基于排列熵和非监督学习的柴油机异常状态检测与识别方法研究

柴油机异常状态下的振动信号具有噪音干扰复杂、非平稳、非线性等特点，在分析处理此类信号时常面临着有效特征参量难以快速提取和准确识别的问题。而排列熵作为一种衡量一维时间序列复杂度的平均熵参数，具有计算简单、实时性好、抗噪能力强等特点，可快速提取复杂系统的动力学突变特征，并已成功应用于医学、气象等领域的异常检测。本项目拟将排列熵引入到某型装甲装备柴油机异常状态的检测中，针对该型柴油机振动信号的特点，选择适当的窗长，通过分析嵌入维数和延迟时间对排列熵的影响，研究提出针对不同信号特征的嵌入维数和延迟时间的自适应确定算法，实现异常振动信号排列熵特征提取的自动化和最优化。同时，针对柴油机异常状态样本获取困难的问题，在研究和改进非监督神经网络、K近邻算法以及非监督支持向量机等聚类方法的基础上，寻求适合柴油机异常状态识别的非监督学习算法，以期在异常状态样本缺乏或无样本的情况下准确识别柴油机的异常状态。

排列熵作为一种衡量一维时间序列复杂度的平均熵参数，具有计算简单、实时性好、抗噪能力强等特点，可快速提取复杂系统的动力学突变特征，并已成功应用于医学、气象等领域的异常检测。本项目系统深入地研究了排列熵算法及其应用，提出了排列熵算法参数中嵌入维数、延迟时间的独立及联合确定方法，实现了基于排列熵特征的轴承及柴油机振动信号的异常检测；然后将排列熵算法与经验模式分解（EMD）、小波相关分析等信号预处理方法相结合，提出了小波相关排列熵的概念，成功应用于轴承和柴油机振动信号的异常检测中；最后研究了人工神经网络、支持向量机、K-近邻算法、隐马尔科夫模型和模糊C-均值的状态识别算法，实现了轴承和柴油机典型状态的自动识别。