课题组在《IEEE Transactions on Reliability》上发表的“Entropy Based Fault Classification Using the Case Western Reserve University Data: A Benchmark Study” ,目前 ,被引用30次,入选ESI高被引论文。本文首次为基于熵值的滚动轴承智能诊断方法的建立了基准研究,为后续算法的研究指明了方向。
近年来,基于熵值的滚动轴承智能诊断方法取得了飞速的进展,大量基于不同熵值的机械学习算法被相继提出。由于各文献中使用的数据集、超参数、分类器的不同,导致研究者难以准确的对比各个算法的优劣,为后续的研究与改进带来了困难。为了使后续算法的研究更具有针对性,本文为基于熵值的滚动轴承智能诊断方法建立了基准研究,同时对西储大学(Case Western Reserve University)轴承实验数据集的可分性进行了深入研究,是对目前快速发展的熵值算法的一个及时补充。
本文使用西储大学轴承实验数据集,使用52种数据集划分策略,对三种常用熵值方法:样本熵(sample entropy)、模糊熵(fuzzy entropy)、排列熵(permutation entropy),以及六种分类器:K临近(KNN) 、 支持向量机(SVM)、 逻辑回归 (LR)、前馈神经网络 (BPNN) 、 极限学习机(ELM)、softmax 回归 (SR)进行了综合评估。最后,本文对熵值的优势与缺陷,西储大学轴承数据集的划分与使用,基于熵值的智能诊断算法的发展方向展开了讨论。通过这些工作,能够使熵值算法的对比更加公平和快速,引导研究者更深入地讨论仍然存在的问题,为使用西储大学轴承实验数据集进行新算法的测试提供指引。
图1 基于熵值的滚动轴承智能诊断方法流程:step 1, 数据采集;step 2, 特征提取;step 3, 训练分类
图2 (a)西储大学轴承实验平台 (b)轴承振动信号频谱分析 (c)分类结果示例
论文链接:https://ieeexplore.ieee.org/document/8662701/
DOI: 10.1109/TR.2019.2896240