期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到6篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于MEMD-MMFE的双馈风电场送出变压器励磁涌流识别方法 被引量：14
1
作者 李春艳 周念成 +2 位作者 廖建权 王强钢 孟潇潇 《中国电机工程学报》 EI CSCD 北大核心 2019年第17期5061-5073,共13页
双馈风电场低电压穿越过程中,送出变压器发生内部故障时,差动电流中存在较大的2次谐波,会导致差动保护拒动。该文提出基于多元经验模态分解-多变量多尺度模糊熵(multivariate empirical mode decomposition-multiscale multivariate fuz... 双馈风电场低电压穿越过程中,送出变压器发生内部故障时,差动电流中存在较大的2次谐波,会导致差动保护拒动。该文提出基于多元经验模态分解-多变量多尺度模糊熵(multivariate empirical mode decomposition-multiscale multivariate fuzzy entropy,MEMD-MMFE)的励磁涌流识别方法。该方法首先将电流经过多元经验模态分解,通过判别分解后的余量函数的单调性,确定是否从原函数中去除余量函数;然后对经过处理的原函数进行多变量多尺度模糊熵变换,得到多变量多尺度模糊熵值面积(简称熵值面积);最后通过或逻辑联立判断变压器两侧电流的熵值面积与给定的制动区面积的大小关系来区分励磁涌流与故障电流。以某风电场接入电网为例,对变压器各种运行工况进行仿真研究,并将该文算法与2次谐波制动等算法进行比较,验证提出算法的有效性。 展开更多
关键词 双馈风力发电机 励磁涌流 2次谐波 多变量多尺度模糊熵
原文传递
基于MMFE和可拓k-medoids聚类的轴承性能退化评估 被引量：5
2
作者 赵聪聪 刘玉梅 +2 位作者 赵颖慧 白杨 施继红 《振动与冲击》 EI CSCD 北大核心 2022年第17期123-130,159,共9页
传统轴承性能退化评估常为定性分析,且多以垂向振动信号为对象,忽略了不同方向振动信息之间的相关性。将评价多通道时间序列复杂度的多元多尺度熵引入到轴承运行状态的特征提取,构建多元多尺度模糊熵特征来考虑轴承不同方向振动信息之... 传统轴承性能退化评估常为定性分析,且多以垂向振动信号为对象,忽略了不同方向振动信息之间的相关性。将评价多通道时间序列复杂度的多元多尺度熵引入到轴承运行状态的特征提取,构建多元多尺度模糊熵特征来考虑轴承不同方向振动信息之间的关联性。结合k-medoids算法和可拓学理论建立了轴承性能退化的定量评估模型。通过对轴承正常状态样本进行k-medoids聚类得到聚类中心,根据样本点与聚类中心之间的欧式距离确定可拓集合的边界,进一步利用可拓关联函数构建轴承性能退化评估模型,并采用轴承全寿命疲劳试验进行了验证。试验结果表明,本文所提方法能有效识别轴承的早期性能退化,并能实现对轴承性能退化程度的定量评估。 展开更多
关键词 轴承 性能退化 多元多尺度模糊熵 k-medoids算法 可拓学
在线阅读 下载PDF
基于多变量多尺度模糊熵的行星齿轮箱故障诊断 被引量：24
3
作者 郑近德 潘海洋 +2 位作者 张俊 刘涛 刘庆运 《振动与冲击》 EI CSCD 北大核心 2019年第6期187-193,共7页
行星齿轮箱被广泛用于风电、直升机和工程机械等大型复杂机械装备中。当行星齿轮箱发生故障时,振动信号往往表现出非线性和非平稳特征,多尺度熵理论能够有效地衡量振动信号的非线性和复杂性变化。同时为了尽可能地利用多通道振动信号信... 行星齿轮箱被广泛用于风电、直升机和工程机械等大型复杂机械装备中。当行星齿轮箱发生故障时,振动信号往往表现出非线性和非平稳特征,多尺度熵理论能够有效地衡量振动信号的非线性和复杂性变化。同时为了尽可能地利用多通道振动信号信息来提高故障诊断的效率,将评价同步多通道数据多变量复杂度的多变量多尺度熵理论引入到行星齿轮箱故障诊断。针对其统计特征稳定性差的问题,提出了多变量多尺度模糊熵,并在基础上,提出了一种新的行星齿轮箱故障诊断方法。将提出的方法应用于行星齿轮箱故障试验数据分析,并与现有方法进行对比,结果表明了所提方法的有效性和优越性。 展开更多
关键词 多尺度模糊熵 多变量多尺度模糊熵(mmfe) 行星齿轮箱 故障诊断
在线阅读 下载PDF
基于多元多尺度模糊熵的帕金森步态信号分类 被引量：1
4
作者 王旭尧 徐永红 《北京生物医学工程》 2016年第5期489-496,共8页
