论文部分内容阅读
针对轴承不同状态下的复杂性特征,提出基于排列熵和神经网络的异常检测与诊断方法。介绍异常检测与诊断的原理,采用排列熵算法检测信号异常,提取能够敏感反映轴承不同异常模式（滚动体异常、内圈异常和外圈异常）的排列熵、嵌入维数及关联维数等复杂度参数形成特征向量,通过神经网络对异常模式进行分类识别。结果表明：排列熵算法可以定位异常发生的时刻,以时间序列的复杂性特征参数为输入的神经网络诊断方法能够有效识别轴承的不同异常模式。