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-贾亚飞.pdf

《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-贾亚飞.pdf》由会员分享，可在线阅读，更多相关《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-贾亚飞.pdf（10页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、2016年10月第31卷第19期电工技术学报TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETYV013lOctNo192016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贾亚飞 朱永利 王刘旺 李 莉(新能源电力系统国家重点实验室(华北电力大学) 保定071003)摘要 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

2、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。关键词：局部放电 变分模态分解 多尺度熵特征提取模式识别中图分类号：TM85Feature Extraction and Classification on Partial Discharge Signals ofPower Transformers Based on VMD and Multiscale En

3、tropyJa Yafei Zhu Yongli Wang Liuwang Li Li(State Key Laboratory of Alternate Electrical Power System with Renewable Energy SourcesNorth China Electric Power University Baoding 07 1 003 China)Abstract In order to extract features of partial discharge signals effectively，a method based on variational

4、mode decomposition(VMD)and muhiscale entropy(MSE)is proposed for extracting feature vectors，and thebackpropagation neural networks is utilized to recognize the discharge typesFirst of all，the known partialdischarge signals are decomposed by VMD and several band-limited intrinsic mode functions(BLIMF

5、s)areextractedThen the MSE of each intrinsic mode is calculated respectively and the initial feature vector can beacquired by the combination of the MSEsFinally，the dimension reduction of the feature vectors is carried out bythe principal component analysis(PCA)Four types of discharge signals and di

6、fferent degree of corona dischargesignals within each discharge type are extracted and recognized using the above methodsSimulation resultsdemonstrate that the proposed method can extract the features of partial discharge signals effectivelyWith theresults as characteristics，it can correctly identif

7、y different discharge types and characteristics of the salnedischarge types under different discharge levelsKeywords：Partial discharge，variational mode decomposition，muhiscale entropy，feature extraction，pattern recognitionO 引言电力变压器的健康状况直接关系到整个电力系统国家电网公司科技项目资助。收稿日期2015-0610改稿日期2015-1013的安全运行，而局部放电是变压

8、器绝缘劣化的重要征兆和表现形式。变压器发生放电后需要及时定位放电源、了解放电严重程度。目前，国内外常用的局部放电定位手段主要有电气定位和超声定位。电气定位法只能大致确定放电源的电气位置，而不能确定万方数据第3l卷第19期 贾亚飞等基于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 209其空间位置。因变压器内部结构复杂，放电引起的声波在多种介质中传播，会出现折反射、衰减和不同的传播速度，故基于多超声传感器的空间定位结果仅能估计放电的大概位置，还无法确定变压器的具体放电源。若在超声定位后又能确定放电类型，则变压器专家就可再根据内部结构推算可能的放电源。因此，有效识别局部放电类型对帮助变

9、压器维护人员最终确定放电位置具有重要作用。局部放电信号是快速变化的非平稳信号，其特征量的提取是放电模式识别的关键步骤，即对放电信号所包含的信息进行深入挖掘，从中提取能够有效区分不同放电类型的特征信息，从而提高故障诊断的准确性。目前常用的放电信号特征提取方法有统计特征提取法、451、分形特征提取法。6“、波形特征提取法891、图像矩特征法0、小波特征法12_13。等。上述特征提取方法虽然在一定程度上都能较好地提取出反映放电信号的特征，但还存在一些不足。统计特征提取方法需要样本数量多，且得到的特征量维数较高，会出现信息冗余，对后续识别造成一定困难。分形特征提取法的分形维数计算受到信号长度和有效放电

10、信号点数的影响“，并且所提取的特征量维数较高。波形特征提取法对采集信号准确度要求较高，难以准确提取表征非平稳动态局部放电信号的特征量。图像矩特征法计算复杂，且物理意义不明确，在实际应用中受到一定限制。小波特征法计算特征量时很难选择合适的小波基和分解层数。熵是一种度量时间序列复杂性的方法。最初，SMPincus纠提出了近似熵，之后JSRichman等叫提出了样本熵。近似熵(Approximate Entropy，ApEn)是一种度量序列复杂性和统计量化的方法，但该算法比较的是数据和其自身，即包含自匹配，由于熵是新信息产生率的测度，所以比较数据和其自身毫无意义1。样本熵(Sample Entrop

