双视角互补多尺度熵融合(DCMEF)用于旋转机械故障诊断的特征表征与分组评估

《Entropy》:Dual-View Complementary Multiscale Entropy Fusion for Rotating-Machinery Fault Diagnosis

【字体: 大 中 小 】 时间:2026年10月24日 来源:Entropy 2.1

编辑推荐:

  基于熵的故障诊断依赖于信号表示以及各熵测度所捕获的信号性质。研究人员评估了双视角互补多尺度熵融合(DCMEF,dual-view complementary multiscale entropy fusion),该方法将均方根(RMS,root mean sq

  
基于熵的故障诊断依赖于信号表示以及各熵测度所捕获的信号性质。研究人员评估了双视角互补多尺度熵融合(DCMEF,dual-view complementary multiscale entropy fusion),该方法将均方根(RMS,root mean square)归一化原始振动与归一化对数Hilbert包络相结合。三种熵测度在五个固定尺度上产生30个候选特征,插补、特征选择与分类器调参均限定在分组训练折内。在与20种表示、四个选定任务和三个分类器进行的探索性比较中,DCMEF在12个设置中的9个取得最高观察精度,并在3个设置中并列最高。单独的视图消融发现,完整特征库在2个设置中优于仅原始特征,5个持平,5个表现较差;相对于仅包络特征,完整特征库在10个设置中更优,2个持平。因此,原始振动特征在这些设置中有用,而加入包络特征的影响不一致。需要在选定任务之外进行独立评估以考察性能。
研究背景:齿轮和滚动轴承是旋转机械关键部件,其运行状态直接影响生产连续性、设备安全和维护成本。振动故障诊断因机械缺陷会改变旋转系统动态响应而被广泛用于状态监测。但实际中故障特征常叠加于工况变化、背景振动、瞬态扰动及速度或负载相关调制,非平稳振动信号中的有信息且具判别性的特征提取仍是基本问题。不同熵族刻画不同动态性质;排列熵(PE,permutation entropy)量化局部序数模式,样本熵(SE,sample entropy)和模糊熵(FE,fuzzy entropy)评估嵌入模板的重复性与相似性,波动散布熵刻画幅度衍生符号类转移,多样性熵(DivE,diversity entropy)量化状态分布多样性,单一熵族表示可能只刻画部分信息。多尺度框架将熵分析扩展至多个时间分辨率,但熵公式、多尺度构造、信号表示和评估协议不同会使诊断性能变化;近期基准也报告多尺度熵方法在诊断精度和计算成本上差异明显,未显示单一熵测度普遍最优。信号表示亦是设计选择:归一化原始波形保留宽带振荡信息,解析信号包络强调幅度调制;包络多尺度分析已用于变速轴承诊断,但以包络替代原始波形也可能丢弃有用结构。为此,研究人员将双视角互补多尺度熵融合(DCMEF,dual-view complementary multiscale entropy fusion)作为特征框架而非新的基本熵定义,保留原始振动与对数Hilbert包络两种视图,并在各任务和分类器内比较,另以视图消融检验完整特征库是否优于单视图特征库;因统一任务和分类器集在查看早期结果后固定,比较为探索性。其意义在于给出定义明确的双视图候选特征库和仅训练折特征控制流程,并强调分组评估。

关键技术方法(不超过250字):采用确定性加窗(L=2048,步长H=1024);每窗构建RMS归一化原始振动与中值缩放、对数压缩后再RMS归一化的Hilbert包络两视图;在尺度{1,2,3,5,8}计算MPE(m=3,τ=1)、MFE(m=2,r=0.15×SD,模糊指数2,τ=1)和RCMFDE(m=2,c=6,τ=1,偏移序列概率向量平均后计算熵),形成30维候选特征;训练折内中位数插补、去除方差≤10?14特征、ANOVA/Fisher排序、相关性>0.95剔除、分组内交叉验证选K并标准化;比较Extra Trees(极端随机树)、Random Forest(随机森林)、KNN(K近邻)。样本来源包括SEU齿轮箱20-0速度-负载配置第2通道、HUST齿轮箱x轴25.6 kHz五速度五负载、UOttawa Version 2变速轴承200 kHz四速度剖面、HUST轴承84条记录七健康状态和0/200/400 W负载。

