近日，我校信息工程学院王如刚教授团队在在国际知名期刊Nonlinear Dynamics发表题为“Dynamically adjusted normalized multi-scale symbolic dynamic entropy for fault diagnosis of rotating machinery in strong noise”的研究成果。研究生杜义为第一作者，导师孔维宾副教授和张婷琳博士为通讯作者，王如刚教授参与研究，盐城工学院为第一单位。《Nonlinear Dynamics》是JCR Q1区，中科院2区Top期刊（2024年影响因子5.2），自动化学科领域控制理论与控制工程科技期刊目录T1分级期刊。

图1 论文在线发表截图

在机械故障检测中，噪声是不可避免的，尤其是机械早期故障特性较弱，噪声掩盖了设备的故障特性，导致现有特征提取方法在噪声干扰下性能严重退化。这对机械的智能故障诊断提出了很大的挑战。该文提出一种基于动态调整和归一化多尺度符号动力学熵的特征提取方法。首先，使用平均标准差归一化的粗粒度方法解决传统方法引起的熵偏差问题。同时，引入一种动态调整方法，根据当前位置和时间序列中的最大嵌入维度来提高状态模式概率，从而更好地捕捉到序列的依赖关系。使用Z分数方法执行时间序列中的异常值检测，消除了异常数据的影响。本文所提方法能够在强噪声背景下有效提取信号特征，实现较高的诊断精度，为旋转机械故障特征提取与早期诊断方法提供了新的思路。

这项工作得到了江苏省研究生研究与实践创新计划等项目资助，获得盐城工学院信息工程学院、盐城工学院光电信息技术研究所的大力支持。