分散过渡熵：基于全局注意力机制的双模特征融合用于时间序列特征表示

《Scientific Reports》：Dispersion transition entropy: dual-modal feature fusion based on global attention mechanism for time series feature representation

　　

摘要

本文提出了一种新的熵度量方法——分散转换熵（Dispersion Transition Entropy，简称DTE），用于分析机械故障诊断中的复杂动态信号。DTE方法将分散熵（基于累积分布函数的符号映射）的静态模式分析与全局序数模式注意力熵（Global Ordinal Pattern Attention Entropy，简称GOPAE）的动态区间特征表征相结合，从而在噪声环境下实现了更好的特征提取能力。通过对模拟信号（AR（1）模型、啁啾信号（Chirp信号）和混合信号（MIX信号）以及实际振动数据（轴承和行星齿轮数据）的系统评估，DTE在稳定性和判别能力方面明显优于现有的六种熵度量方法。实验结果表明，DTE-ELM框架能够达到最高的分类准确率（平均93.7%），同时具有最低的标准差（1.2%），并且计算效率较高（仅需3.88秒）。该方法为提高旋转机械的故障检测性能提供了有效解决方案。