11、，SpEn)是较ApEn改进的复杂度测试方法，具有稳定估计值所需的数据短、抗噪声和干扰能力强、在参数大取值范围内一致性好等特点，但其是衡量时间序列在单尺度上的复杂性，不足以刻画局部放电信号表征出的多尺度复杂特性1。针对ApEn和SpEn算法中存在的不足，MCosta等提出了多尺度熵(Muhiscale Entropy，MSE)分析方法，即在不同尺度上提取Hef日-I序列的SpEn，既可以从整体上度量信号的复杂性，又可以从不同尺度上挖掘深层次的细节特征，从定性和定量两个角度有效识别不同类型的信号“，与SpEn和ApEn相比具有明显优势。目前以MSE作为特征量已经广泛应用到机械故障诊断及生理信号识

12、别等领域；文献18将MSE引入机械设备故障诊断领域，充分利用其对机械振动信号多尺度复杂性的刻画能力；文献19提出了一种基于局部均值分解(Local Mean Decomposition，LMD)的MSE的特征量描述形式，以改进LMD方法对各状态振动信号进行分解，利用MSE对各PF分量进行定量描述，得到了可分性良好的特征向量；文献20提出基于经验模态分解(Empirical ModeDecomposition，EMD)的MSE的脑电信号瞬态特征提取及定量描述方法，并且取得了较好的分类效果。变分模态分解(Variational Mode Decomposition，VMD)是一种新的非递归、变分模

13、态分解估计方法。该方法利用交替方向乘子法(Alternate Direction Methodof Multipliers，ADMM)迭代搜索变分模型最优解，令每个模态的估计带宽之和最小，实现信号的自适应分解，解决了EMD和LMD在递归模式分解过程中的模态混叠、对频率相近的分量无法正确分离、受采样频率影响等缺点。VMD实质上是多个自适应维纳滤波组，因而具有更好的噪声鲁棒性旧。引。由于局部放电随机性较大，且放电信号含有噪声，若仅采用MSE对其进行处理会影响特征量的准确性，同时为了解决EMD和LMD分解的抗扰性差和模态混叠等缺陷，本文结合MSE和VMD的优势，针对局部放电信号非线性、非平稳的特点，

14、提出了一种基于变分模态分解的MSE特征向量的瞬态特征提取及定量描述方法(VMDMSE)。应用VMD方法对信号进行分解得到模态分量，以MSE方法对得到的分解模态进行定量描述，形成特征向量，然后利用主成分分析法(Principle Component Analysis，PCA)对得到的特征向量进行降维处理，将其作为局部放电信号特征向量，利用分类器实现对不同放电类型的识别。1变分模态分解VMD是一种新提出的自适应和准正交的分解方法，可以将由多成分组成的信号分解成数个有限带宽的固有模态(Band-Limited Intrinsic Mode Functions，BLIMFs)81，其中分解得到的模态均

15、满足文献24提出的新的固有模态(IMFs)的定义，且以相应的中心频率为中心。VMD分解过程中，主要分为变分约束问题的建立和求解两部分，其中变分约束问题建立的具体过程为：每个模态通过Hilbert变换计算与之相关的解析信号；对于每个模态，通过加入指数项调整各自估计的中心频率，把模态的频谱变换到基带上；通过对解调信号进行Hl高斯平滑对带宽进行估计；万方数据210 电工技术学报 2016年10月得到一个变分约束问题，然后采用二次罚函数项和拉格朗日乘子算子得到一个无约束问题，如式(1)所示旧1，最后求解该问题。掣，k心卜，卜i“；=a军Il a，(6ct，+熹)M。ct，e。一II 2+lk z)一。

16、(z)虻+(A(t)，以t)一；ut(t)灭)一五i()+华越n+l)_百豢i矿o)。+， J。c。I五。(。)I 2cl2可五面 (4)VMD具体实现过程如下：1)初始化五：、：、A1、n，令其初始值均为0，将分解模态数K设置为某个合适的正整数。2)根据式(3)和式(4)分别更新“。和。3)更新A。爻”+1()一爻“(cc，)+丁人)一五：+1()4)若满足停止条件J|越“一越惦川越畦500 50loo0一100loo0100loo；0一1005005000O 500 1 000 1 500 2 000 2 500采样点数(b)多尖对扳放电采样点数(C)板对板放电o 500 000 1 50