研究结果:4.1 Complete Comparison(完整比较):在四任务三分类器、21种表示的原比较中,DCMEF在12个任务—分类器设置中9个取得最高观察精度、3个UOttawa设置并列最高;任务和分类器矩阵系查看早期结果后组装,排名描述选定设置而非独立确认。4.2 Margins over the Strongest Non-DCMEF Representation(相对最强非DCMEF表示的差距):9个正差距为2.14至8.00个百分点,3个UOttawa差距为零;差距为观察正确数差异,非统计显著性估计。4.3 Rank Stability Across Tasks and Classifiers(跨任务和分类器的排名稳定性):最强非DCMEF表示随任务和分类器变化,SEU由RCMDivE(精细复合多尺度多样性熵)领先,HUST齿轮箱以模糊熵变体最强,其余任务由不同熵族领先;DCMEF匹配或超过这些观察精度,但比较器变化和结果后选择不能确立普遍优越性;UOttawa中1条球故障记录判为内圈故障(60条记录中),HUST轴承84条记录中4个错误涉及B–O、IB–N、IO–B和O–B混淆。4.4 Summary of Results and View Ablation(结果总结与视图消融):原比较中DCMEF在12个任务内分类器设置均第一或并列第一,UOttawa并列无额外增益;SEU按窗口评估(n=140),其余按记录评估(n=75、60、84);后续FULL重跑未替代原比较。FULL优于仅原始特征2个设置、持平5个、较低5个;优于仅包络特征10个、持平2个;仅原始特征在SEU齿轮箱KNN、HUST齿轮箱三个分类器及HUST轴承KNN中优于FULL,说明包络特征有时有益但不一致优于仅原始特征。

讨论部分总结:主要发现为原比较中DCMEF在9个设置无并列第一、3个并列第一,正差距2.14至8.00个百分点,但视图消融限定该结果:完整特征库未一致优于仅原始特征;UOttawa全部并列98.33%,保留最高观察精度但无额外增益;两分析均在选定任务且查看早期结果后进行,排名为描述性。对DCMEF表示的解释是两种视图描述同一振动窗口不同性质,原始波形保留振荡结构,对数Hilbert包络强调幅度调制;消融不假设二者总产生互补分类增益,FULL超过仅包络10个设置但仅超过仅原始2个,5个仅原始设置更好;哪个熵测度或尺度导致变化未解决,因未分别移除组件;探索性t-SNE(t分布随机邻域嵌入)投影不测预测精度或分离特征组效应。与既往研究关系方面,最强比较器身份随任务和分类器变化,与多尺度熵方法不同粗粒化策略和估计特性一致;RCMDivE在SEU最强,HUST齿轮箱主要为模糊熵表示,HUST轴承最佳比较器为模糊熵或精细排列熵变体且取决于分类器,UOttawa顶级比较器包括排列和多样性熵多尺度表示;单一机器或工况结果不足以识别普遍优选熵族。实践与方法学意义方面,DCMEF在Extra Trees、Random Forest和KNN中第一或并列第一,但分类器集在查看早期结果后固定,跨分类器一致性为探索性;同一物理记录或运行组窗口非统计独立,分配至训练和测试会膨胀估计,本流程保留外层组且数据依赖变换仅在训练折拟合;评估单位不同,图5和图6仅在各任务—分类器场景内比较排名和差距,不跨任务平均。局限包括:四任务三分类器比较在查看早期DCMEF结果后组装,视图消融使用同选定任务,均非独立确认;SEU为窗口而其余为记录,跨任务平均会混合单位;正差距为描述性,未建立组感知置信区间和配对检验;UOttawa并列无增益,消融显示加包络可降低精度;熵族、尺度、特征控制阶段单独效应未知;固定2048样本窗口在不同采样率对应不同物理时长,窗口和尺度敏感性、运行时间、所选特征稳定性未评估。确证性评估应预先指定数据集、分类器、主要指标、独立组和分析规则,纳入外部数据和组感知配对不确定性估计,并通过定向移除熵族和尺度、替代窗口长度及运行时间测量澄清组件效应和计算成本。

研究结论翻译:DCMEF结合RMS归一化原始振动与归一化对数Hilbert包络表示;三个熵测度在五个固定尺度计算产生30个候选特征;插补、特征筛选、特征选择和标准化仅使用对应训练折数据。在四个选定任务和三个分类器的原比较中,DCMEF在9个设置无并列第一、3个并列第一;相对最强比较器的正差距为2.14至8.00个百分点。单独视图消融中,FULL在12个设置中2个优于仅原始特征、5个持平、5个较低,而优于仅包络特征10个、持平2个。这些结果支持原始视图有用,并显示加入包络的价值取决于设置。由于两项分析均为探索性,需独立验证以及针对熵、尺度和窗口的研究,才能作更广泛性能或机制声明。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号