前言
第1章 绪论1
1.1 非线性动力学方法2
1.2 基于熵的复杂性理论发展历程3
1.3 复杂性理论在机械故障诊断领域的应用现状5
参考文献8
第2章 基于熵的复杂性理论方法13
2.1 香农熵13
2.2 近似熵13
2.3 样本熵15
2.4 模糊熵16
2.5 排列熵17
2.6 散布熵19
2.7 仿真试验分析20
参考文献30
第3章 基于多尺度模糊熵的机械故障诊断方法32
3.1 多尺度模糊熵32
3.1.1 多尺度熵算法32
3.1.2 多尺度模糊熵算法33
3.2 复合多尺度模糊熵33
3.2.1 复合多尺度模糊熵算法33
3.2.2 仿真试验分析35
3.2.3 CMFE在滚动轴承故障诊断中的应用39
3.3 广义精细复合多尺度模糊熵46
3.3.1 广义精细复合多尺度模糊熵算法46
3.3.2 仿真试验分析47
3.3.3 GRCMFE在滚动轴承故障诊断中的应用51
3.4 多变量多尺度模糊熵59
3.4.1 多变量多尺度模糊熵算法60
3.4.2 仿真试验分析62
3.4.3 MMFE在行星齿轮箱故障诊断中的应用64
参考文献71
第4章 基于多尺度排列熵的机械故障诊断方法73
4.1 多尺度排列熵73
4.2 复合多尺度排列熵74
4.2.1 复合多尺度排列熵算法74
4.2.2 CMPE参数选取及影响75
4.2.3 CMPE在滚动轴承故障诊断中的应用76
4.3 广义复合多尺度排列熵80
4.3.1 广义复合多尺度排列熵算法80
4.3.2 GCMPE参数选取及影响82
4.3.3 GCMPE在滚动轴承故障诊断中的应用84
4.4 复合多元多尺度排列熵87
4.4.1 多元多尺度排列熵算法87
4.4.2 复合多元多尺度排列熵算法88
4.4.3 仿真试验分析88
4.4.4 CMMPE在滚动轴承故障诊断中的应用90
参考文献99
第5章 基于多尺度散布熵的机械故障诊断方法101
5.1 多尺度散布熵101
5.1.1 多尺度散布熵算法101
5.1.2 MDE参数选取及影响102
5.1.3 MDE在滚动轴承故障诊断中的应用103
5.2 复合多尺度散布熵105
5.3 精细复合多尺度散布熵106
5.3.1 精细复合多尺度散布熵算法106
5.3.2 RCMDE在滚动轴承故障诊断中的应用107
5.4 多元多尺度散布熵110
5.4.1 多元散布熵算法111
5.4.2 多元多尺度散布熵算法112
5.5 精细复合多元多尺度散布熵112
5.5.1 精细复合多元多尺度散布熵算法112
5.5.2 仿真试验分析113
5.5.3 RCMMDE和MCFS在滚动轴承故障诊断中的应用114
参考文献124
第6章
基于自适应多尺度熵的机械故障智能诊断方法126
6.1 粗粒化与自适应多尺度化分析126
6.2 自适应复合多尺度模糊熵127
6.2.1 基于VMD的自适应复合多尺度模糊熵算法127
6.2.2 自适应复合多尺度模糊熵在滚动轴承故障诊断中的应用129
6.3 自适应多尺度散布熵134
6.3.1 自适应多尺度散步熵算法135
6.3.2 仿真试验分析135
6.4 改进经验小波变换与散布熵138
参考文献147
第7章 其他复杂性理论与方法149
7.1 余弦相似熵149
7.1.1 余弦相似熵算法150
7.1.2 CSE参数选取及影响151
7.1.3 CSE与SE、FE对比分析154
7.2 微分符号熵156
7.2.1 微分符号熵算法157
7.2.2 DSE参数选取及影响158
7.2.3 轴承实测数据分析164
7.3 多尺度时不可逆168
7.3.1 多尺度时不可逆算法169
7.3.2 仿真试验分析170
7.4 动力学符号熵172
7.5 增量熵174
7.6 时频熵175
7.7 反向散布熵175
参考文献177