Welcome to Entropy theory’s Lab!
版权声明
警告
欢迎下载及编辑(个人用途)，但未经作者同意必须保留此段声明，且不可用于商业用途，否则保留追究法律责任的权利。
前言
滚动轴承的状态监测可以减少寿命和财产的损失，及时排除机械故障。然而，传统时域特征提取方法往往无法有效提取隐藏故障特征，导致故障识别率较低。熵作为一种非线性测度，可以量化给定时间序列的规律性或有序性。当旋转机械发生故障时，会出现幅度和频率的调制现象，导致复杂程度发生变化。复杂程度的复杂性变化会直接影响熵值。因此，熵值法可以检测出早期故障，并进一步识别轴承的不同故障类型。近年来，一些熵方法得到了广泛的应用，包括近似熵(approximate entropy, AE)、样本熵(sample entropy, SE)、模糊熵(fuzzy entropy, FE)和排列熵(permutation entropy, PE)。不幸的是，上述方法中的常见问题是这些熵方法不能检测出早期故障。此外，这些熵方法具有较高的时间复杂度，但计算效率较低。为解决上述缺点，首先将Li等人提出的熵值法与符号动态过滤(SDF)相结合。SDF将原始时间序列转化为符号化时间序列，可以更好地缓解环境噪声，简化计算循环。基于此，Li等人提出了基于SDF的熵方法，包括符号动态熵(SDE)、符号模糊熵(SFE)、符号多样性熵(SDivE)， Rostaghi等人提出了色散熵(DE)， Wang等人提出了累积残差符号色散熵(CRSDE)。