电能表内异物自动检测在采集电能表内异物声音信号过程中不可避免地会受到噪声干扰,采集的声音信号非线性、非平稳,且噪声成分复杂。为了有效地检测到异物,需采用合适的去噪方法对采集的电能表内异物声音信号进行降噪处理,从而更好地保障异物检测结果的准确性。结合短时能量、多尺度熵以及小波阈值进行去噪处理,提出了一种基于多尺度熵和EMD阈值的电能表内异物声音信号去噪方法。首先将采集的信号分帧,利用短时能量提取合适长度的关键帧信号,进行EMD分解,计算各阶IMF分量的多尺度熵值,然后根据计算得到的多尺度熵值设定一个阈值,对大于阈值的IMF分量结合小波阈值进行处理,完成信号去噪。实验结果表明,较传统的EMD去噪方法能更好地消除电能表内异物声音信号中的噪声。

针对潜油电泵特征提取及状态判别问题,提出一种基于冗余第二代小波包变换、多尺度熵和概率神经网络的诊断方法. 首先, 利用冗余第二代小波包对拾取的信号样本进行处理, 得到相应的子带信号分量, 继而计算所得子带信号分量的多尺度熵值, 并构造能够表征电泵状态的特征向量, 最终将特征向量输入到概率神经网络中实现潜油电泵故障的自动识别.实测数据分析结果表明, 所述方法能够有效对潜油电泵的工作状态进行识别, 具有一定工程应用价值.

针对不同故障类型下的液压泵振动信号具有不同复杂性的特点，将多尺度熵引入到液压泵故障识别中。多尺度熵是在样本熵的基础上通过引入尺度因子，从而能够分析信号在不同尺度因子下的复杂性。在多尺度熵的基础上定义一个同时考虑多尺度熵熵值大小和熵值变化趋势的指标——多尺度熵偏均值（PMMSE）。该指标定量地刻画故障信号的复杂性。将该指标用于液压泵的故障识别中。通过对液压泵4种不同运行状态的实测振动信号进行分析，结果表明PMMSE能够很好地区分出液压泵的不同故障类型，验证了该指标在故障特征提取中的有效性。