《Entropy》：A Review and Benchmark Study of Multi-Scale Entropy Methods for the Fault Diagnosis of Rotating Machinery
编辑推荐：
多尺度熵（Multi-scale Entropy, MSE）是一种强大的分析工具，它将单尺度熵分析扩展为多尺度特征提取方法，通过揭示单尺度指标忽略的隐藏动态信息，实现更可靠的复杂机械故障诊断。在符号动力学、统计处理和鲁棒性增强的推动下，多尺度方法已发展出80多
多尺度熵（Multi-scale Entropy, MSE）是一种强大的分析工具，它将单尺度熵分析扩展为多尺度特征提取方法，通过揭示单尺度指标忽略的隐藏动态信息，实现更可靠的复杂机械故障诊断。在符号动力学、统计处理和鲁棒性增强的推动下，多尺度方法已发展出80多种变体。尽管存在这种多样性，但对这些方法的全面、系统评估仍然缺乏，特别是在诊断准确性与计算效率之间的权衡方面。研究人员提供了在XJTU-Gearbox数据集上评估的85种多尺度方法的综合基准，以建立平衡诊断准确性和计算成本的循证路线图。通过性能比较和算法原理分析，研究人员阐明了这些变体之间性能差异的机制，强调了先进的多尺度方法如何保留更丰富的故障信息并增强特征可分离性。此外，这项工作确定了有前景的发展轨迹，并为未来多尺度方法与深度学习模型的集成提供了基础。为了避免过度泛化，结果被解释为受控的单数据集基准，而不是跨所有数据集、分类器、操作条件或故障严重程度的通用排名。
在旋转机械故障诊断中，单尺度熵分析因无法捕获跨时间尺度的动态信息而存在局限性。多尺度熵（MSE）通过粗粒化过程将单尺度分析扩展至多尺度，但已有80多种变体，缺乏对诊断准确性与计算效率权衡的系统评估。为此，研究人员在XJTU-Gearbox数据集上对85种多尺度熵方法进行了基准研究，以建立平衡精度与成本的循证指南。该研究发表在《Entropy》。
研究人员采用85种多尺度熵变体，涵盖排列熵（PE）、模糊熵（FE）、分散熵（DE）及其复合、改进、精炼复合、广义、分数阶、分层、过渡熵、导数熵、图熵、分布感知熵、集中熵等框架。数据集为XJTU-Gearbox公共数据集，包含健康状态及四种齿轮故障（齿面磨损、缺齿、齿根裂纹、断齿）。实验协议：70%训练、30%测试，KNN分类器（k=5），重复20次，记录平均准确率、标准差及特征提取时间。
以下按原文小标题总结结果：
4.1 微小差异的统计解释：由于许多方法准确率仅差1-3个百分点，研究人员建议结合标准差和成对统计检验（如Friedman检验后Wilcoxon符号秩检验）判断差异显著性，避免过度解读微小排名差异。
4.2 统计鲁棒性：
4.2.1 原始多尺度方法的局限性：原始MPE、MFE、MDE平均准确率分别为53.20%、62.63%、67.70%，因粗粒化导致序列缩短，估计不稳定。
4.2.2 复合策略与改进策略的比较：复合多尺度熵（CME）通过多路径平均提升准确率（CMPE提高9.93%，CMFE提高10.14%，CMDE提高10.63%）；改进多尺度熵（MME）采用滑动窗口，但增益较小，且FE计算成本高。
4.2.3 精炼复合方法的优势：精炼复合多尺度熵（RCME）先平均中间统计量再计算熵，进一步稳定估计，RCMPE、RCMFE、RCMDE分别达到70.43%、73.70%、79.47%，优于复合方法。
4.3 增强策略的兼容性：
4.3.1 加权主要有利于PE：方差加权使MWPE、CMWPE、RCMWPE分别提升3.57%、5.50%、2.74%，因为PE忽略幅度信息，加权可补充。
