Page 115 - 2022年第53卷第3期

（a）无噪声信号 （b）故障信号（SNR=3 dB） （c）故障信号（SNR=2 dB）

（d）故障信号（SNR=1 dB） （e）故障信号（SNR=0 dB）
图 5 不同噪声的振动信号

（a）不同故障信号 MATE 分布情况 （b）不同故障信号 TSMATE 分布情况

（c） 不同故障信号 MSE 分布情况 （d） 不同故障信号 TSMSE 分布情况
机组信号不同熵分布情况（无噪声）
图 6
MATE 的特征提取性能。
3.3 TSMATE 特征提取 为探究 TSMATE 在不同噪声下的特征提取能力，引入多尺度熵（Multiscale
entropy，MSE）以及时移多尺度熵（Time-shifted multiscale entropy，TSMSE）进行对比实验。图 6 清晰表
明采用时移思想得到的多尺度熵相较于传统多尺度熵更为稳定，说明了时移思想可以有效克服传统
多尺度熵粗粒化不足的问题。图 7 分析了机组信号在无噪声下不同熵的分布情况，同时利用 T-分布
邻域嵌入（T-distributed stochastic neighbor embedding，T-SNE）将不同机组状态信号的特征三维可视
— 363 —