目的传统多元多尺度熵在量化有限长数据时会造成部分数据丢失,同时传统算法对阈值的过分依赖也会造成整个系统产生不稳定的现象,二者皆会使最终结果产生较大的误差,因此本文提出一种多元多尺度模糊熵算法。方法对传统多元多尺度样本熵... 目的传统多元多尺度熵在量化有限长数据时会造成部分数据丢失,同时传统算法对阈值的过分依赖也会造成整个系统产生不稳定的现象,二者皆会使最终结果产生较大的误差,因此本文提出一种多元多尺度模糊熵算法。方法对传统多元多尺度样本熵的粗粒化方式进行改进,采用滑动均值滤波使粗粒化后各尺度上的时间序列与原始时间序列长度一致,减小了所计算多元多尺度熵的离散性。此外,本文算法在保持多元样本熵中硬阈值优点的同时,通过定义模糊隶属度函数来统计两复合延迟向量距离略大于阈值的情况。结果本算法既降低了传统方法对阈值的依赖性,又很好地解决了传统阈值所导致的不稳定现象。最后用仿真数据对该算法进行验证,并将其应用于帕金森患者步态复杂度的评价和分类。结论实验结果表明多元多尺度模糊熵的识别效果明显优于传统多元多尺度熵。 展开更多
关键词 模糊隶属度函数 传统多元多尺度熵 多元多尺度模糊熵 帕金森步态 分类
暂未订购
基于集成精细复合多元多尺度模糊熵的齿轮箱故障诊断 被引量：1
5
作者 杨小强 宫建成 +1 位作者 安立周 刘晓明 《机电工程》 CAS 北大核心 2023年第3期335-343,共9页
针对齿轮箱故障信号具有非线性和非平稳性的特点,且目前的方法对其特征提取不够充分这一问题,对不同形式粗粒化方法的集成、多通道信号处理方法在模糊熵算法上的应用进行了研究,提出了一种新的特征提取方法,即集成精细复合多元多尺度模... 针对齿轮箱故障信号具有非线性和非平稳性的特点,且目前的方法对其特征提取不够充分这一问题,对不同形式粗粒化方法的集成、多通道信号处理方法在模糊熵算法上的应用进行了研究,提出了一种新的特征提取方法,即集成精细复合多元多尺度模糊熵(ERCmvMFE)算法,在此基础上,结合t分布随机邻域嵌入(t-SNE)和人工鱼群算法优化的核极限学习机(AFSA-KELM),提出了一种新的齿轮箱故障综合诊断方法。首先,采用多种形式粗粒化方法的集成方法以及多通道信号处理方法,对模糊熵算法进行了改进,并进行了齿轮箱故障的初始特征提取;然后,通过t-SNE压缩原始故障特征,实现了维数的约简,并将低维故障特征输入至AFSA-KELM中进行了故障的分类识别;最后,为了对ERCmvMFE方法的特征提取性能进行测试,采用QPZZ-II旋转机械故障模拟测试平台进行了相关的实验。实验结果表明:采用新的齿轮箱故障综合诊断方法能够对不同类型的齿轮箱故障进行可靠诊断,对齿轮箱5种工况下的20次识别实验中,获得的平均准确率可达98.92%,标准差为0.956,识别准确率和稳定性均优于其他对比方法。研究结果表明:采用ERCmvMFE算法能够更充分地提取出齿轮箱的故障特征,因此,基于该特征提取方法的故障诊断方法具有更高的齿轮箱故障识别准确率。 展开更多
关键词 集成精细复合多元多尺度模糊熵 人工鱼群算法优化的核极限学习机 t分布随机邻域嵌入 特征提取 多粗粒化处理 多通道信号处理 故障分类识别
在线阅读 下载PDF
多尺度多变量模糊熵分析 被引量：20
6
作者 李鹏 刘澄玉 +3 位作者 李丽萍 纪丽珍 于守元 刘常春 《物理学报》 SCIE EI CAS CSCD 北大核心 2013年第12期122-130,共9页
多尺度多变量样本熵评价同步多通道数据的多变量复杂度,是非线性动态相互关系的一种反映,但其统计稳定性差,且不适用于非线性非平稳信号.研究利用模糊隶属度函数代替模式相似判断的硬阈值准则,并分析模糊隶属度函数形式的影响;研究利用... 多尺度多变量样本熵评价同步多通道数据的多变量复杂度,是非线性动态相互关系的一种反映,但其统计稳定性差,且不适用于非线性非平稳信号.研究利用模糊隶属度函数代替模式相似判断的硬阈值准则,并分析模糊隶属度函数形式的影响;研究利用多变量经验模态分解算法进行多尺度化,并对比其处理效果.仿真试验表明,模糊隶属度函数的引入可以有效提高算法的统计稳定性,所构造的物理模糊隶属度函数的性能最为显著;基于多变量经验模态分解算法的多尺度化过程可更有效地捕获信号的不同尺度成分,从而更敏感地区分具有不同复杂度的信号.对临床试验数据的分析支持以上结论,且结果提示随着年龄增加或心脏疾病的发生,心率变异性和心脏舒张间期变异性的多变量复杂度以不同的方式降低:年龄增加会使低尺度熵值降低,表示近程相关性的丢失;而心脏疾病会同时影响各个尺度的熵值,即同时丢失了近程和长时相关性.该结论可用于指导心血管疾病的无创预警研究. 展开更多
关键词 多变量复杂度 多尺度多变量模糊熵 物理模糊隶属度函数 多变量经验模态分解
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部