基于层次双向转换离散熵的Lempel–Ziv复杂度及其在故障诊断中的应用

《Engineering Applications of Artificial Intelligence》：Hierarchical Bidirectional Transition Dispersion Entropy-based Lempel–Ziv complexity and its application in fault diagnosis

非线性时间序列分析中，传统LZC方法（如PLZC、DELZC）主要关注独立嵌入向量的模式，忽略动态过渡信息。本文提出双向过渡分散熵Lempel-Ziv复杂度（BT-DELZC），结合Markov链理论构建双向过渡网络框架，并采用分层分解算法提取多频特征，有效捕捉时间序列动态结构。实验表明BT-DELZC在模拟信号和机械故障诊断中优于LZC、PLZC、DELZC、TPE、GNOLE等方法。

　　非线性时间序列分析是近年来备受关注的研究领域，广泛应用于工业工程、生物学和金融市场等多个领域。随着数据采集技术的进步，时间序列的复杂性和非线性特征变得越来越显著，传统的方法在处理这类数据时常常面临挑战。因此，研究者们不断探索新的方法，以更准确地捕捉时间序列中的动态信息和复杂结构。本文提出了一种基于Lempel–Ziv复杂度（LZC）的新方法，称为双向过渡分散熵Lempel–Ziv复杂度（BT-DELZC），旨在解决现有方法在特征提取方面的不足。

LZC作为一种衡量时间序列复杂性的指标，因其能够有效识别序列中逐渐出现的新模式而受到重视。然而，传统的LZC方法通常将时间序列转换为二进制形式，这种处理方式可能会丢失时间序列中包含的幅度信息。为了解决这一问题，研究者们提出了多种改进方法，如排列Lempel–Ziv复杂度（PLZC）和基于分散熵的Lempel–Ziv复杂度（DELZC）。这些方法在一定程度上提高了对时间序列复杂性的描述能力，但仍存在一些局限性，例如对模式动态变化的捕捉不足。

为了解决这一问题，本文引入了一种新的方法，将双向过渡网络框架与DELZC相结合，构建了BT-DELZC方法。该方法不仅考虑了时间序列中相邻嵌入向量之间的过渡关系，还通过引入加权机制，使得对时间序列动态结构的描述更加全面。与传统的单向过渡网络不同，BT-DELZC通过分析双向过渡模式，能够更准确地反映时间序列在不同频率成分下的特征变化。此外，本文还结合了一种改进的分层分解算法，以进一步提取时间序列中的多尺度信息，从而提高特征提取的精度和适用性。

为了验证BT-DELZC方法的有效性，本文首先在多个模拟信号上进行了实验，分析了其在不同参数设置下的表现，包括时间序列长度、嵌入维度、分类数量和时间延迟等。这些参数的选择对于模型的准确性和可解释性至关重要。通过调整这些参数，研究者们能够更好地适应不同类型的时间序列数据，并确保模型在不同应用场景下的稳定性。实验结果表明，BT-DELZC在模拟信号的分析中表现出了良好的鲁棒性和特征提取能力，能够有效区分不同模式的时间序列。

随后，本文将BT-DELZC方法应用于四个实际的机械故障诊断数据集，以验证其在现实世界中的应用价值。这些数据集涵盖了常见的机械故障类型，如轴承故障、齿轮磨损和轴对中问题等。通过将BT-DELZC与多种机器学习分类器相结合，研究者们评估了该方法在故障诊断任务中的性能。实验结果显示，BT-DELZC在所有测试数据集中均取得了最高的分类准确率，显著优于传统的LZC、PLZC、DELZC、过渡排列熵（TPE）和全局节点出链熵（GNOLE）等方法。这一结果表明，BT-DELZC在捕捉时间序列中动态和过渡信息方面具有独特的优势，能够更有效地提取故障信号的特征。