17、0 2 000 2 50(J乐样数ld)，怂i亍颗粒股lU图3 4种放电类型的VMD分解模态分量Fig3 Decomposition of four types PD by VMD计算各模态分量的MSE值，将其组合得到初始特征向量，其中尺度因子r=20。对得到的初始特征向量采用PCA进行降维处理。经验证，不同放电类型前20个特征值的贡献率约为90，因此，本文进行PCA降维时，特征向量的维数选为20个。为了验证VMD较EMD分解的优越性，将信号进行EMD分解，并对分解得到的模态求取MSE值作为该信号的特征向量。由于经EMD需要多层分解(经验证10如0如0AL墨一三喜人L_】I专善68O由旬E：|

18、l专毒万方数据第31卷第19期 贾亚飞等基于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 至卫层)，如将所有模态都计算MSE值，计算量十分巨大，为此，本文根据各分解模态imf与原信号的相关系数选取有效分量瑚。相关系数阈值选择Thr=03，经验证前3个分解模态为有效分量。表3是相关系数选取规则。表3相关系数选取规则Tab 3 ThP sPlection nlles of Porrelation coefhcient相关系数 相关度0000304-0300504-050080O801OO微相关实相关显著相关高度相关分别用VMD和EMD对4种放电信号进行分解，并计算分解得到模态的MSE值

19、，每种放电类型均有50组数据，对每层分解模态的MSE取均值，则不同放电类型的MSE值如图4所示。由图4a可知，对于蓦 2 r。-1矿岫呐吨匙二。斗Lo杳G喜o杳o童q垂o龟L_GL曲q蠢L龟酋o60 2 4 6 8 10 2 14 16 1 8 20喜I。热堂裂竖。：生士=色盘!三全兰=兰=曼j匕鱼兰二兰i!三全幽0 2 4 6 8 10 2 14 1 6 R 20秽2-堕匿茎鍪鍪u 1 4 6 8 1 0 1 2 14 1 6 8 20萎n赴翌兰呈三!鳘u2 4 6 K 10 1 2 14 I 6 K 2(I：J竖J7MSE他 O SpEn：球；jfll(a)VMD分解墨0 04 r0碰芏=

20、!叠=u 二 4 6 H 10 1 2 14 16 1 8 20。O 4 r差眦。瓣+0亨广古t_亍t市。荨幔s。淤一 o Lj_1-古寸赢。鋈04 r 怂j，轴腊。每02。，e_4$q_eq_eee。_e_e一一【J【J【IJJ【J 02 4 6 S 10 2 14 16 8 20：慢J：MSE竹0 SpEn熵fI(b)EMD分解图4 VMD和EMD分解的不同模态的多尺度熵Fig4 The muhiscale entropy values of different modedecomposed by VMD and EMD不同类型的放电信号，基于VMDMSE方法提取得到的特征向量都存在一定的

21、差异，可以将其作为区分放电类型的依据。并且经VMD分解得到的3个模态的多尺度熵可以区分，但是经EMD分解得到的3个模态的多尺度熵(见图4b)差别很小，难以区分。图5分别是以基于VMDMSE和EMD-MSE方法得到的特征向量的Fisher聚类效果。比较图5a和图5b可以看出，基于VMDMSE方法得到的特征向量的4种放电类型已经完全分开，并且取得了较好的聚类性能，而基于EMDMSE方法得到的特征向量的4种放电类型不能区分，聚类性能差，由此可以说明，基于VMDMSE的特征提取方法可有效表征不同放电类型的特征。0 5 0 O5 l 0 15y1(a)VMDMSE)，山，EMD-MSE图5基于VMD-M

22、SE和EMD-MSE特征的Fisher聚类Fig5 Fisher features extraction effect of VMD-MSE andEMDMSE43基于BP的不同放电类型的模式识别选取电晕放电、多尖对板放电、板对板放电和悬浮颗粒放电4种放电类型共200个样本(每种放电类型各有50个样本)。从所有样本随机抽取150组数据用于BP网络训练，剩余50组数据作为测试样本。对上述数据同时进行了如下两组对比试验：第一组是分别以基于VMDMSE和EMDMSE方法得到的特征向量、原始放电信号的MSE值作为放电信号特征向量，对BP进行训练和测试，识别结果见表4；第二组是将原始放电信号进行VMD分