4.3.2 DE和FE揭示加权的局限性：加权对DE和FE产生负面效果，MWDE、CMWDE、RCMWDE下降7.13%至14.20%，MWFE低于MFE 18.60%，RCMWFE低于RCMFE 15.17%，因为DE和FE已包含幅度信息，额外加权导致冗余。
4.4 分层及相关方法：
4.4.1 分层分解与高频信息：分层方法（如HMPE达81.60%）通过递归分解保留低、高频成分，优于传统低通粗粒化，表明故障信息分布在全频段。
4.4.2 CDE作为高效方法：集中分散熵（CDE）达到83.47%准确率，仅需0.62分钟，通过多基并行分解与低成本的DE核心耦合实现最佳精度-效率权衡。
4.4.3 时频变换：二维分层时频方法中，MHTF-FE2D达76.27%，MHTF-PE2D仅50.93%，表明模糊相似性更适合二维时频模式。
4.5 其他代表性变体：
4.5.1 广义多尺度方法的性能：基本广义方法（GMPE、GMDE）准确率低（33.40%、34.00%），但结合复合或精炼复合稳定后显著提升（GCMFE达72.43%，GRCMDE达76.07%）。
4.5.2 激进变换的信息损失：MPEG（37.77%，53.70分钟）和RCZMWFE（46.40%，542.59分钟）因变换与齿轮故障物理特性不匹配，成本高且效果差。
4.5.3 前端智能：MGGDIPE（73.30%，1.67分钟）通过自适应广义高斯归一化和改进符号化实现前端信息丰富，优于许多复杂方法。
4.5.4 分数阶方法：MFDE改进MDE 3.97%，MFFE低于MFE 9.93%，效果取决于熵类型。
4.5.5 相位方法：FMPPE和FMPDE表现差，FMPFE达69.63%，FE适合相位连续性。
4.5.6 过渡方法：CMTPE（68.47%）和CMTDE（74.13%）优于CMTFE（42.60%），依赖后端熵。
4.6 实践总结：四条原则：优先统计鲁棒性；保留全频谱信息；增强机制需匹配基础熵；效率是主要标准。CDE、HMPE等高效方法适合在线监测，高成本方法适合离线分析。
第5节讨论未来方向：第一，多尺度熵与深度学习集成，可嵌入损失函数、作为自编码器输入或嵌入端到端架构。第二，高回报方向包括自适应信号结构和更丰富的符号化；低回报方向是缺乏物理动机的复杂变换。第三，需考虑鲁棒性、数据集依赖性和边缘部署，未来应在更多数据集和分类器下验证。
第6节结论翻译如下：在XJTU-Gearbox数据集、固定KNN分类器和指定参数设置的控制基准下，得出以下结论：本研究对85种多尺度熵方法进行了基准测试，并确定了影响诊断准确性和计算效率的主要设计原则。（1）分层方法（Hierarchical methods）通常优于传统粗粒化，因其保留低、高频成分而非丢弃高频故障信息。（2）精炼复合策略（Refined composite strategies）比原始或复合多尺度方法提供更稳定的估计，因其在应用非线性熵算子之前聚合中间统计量。（3）增强机制必须与基础熵兼容：在本基准中，基于方差的加权有利于排列熵（PE），但降低模糊熵（FE）且不能持续改善分散熵（DE）。（4）计算成本不能可靠代理诊断价值；一些最昂贵的方法表现差，而集中分散熵（CDE）既快速又准确。（5）代表性高性能方法（如CDE、HMPE、MGGDIPE）表明，在熵评估前改善信号表示比日益复杂的后端精炼更有效。这些发现不应被解释为跨所有数据集、分类器、操作条件或故障严重程度的通用排名。未来工作应将基准扩展到更多公共数据集，在可用时进行成对统计检验，评估噪声和缺失数据下的鲁棒性，并检查浅层和深度诊断模型下的分类器无关趋势。
