前言
第1章 緒論1
1.1 非線性動力學方法2
1.2 基于熵的復雜性理論發展歷程3
1.3 復雜性理論在機械故障診斷領域的應用現狀5
參考文獻8
第2章 基于熵的復雜性理論方法13
2.1 香農熵13
2.2 近似熵13
2.3 樣本熵15
2.4 模糊熵16
2.5 排列熵17
2.6 散布熵19
2.7 仿真試驗分析20
參考文獻30
第3章 基于多尺度模糊熵的機械故障診斷方法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 復合多尺度模糊熵33
3.2.1 復合多尺度模糊熵算法33
3.2.2 仿真試驗分析35
3.2.3 CMFE在滾動軸承故障診斷中的應用39
3.3 廣義精細復合多尺度模糊熵46
3.3.1 廣義精細復合多尺度模糊熵算法46
3.3.2 仿真試驗分析47
3.3.3 GRCMFE在滾動軸承故障診斷中的應用51
3.4 多變量多尺度模糊熵59
3.4.1 多變量多尺度模糊熵算法60
3.4.2 仿真試驗分析62
3.4.3 MMFE在行星齒輪箱故障診斷中的應用64
參考文獻71
第4章 基于多尺度排列熵的機械故障診斷方法73
4.1 多尺度排列熵73
4.2 復合多尺度排列熵74
4.2.1 復合多尺度排列熵算法74
4.2.2 CMPE參數選取及影響75
4.2.3 CMPE在滾動軸承故障診斷中的應用76
4.3 廣義復合多尺度排列熵80
4.3.1 廣義復合多尺度排列熵算法80
4.3.2 GCMPE參數選取及影響82
4.3.3 GCMPE在滾動軸承故障診斷中的應用84
4.4 復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 復合多元多尺度排列熵算法88
4.4.3 仿真試驗分析88
4.4.4 CMMPE在滾動軸承故障診斷中的應用90
參考文獻99
第5章 基于多尺度散布熵的機械故障診斷方法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參數選取及影響102
5.1.3 MDE在滾動軸承故障診斷中的應用103
5.2 復合多尺度散布熵105
5.3 精細復合多尺度散布熵106
5.3.1 精細復合多尺度散布熵算法106
5.3.2 RCMDE在滾動軸承故障診斷中的應用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 精細復合多元多尺度散布熵112
5.5.1 精細復合多元多尺度散布熵算法112
5.5.2 仿真試驗分析113
5.5.3 RCMMDE和MCFS在滾動軸承故障診斷中的應用114
參考文獻124
第6章
基于自適應多尺度熵的機械故障智能診斷方法126
6.1 粗?；c自適應多尺度化分析126
6.2 自適應復合多尺度模糊熵127
6.2.1 基于VMD的自適應復合多尺度模糊熵算法127
6.2.2 自適應復合多尺度模糊熵在滾動軸承故障診斷中的應用129
6.3 自適應多尺度散布熵134
6.3.1 自適應多尺度散步熵算法135
6.3.2 仿真試驗分析135
6.4 改進經驗小波變換與散布熵138
參考文獻147
第7章 其他復雜性理論與方法149
7.1 余弦相似熵149
7.1.1 余弦相似熵算法150
7.1.2 CSE參數選取及影響151
7.1.3 CSE與SE、FE對比分析154
7.2 微分符號熵156
7.2.1 微分符號熵算法157
7.2.2 DSE參數選取及影響158
7.2.3 軸承實測數據分析164
7.3 多尺度時不可逆168
7.3.1 多尺度時不可逆算法169
7.3.2 仿真試驗分析170
7.4 動力學符號熵172
7.5 增量熵174
7.6 時頻熵175
7.7 反向散布熵175
參考文獻177