23、解后，分别以分解得到的各固有模态分量的MSE值、SpEn值和ApEn值作为特征向量，对BP进行训练和测试，识别结果见表5。mb加巧如”笛如c)c)加c)加加加加加c)c)万方数据214 电T技术学报 2016年10月表4基于VMDMSE、信号本身MSE、EMDMSE特征向量提取方法的不同放电类型识别结果Tab4 The recognition results of different partial dischargepattern based on VMDMSEMSE of signal itself and EMDMSEVMDMSE 信号本身MSE EMDMSE放电类型准确率平均准准确率平

24、均准准确率 平均准()确率()()确率()()确率()表5基于VMDMSE、VMDSpEn、VMDApEn特征向量提取方法的不同放电类型识别结果Tab5 The recognition results of different partial dischargepattern based On VMDMSE，VMDSpEn and VMDApEnVMD-，MSE VMDSpEn VMD-ApEn放电类型准确率平均准准确率平均准准确率 平均准()确率()()确率()() 确率()因为在分类过程中，每次分类前划分训练样本和测试样本都是随机抽取的，这就导致每次试验的最终结果有一定的差异。因此，本文对

25、每种情况进行20次试验，将20次试验得到的平均值作为最终结果。由表4可知，基于VMDMSE方法得到的特征向量的正确识别率高于信号本身计算MSE和基于EMDMSE方法得到的特征向量的正确识别率。这是由于EMD本质上是一个二进制滤波器组，在分解过程中与故障相关的信号频带中心和带宽是不确定的，并且EMD采用的递归模式分解会将包络线估计误差不断传播，加之信号中含有噪声或间歇信号，导致分解出现模态混叠，这将严重影响识别的正确率。而VMD是一种非递归的分解模式，通过迭代搜索变分模型最优解来确定每个模态分量的中心频率和频带，可以自适应地实现信号的频域剖分和各分量的有效分离。由表5可知，基于VMDMSE方法得

26、到的特征向量的正确识别率高于基于VMDSpEn和VMD-ApEn方法得到的特征向量的正确识别率。这是因为SpEn比ApEn具有更强的抗噪声能量，能更准确地描述信号的状态，而MSE可以在多个尺度因子上计算SpEn，比SpEn包含了更多关于原信号的有用信息。由于本文研究中采用的同种放电类型的数据样本的实验条件基本相同，只是所加电压有所区别，故同种放电样本的差异不大：这样，表4和表5所列的对于各种放电测试样本(共50个)，基于VMDMSE方法所得的特征向量的识别正确率达到了100。若同种类型的测试样本实验条件差异较大(如放电模型形状和尺寸不同、实验环境不同等)，则其分类正确率会有所下降。44基于BP

27、的不同放电程度的模式识别根据41节的分析，放电量不能作为代表放电程度的重要表征参数。那么如何确定放电程度呢?本文以电晕放电模型为例，以施加在模型上的电压代表放电的严重程度|”，分为3种程度(较弱、一般、较强)，观察放电现象?随着放电模型施加电压等级的升高，放电脉冲越来越密集。MSE(多尺度熵)向量是用来衡量信号复杂程度的特征向量，放电脉冲越密集即该信号越复杂，其相应的MSE值也相对较大。不同放电密度的放电波形经VMD分解后，各层同有模态分量的MSE值会存在一定的差异，因而MSE值可以作为放电程度的重要表征参数二选取3种不同电压等级下的电晕放电，共取50组样本，表6为3种不同放电程度的电晕放电的

28、实验电压及样本数量。特征提取过程与42节类似，在此不再赘述。从所有样本中随机抽取30组数据用于BP网络训练，剩余20组数据作为测试向量组。表6 3种不同放电程度电晕试验电压及样本数量Tab6 The test voltage and sample number of threedifferent discharge corona discharge试验申压k、 样本数量157179236151520表7和表8分别是以基于VMDMSE、信号本身的MSE、EMDMSE、VMDSpEn和VMDApEn 5种方法所得到的特征向量进行BP训练和测试的结果。可以看出，基于VMDMSE方法得到的特征向量的正

29、确识别率高于其他方法得到的特征向量的正确识别率，充分说明了基于VMDMSE特征提取方法可有效提取同种放电类型下不同放电程度信号的特征信息，验证了基于VMDMSE特征提取方法的有效性。万方数据第3l卷第19期 贾亚飞等 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 215表7基于VMD-MSE、信号本身MSE、EMDMSE特征向量提取方法的不同放电程度识别结果1 3Tab7 The recognition results of different partial dischargedegree based on VMDMSE，MSE of signal itself and EM

