基于 Sigmoid 的精细复合多尺度模糊熵与 t-SNE 的滚动轴承故障诊断
数据分析、统计与概率
2017-10-05 v1
摘要
多尺度模糊熵 (MFE) 一直是量化时间序列复杂度的流行工具。然而，它对预定参数和时间序列长度极为敏感，当时间序列过短时，可能导致熵估计不准确或产生未定义的熵。本文引入了基于 Sigmoid 的精细复合多尺度模糊熵 (SRCMFE)，以提高 MFE 在短时间序列分析中复杂度测量的鲁棒性。同时，利用 SRCMFE 量化机械振动信号的动态特性，并在此基础上，将 SRCMFE 与用于特征降维的 t-分布随机邻域嵌入 (t-SNE) 以及用于模式分类的基于类判别的变量预测模型 (VPMCD) 相结合，提出了一种新的滚动轴承故障诊断方法。在该方法中，首先利用 SRCMFE 从滚动轴承振动信号中提取复杂度特征，并利用 t-SNE 进行特征降维以获得低维流形特征。然后采用 VPMCD 构建多故障分类器，以实现自动故障诊断。最后，将所提方法应用于滚动轴承实验数据，结果表明该方法能有效区分滚动轴承的不同故障类别。
引用
@article{arxiv.1710.01383,
title = {Sigmoid-Based Refined Composite Multiscale Fuzzy Entropy and t-Distributed Stochastic Neighbor Embedding Based Fault Diagnosis of Rolling Bearing},
author = {Zhanwei Jiang and Jinde Zheng and Haiyang Pan and Ziwei Pan},
journal= {arXiv preprint arXiv:1710.01383},
year = {2017}
}