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
周付明1
刘武强2
杨小强1
申金星1
陈赵懿1
1.陆军工程大学野战工程学院,南京2100012.海军工程大学舰船综合电力技术国防科技重点实验室,武汉430033
摘要：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.
关键词：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
分类号：TH165+.3(机械制造工艺)
论文发表日期：2023-02-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：8( 1-8 )
英文信息