基于S型修正复合多尺度模糊熵和基于t-分布的随机邻域嵌入的滚动轴承故障诊断
摘要：多尺度模糊熵（MFE）是一种用于量化时间序列复杂性的常用工具。然而，它对预先确定的参数和时间序列长度非常敏感，当时间序列长度过短时，可能导致熵的估计不准确或引起熵的未定义。本文引入了基于Sigmoid的改进复合多尺度模糊熵（SRCMFE），以提高短时间序列分析中MFE复杂性测量的鲁棒性。同时，SRCMFE用于量化机械振动信号的动力学特性，并基于此提出了一种新的滚动轴承故障诊断方法，通过将SRCMFE与t分布随机邻域嵌入（t-SNE）相结合进行特征维度和变量预测模型基于类别区分（VPMCD）进行模式分类。在所提出的方法中，首先使用SRCMFE从滚动轴承的振动信号中提取复杂性特征，然后利用t-SNE进行特征维度降低，以获得低维流形特征。然后，使用VPMCD构建多故障分类器以实现自动故障诊断。最后，将所提出的方法应用于滚动轴承的实验数据，结果表明所提出的方法可以有效区分不同的滚动轴承故障类别。
作者：Zhanwei Jiang, Jinde Zheng, Haiyang Pan, Ziwei Pan
论文ID：1710.01383
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2017-10-05