10.16579/j.issn.1001.9669.2023.01.001
基于精细化改进多尺度快速样本熵的旋转机械故障诊断方法研究
为了解决现有多尺度样本熵(Multiscale Sample Entropy,MSE)方法提取复杂序列特征时存在的计算效率低及幅值信息缺失等问题,提出精细化改进多尺度快速样本熵(Refined Improved Multiscale Fast Sample Entropy,RIMFSE)方法.首先使用快速样本熵代替传统样本熵,通过改进重构向量匹配机制大幅降低了计算成本,而后使用改进的多尺度拓展方法代替传统的粗粒化方法,避免了幅值信息的丢失.在此基础上,结合最大相关最小冗余(Max-relevance and Min-redundancy,mRMR)方法及支持向量机(Support Vector Machine,SVM)分类器提出一种新的旋转机械故障诊断方法.使用齿轮箱和轴承两个故障数据集对提出方法的性能进行验证,同时将提出的方法与MSE,复合MSE(Composite Multiscale Sample Entropy,CMSE)及精细化复合 MSE(Refined Composite Multiscale Sample Entropy,RCMSE)等现有方法进行对比.结果表明,相较于MSE、CMSE及RCMSE,提出的方法在鲁棒性、计算效率及识别精度等方面均具有明显优势,为基于熵特征提取的旋转机械故障诊断提供了一种新的思路.
精细化改进多尺度快速样本熵、最大相关最小冗余、支持向量机分类器、旋转机械、故障诊断
45
TH165+.3
2023-03-13(万方平台首次上网日期,不代表论文的发表时间)
共8页
1-8