在工业工程中，故障诊断和早期预警对于确保旋转机械的安全和高效运行至关重要。近年来，许多研究致力于提高故障诊断的准确性，开发了多种基于特征提取的算法。这些算法通常依赖于对时间序列中关键特征的识别，而BT-DELZC方法通过结合双向过渡网络和分层分解技术，能够更全面地描述时间序列的结构特征。这种结合不仅提高了特征提取的精度，还增强了模型对复杂信号的适应能力，使其在不同频率成分下的表现更加稳定和可靠。

此外，本文还探讨了BT-DELZC方法的理论基础和实际应用前景。该方法基于Markov链理论，通过构建加权双向过渡网络，能够更细致地刻画时间序列中的动态变化。这种动态结构的捕捉能力对于分析具有非线性和复杂性的信号尤为重要，因为它能够揭示信号在不同时间点之间的潜在变化趋势。同时，分层分解算法的应用使得BT-DELZC能够提取时间序列中的多尺度特征，从而为不同频率成分下的信号分析提供更丰富的信息。

在实验设计方面，本文首先对模拟信号进行了参数分析，以确保模型在不同条件下的稳定性和准确性。随后，通过实际机械数据集的测试，验证了BT-DELZC在真实场景中的有效性。实验结果表明，该方法在故障诊断任务中表现出色，能够有效区分不同类型的故障信号，并在分类准确率方面显著优于其他传统方法。这不仅证明了BT-DELZC在特征提取方面的优越性，也展示了其在实际应用中的潜力。

总体而言，BT-DELZC方法为非线性时间序列分析提供了一种新的视角，能够在保持原有方法优势的基础上，进一步提高对动态信号的描述能力。该方法的应用范围不仅限于工业工程，还可能扩展到生物学、金融市场的其他领域。未来的研究可以进一步探索BT-DELZC在更多复杂场景中的适用性，并结合其他先进的信号处理技术，以提升其在实际应用中的表现。

本文的结构主要包括以下几个部分：首先，介绍了BT-DELZC算法框架及其优势，回顾了之前LZC方法和过渡网络方法的研究进展；其次，通过模拟实验分析了该方法在不同参数设置下的表现，验证了其在特征提取方面的有效性；接着，通过实际机械数据集的测试，展示了BT-DELZC在故障诊断任务中的应用价值；最后，讨论了该方法的动机、原理和未来发展方向，并总结了研究的主要结论。

在方法的实现过程中，研究者们首先对时间序列进行了预处理，将其转换为符号序列，以便于后续的复杂度计算。然后，通过构建双向过渡网络，分析时间序列中相邻嵌入向量之间的过渡关系，并利用分层分解算法提取不同频率成分下的特征信息。这一过程不仅提高了特征提取的精度，还增强了模型对复杂信号的适应能力。最终，通过将提取的特征输入到多种机器学习分类器中，验证了BT-DELZC在故障诊断任务中的性能。

实验结果表明，BT-DELZC方法在多个数据集上的表现优于传统方法，特别是在处理具有高度非线性和复杂性的信号时，其优势更加明显。这一结果不仅为非线性时间序列分析提供了新的工具，也为工业工程中的故障诊断和早期预警研究带来了新的思路。此外，BT-DELZC方法的可解释性较强，能够为研究人员提供更直观的信号分析结果，有助于进一步理解时间序列的动态结构和复杂性特征。

本文的研究成果表明，基于LZC的非线性时间序列分析方法仍然具有广阔的发展空间。通过引入双向过渡网络和分层分解技术，BT-DELZC方法能够更全面地描述时间序列的结构特征，从而提高特征提取的准确性和适用性。未来的研究可以进一步探索该方法在其他领域的应用，如金融市场的趋势预测、生物信号的分类分析等。同时，也可以结合深度学习等先进技术，以提升模型的性能和泛化能力。

总之，BT-DELZC方法为非线性时间序列分析提供了一种创新的解决方案，能够更有效地捕捉时间序列中的动态和过渡信息。其在模拟信号和实际机械数据集上的优异表现，展示了其在特征提取和故障诊断任务中的潜力。随着相关技术的不断发展，BT-DELZC方法有望在更多复杂场景中得到应用，并为非线性时间序列分析领域带来新的突破。