Page 116 - 2022年第53卷第3期
P. 116
（a）MATE 特征可视化 （b）TSMATE 特征可视化
（c）MSE 特征可视化 （d）TSMSE 特征可视化
图 7 机组信号不同熵特征可视化（无噪声）
化。从图中可以看出，TSMATE 有效地将各类故障信号区分，其它 3 种熵都有着不同程度的混叠。其
中 ， 采 用 MATE 和 MSE 提 取 的 特 征 中 正 常 信 号 、 碰 摩 信 号 以 及 不 对 中 信 号 有 少 量 混 叠 ， 而 采 用
TSMSE 提取的特征中碰摩信号和不对中信号也有着少量混叠。以上现象说明，TSMATE 在无噪声下
具有良好的特征提取性能。为进一步分析 TSMATE在噪声下的特征提取情况，这里对振动信号加入 0 dB、
（a）不同故障信号 MATE 分布 （b）不同故障信号 TSMATE 分布
（c）不同故障信号 MSE 分布 （d）不同故障信号 TSMSE 分布
图 8 机组信号不同熵分布情况（SNR=0 dB）
— 364 —