30、DMSEVMDMSE 信号本身MSE EMDMSE放电类型 准确率平均准准确率平均准准确率平均准()确率()()确率()()确率()2表8基于VIVID-MSE、VMD-SpEn、VMD-ApEn特征向量提取方法的不同放电程度识别结果Tab8 The recognition results of different partial dischargedegree based。n VMDMSE，VMDSpEn and VMDApEn3VMDMSE VMDSpEn VMDApEn放电类型准确率平均准准确率平均准准确率 平均准()确率()()确率()() 确率()5 结论本文在实验室条件下对变压器局

31、部放电信号进行分析，提出了基于VMD-MSE特征向量提取方法，并将其结果应用到局部放电信号模式识别中，实现了4种放电类型的识别，并得到如下结论：1)采用VMD对局部放电信号进行自适应分解，每个模态分量均含有不同频率的局部放电信号的信息，计算各模态分量的MSE值，将其作为局部放电信号模式识别的特征向量。2)对于实验室测得局部放电信号，采用VMD分解所得固有模态的多尺度熵向量MSE作为特征向量，同以信号本身的MSE、基于EMD-MSE、VMD-SpEn、VMDApEn方法得到的特征向量相比，具有更高的放电类型识别正确率。由于实验室环境和现场环境以及实验模型和实测变压器放电源差异较大，若直接用实验室

32、放电数据训练得到的BP模型对实测数据进行诊断可能会产生较大的误差。最好能在收集较多的各种放电类型现场检测放电数据的基础上，使用本文的特征提取方法提取特征向量，然后使用BP或其他分类方法进行识别，会取得较好的诊断效果。4567参考文献尚海昆，苑津莎，王瑜，等多核多分类相关向量机在变压器局部放电模式识别中的应用J电T技术学报，2014，29(11)：22l一228Shang Haikun，Yuan Jinsha，Wang Yu，et a1Partialdischarge pattern recognition in power transformer basedon multikernel mul

33、ticlass relevance vector machineJTransactions of China Electrotechnical Society，20 1 4，29(11)：221228Fuhr J，Haessing M，Boss P，el a1Detection andlocation of internal defects in the insulation of powertransformersJ IEEE Transactions Oil ElectricalInsulation，1993，28(6)：10571067Bozzo R，Guastavino F，Guerr

34、a GPD detection andlocalization by means of acoustic measurements onhydogenerator stator barsJIEEE Transactions onDielectrics and Electrical Insulation，1 995，2(4)：660-666唐炬，王静，李剑，等统计参数用于局部放电模式识别的研究J高电压技术，2002，28(8)：4-6Tang Ju，Wang Jing，Li Jian，et a1Statisticalparameter method for PD pattern recognit

35、ionJHighVoltage Engineering，2002，28(8)：4石王瑜，苑津莎，尚海昆，等组合核支持向量机在放电模式识别中的优化策略J电工技术学报，2015，30(2)：229236Wang Yu，Yuan Jinsha，Shang Haikun，et a1Optimization strategy research on combinedkernelsupport vector machine for partial discharge patternrecognitionJTransactions of China ElectrotechnicalSociety，2015，

36、30(2)：229-236任先文，薛雷，宋阳，等基于分形特征的最小二乘支持向量机局部放电模式识别J电力系统保护与控制，201 l，39(14)：143147Ren Xianwen，Xue Lei，Song Yang，et a1The patternrecognition of partial discharge based on fractalcharacteristics using LSSVMJPower SystemProtection and Control，201 1，39(14)：143-147杨志超，范立新，杨成顺，等基于GK模糊聚类和LSSVC的GIS局部放电类型识别J电力系统

37、保护与控制，2014，42(20)：38-45Yang Zhichao，Fan Lixin，Yang Chengshun，et a1Identification of partial discharge in gas insulatedswitchgears based on GK fuzzy clusteringLSSVMJPower System Protection and Control，2014，42(20)：万方数据216 电工技术学报 2016年10月89101213143845鲍永胜局部放电脉冲波形特征提取及分类技术J中国电机T程学报，2013，33(28)：168175Bao

