摘要：针对常规水电机组振摆趋势预测问题,设计了一种基于排列熵重构(PER)与长短期记忆(LSTM)神经网络的混合预测模型。先针对复杂非线性振摆信号,利用变分模态分解(VMD)对其进行固有模态分量(IMFs)提取;其次,为降低IMFs复杂度,采用排列熵原理对所得IMFs进行重构,获取重构序列分量(RSCs);最后,将RSCs作为LSTM模型的输入,通过训练得到拟合度最优的LSTM,进而实现机组振摆趋势的预测。选用国内某水力发电厂^(#)3机组的摆度监测信号作为试验数据进行对比分析,结果表明相比于已有方法所提方法具有更优的预测性能,预测结果对于推动机组状态检修发展具有重要意义。

摘要：随着高级量测体系和各类监控系统的大规模建设发展,时间序列数据的规模呈指数级增长,在智能电网大数据中占有较大的比重。时间序列数据的特征提取是影响数据挖掘质量的关键步骤,在大数据背景下,传统的特征提取算法已无法满足海量数据处理的需求。结合云计算平台和MaxCompute大数据处理技术,设计实现了时间序列数据的表存储方法和并行化的时间序列数据排列熵特征提取算法。在云计算平台上采用不同规模的数据集对并行化算法进行测试,验证了并行化排列熵算法的正确性和高性能。

摘要：针对旋转机械故障数据的非平稳性及总体平均经验模态分解方法(CEEMD)舍弃高频分量降噪方法和小波阈值降噪方法存在的不足,提出了基于CEEMD和排列熵的小波阈值降噪方法。运用CEEMD将信号分解为一系列的固有模态函数(IMF)分量,利用排列熵来确定含有噪声成分较多的IMF分量,采用小波阈值降噪方法对含有较多噪声成分的IMF分量进行降噪处理,保留这些分量中的有效信息。仿真分析和实例分析表明,基于CEEMD和排列熵的小波阈值降噪方法效果优于单纯的CEEMD降噪方法和小波阈值降噪方法。

摘要：VPMCD(Variable Predictive Model Based Class Discriminate)是一种新的模式识别方法,它充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型,从而进行模式识别。论文将VPMCD结合排列熵(Permutation Entropy,简称PE)方法应用于滚动轴承故障诊断。首先采用ITD(Intrinsic Time-scale Decomposition,简称ITD)对滚动轴承振动信号进行分解,得到若干个固有旋转(Proper Rotation)分量,并对包含主要故障信息的PR分量提取排列熵作为故障特征值;然后,对VPMCD分类器进行训练;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明该方法能够有效地应用于滚动轴承故障诊断。

摘要：排列熵(permutation entropy,简称PE)是最近提出的一种检测时间序列随机性和动力学突变行为的方法,可以考虑将其应用于故障诊断。由于机械系统的复杂性,振动信号的随机性和动力学突变行为表现在不同尺度上,因此需要对振动信号进行多尺度的排列熵分析。基于此,提出了基于局部特征尺度分解(local characteristicscale decomposition,简称LCD)和排列熵的滚动轴承故障诊断方法。首先,采用LCD方法对振动信号进行自适应分解,得到不同尺度的的本征尺度分量(intrinsic scale component,简称ISC);其次,计算前几个包含主要故障信息的ISC分量的排列熵;最后,将熵值作为特征向量,输入基于神经网络集成建立的分类器。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。

摘要：引入多尺度排列熵(MPE)的概念,用来检测振动信号不同尺度下的动力学突变行为,并将其应用于机械故障诊断中滚动轴承故障特征的提取,结合支持向量机(SVM),提出了一种基于MPE和SVM的滚动轴承故障诊断方法,将新提出的滚动轴承故障诊断方法应用于实验数据分析,并通过与BP神经网络对比,结果表明,该方法能够有效地提取故障特征,实现故障类型的诊断。

摘要：针对通风机振动异常在线辨识和预警难度大、算法难以在硬件上实时应用等问题,设计了以MSP430F5438A单片机为核心,带有CAN通信接口的通风机振动测量系统。采用排列熵算法在线处理通风机信号时间序列,通过熵值突变判定振动异常。仿真计算表明,无论通风机处于恒速还是变速工况,排列熵计算结果都不会影响对异常信号的诊断;当振动异常信号非常微弱时,增大时间间隔能获取足够的时间序列长度,提高对微弱振动异常在线辨识的灵敏度。

摘要：针对自动机运作时的瞬态冲击、非线性、非平稳信号特征,提出一种基于排列熵和支持向量机对小口径高速自动机进行故障诊断的方法。首先,引入排列熵对信号进行分析,发现排列熵能很好地反映自动机工作状态;其次,将排列熵特征量分别作为概率神经网络PNN和SVM的输入参数以识别自动机故障,结果表明:SVM相比于PNN可以提高分类正确率。同时证明基于排列熵和SVM在自动机故障诊断中的有效性。

摘要：排列熵是信号复杂性的一种度量。文章提出利用排列熵值确定平面欠驱动五杆机构的混沌边缘。首先利用MATLAB中Simmechanics模块建立欠驱动五杆机构动力学模型,提取随杆长变化的位移、速度的多组时间序列,然后计算排列熵并绘制熵值随杆长变化的曲线,根据排列熵曲线的变化趋势确定机构运动的混沌边缘。最后利用相图和最大李雅普诺夫指数法对确定的混沌边缘进行了验证。研究表明利用排列熵值曲线可以正确地确定出机构的混沌边缘。

摘要：针对滚动轴承故障振动信号的复杂特性和局部均值分解(Local Mean Decomposition,LMD)方法存在的端点效应问题,提出了基于振动信号自相似性对左右端点两侧延拓来抑制端点效应问题的改进LMD、排列熵(Permutation Entropy,PE)及优化K-均值聚类算法相结合的轴承故障诊断方法。首先通过改进LMD将非线性、非平稳的原始故障振动信号分解出一系列的乘积函数(Production Function,PF)分量,对包含主要故障信息的PF分量提取PE值作为故障特征分量,在提取特征量的基础上,最后采用优化后的K-均值聚类算法对故障类型进行识别分类。将该方法应用在滚动轴承实验数据,实验结果表明该方法可以准确、有效的实现滚动轴承的故障诊断。