR detectors. Copyright © 2007 John Wiley & Sons, Ltd.     

基于互近似熵的微电网并网同步检测方法

针对经典的微电网并网同步检测方法需同时比较两侧电压相位、 幅值和频率的繁琐过程,提出基于互近似熵的微电网并网同步检测方法。该方法只需利用单一的互近似熵值就能比较并网开关两侧电压的相似度。分析基于互近似熵的微电网并网同步检测方法的原理和优势,研究微电网并网同步检测方法中互近似熵参数取值等关键问题,进而具体介绍基于互近似熵的微电网并网同步检测方法的实现步骤。最后在Matlab中搭建微电网通过断路器并入配电网的简化模型,仿真微电网开关两侧电压相位、 幅值和频率变化时的互近似熵值。仿真结果证明了该方法的有效性。     

基于KPCA和XGBoost算法的非侵入式负荷辨识方法

非侵入式负荷监测(Non-Intrusive Load Monitoring,NILM)通过采集用户侧智能电表的电气特征数据,进行数据挖掘与分析,能够有效的实现负荷辨识。在家用电器功率、电流、电压波形及各次谐波特征的数据中,采用核主成分分析方法（Kernel Principal Components Analysis,KPCA）,解决非线性特征提取与降维,最大限度抽取特征信息。再利用一维卷积核提取时序特征并压缩后输入到XGBoost模型,得到负荷辨识结果。在实验数据集上进行了验证,证明文中提出算法的泛化性和执行效率方面有较大优势。     

An adaptive improved unsaturated bistable stochastic resonance method based on weak signal detection

Stochastic resonance can detect weak periodic signals from strong background noise without loss of signal energy. However, the classical bistable stochastic resonance has the inherent output saturation defect, which limits the detection performance of system. And it is more difficult to detect signal with strong background noise. In this article, we constructed improved unsaturated bistable stochastic resonance to overcome this shortcoming. The improved bistable potential function makes the output signal more easily oscillate in two potential wells. To improve the stability and the accuracy of the method, we further propose an adaptive improved unsaturated bistable stochastic resonance (AIUBSR) by constructing a synthetic index (SI). The SI combines zero-crossing ratio and structural correlation coefficient, which can measure the periodicity of output signal and the accuracy of detective frequency at the same time. Theoretical analysis and numerical simulations show that the proposed AIUBSR can have good weak signal detection capability in strong background noise.