38、 YongshengPartial discharge pulse waveformfeature extraction and classification techniquesJProceedings of the CSEE，2013，33(28)：168175司文荣，李军浩，袁鹏，等基于波形非线性映射的多局部放电脉冲群快速分类J电T技术学报，2009，24(3)：216221Si Wenrong，Li Junhao，Yuan Peng，et a1The fastgrouping technique of PD sequence based on thenonlinear mapping

39、of pulse shapesJTransactions ofChina Eleetroteehnieal Society， 2009， 24(3)：216221刘云鹏，律方成，李成榕局部放电灰度图象数学形态谱的研究J中国电机T程学报，2004，24(5)：183187Liu Yunpeng，La Fangcheng，Li ChengrongStudy onpattern spe(。trnm of partial discharge grayscale imageJProceedings of the CSEE，2004，24(5)：183187周沙，景亮基于矩特征与概率神经网络的局部放电模式

40、识别J电力系统保护与控制，2016，44(3)：98102Zhou Sha，Jing LiangPattern recognition of partialdischarge based on moment features and probabilistieneural networkJPower System Protection and Control，2016，44(3)：98102尚海昆，苑津莎，王瑜，等基于交叉小波变换和相关系数矩阵的局部放电特征提取J电工技术学报，2014，29(4)：274281Shang Haikun，Yuan Jinsha，Wang Yu，et a1Feat

41、ureextraction for partial discharge based on crosswavelettransform and correlation coefficient matrixJTransactions of China Electrotechnical Society，2014，29(4)：274-281唐炬，樊雷，张晓星，等用谐波小波包变换法提取GIS局部放电信号多尺度特征参数J电丁技术学报2015，30(3)：250-257Tang Ju，Fan Lei，Zhang Xiaoxing，et a1Multiscalefeature parameters extra

42、ction of GIS partial dischargesignal with harmonic wavelet packet transformJTransactions of China Electrotechnical Society，201 530(3)：250257肖燕，黄成军，郁惟镛，等基于小波和分形分析的GIS局部放电信号特征提取J电力系统自动化，2006，30(6)：66-69Xiao Yan，Huang Chen商un，Yu Weiyong，et a1Signal characteristic extraction of partial discharge in G1Sb

43、ased on wavelet and fractal analvsisJAutomation ofElectric Power Systems，2006，30(6)：66-691 5Pincus S MApproximate entropy as a measure of systemcomplexityJProceedings of the National Academy ofSciences of the United States of America，1 99 1，88(6)：2297230116 Richman J S，Moorman J RPhysiological times

44、eriesanalysis using approximate entropy and sample entropyJAmerican Journal of Physiology Heart&CirculatoryPhysiology，2000，278(6)：H2039一H204917 郑近德，程军圣，胡思宇多尺度熵在转子故障诊断中的应用J振动测试与诊断，2013，33(2)：294-297Zheng Jinde，Cheng Junsheng，Hu SiyuRotor faultdiagnosis based on muhiscale entropyJJournal ofVibration，M

45、easurement&Diagnosis，20 1 3，33(2)：29429718 谢平，江国乾，武鑫，等基于多尺度熵和距离评估的滚动轴承故障诊断J计量学报，2013，34(6)：548553Xie Ping，Jiang Guoqian，Wu Xin，et a1Rollingbearing fault diagnosis based on muhiscale entropy anddistance evaluationJActa Metrologica Sinica，2013，34(6)：54855319杨松山，周灏，赵海洋，等基于LMD多尺度熵与SVM的往复压缩机轴承故障诊断方法J机械传动

46、，2015，39(2)：119一123Yang Songshan，Zhou Hao，Zhao Haiyang，et a1Fault diagnosis method for the bearing of reciprocatingcompressor based on LMD muhiscale entropy and SVMJJournal of Mechanical，2015，39(2)：11912320谢平，陈晓玲，苏玉萍，等基于EMD一多尺度熵和ELM的运动想象脑电特征提取和模式识别J中国生物医学T程学报，2013，32(6)：641拼8Xie Ping，Chen Xiaoling，S

47、u Yuping，et a1Featureextraction and recognition of motor imagery EEG based onEMDmuhiscale entropy and extreme learning machineJChinese Journal of Biomedical Engineering，201 3，32(6)：6416482 1Dragomiretskiy KZosso D Variational modedecompositionJ IEEE Transactions on SignalProcessing，2014，62(3)：53l-54422Aneesh C，Sachin K，Hisham P M，et a1Performancecomparison of variational mode decomposition overempiric