基于熵-流特征和樽海鞘群优化支持向量机的故障诊断方法

王振亚，姚立纲，蔡永武，张 俊

(福州大学 机械工程及自动化学院，福州 350116)

旋转机械设备故障诊断的关键在于从非线性、非平稳振动信号中提取故障特征信息，近年来，熵值特征提取方法被广泛应用于故障特征提取过程，如近似熵、样本熵、排列熵(permutation entropy,PE)，多尺度熵和模糊熵等[1-2]。其中，排列熵具有计算速度快，抗噪能力强，适合在线监测等优点，因此在故障诊断领域应用较广，如Yan等[3]将PE作为旋转机械设备的状态特征值，取得良好实验效果；刘永斌等[4]利用PE有效监测滚动轴承状态变化。尽管PE在分析非线性时间序列的随机性和动力学突变等方面具有一定优势，但它忽略了非线性时间序列的振幅信息。针对这一问题，Fadlallah等[5]提出了保留时间序列振幅信息的加权排列熵(weightied permutation entropy,WPE)算法，在Shannon熵的计算过程以重构向量方差作为权值，提高算法鲁棒性和稳定性。Yin等[6]将WPE与多尺度熵相结合，提出多尺度加权排列熵(multiscale weightied permutation entropy,MWPE)算法，从多个尺度提取时间序列特征信息，以此克服WPE单一尺度分析的不足。但MWPE粗粒化方式定义的多尺度计算过程依赖于时间序列长度，导致熵值误差会随尺度因子增大而增加。针对这一问题，本文提出一种改进多尺度加权排列熵(improved multiscale weighted permutation entropy,IMWPE)算法，通过考虑同一尺度下多个粗粒化时间序列的加权排列熵值，弥补MWPE这一缺陷。

论文将IMWPE应用于旋转机械设备故障特征提取过程，考虑到提取的熵值故障特征具有高维、非线性、冗余等特性，因此，将流形学习算法应用于特征维数约简过程[7]。……