基于VMD-IMDE-PNN的滚动轴承故障诊断方法

为了提高滚动轴承故障诊断的准确性,提出一种变分模态分解(Variational Mode Decomposition,VMD)、改进粗粒化多尺度散布熵(Improved Coarse-grained Multi-scale Dispersion Entropy,IMDE)和概率神经网络(Probabilistic Neural Network,PNN)相结合的滚动轴承故障诊断方法。首先对振动信号进行VMD处理,根据互相关系数准则筛选最佳模态分量,突显振动信号的故障特性;然后针对多尺度散布熵(Multi-scale Dispersion Entropy,MDE)不稳定的缺点,对MDE的粗粒化过程进行改进,提出IMDE的非线性分析方法。模拟信号分析结果表明,相比于MDE方法,IMDE方法降低了熵值波动,提高了熵值稳定性。将两种方法运用于实际滚动轴承实验数据,发现相比于MDE,IMDE熵值曲线更平滑稳定,不同滚动轴承状态下的IMDE熵值曲线区分更加明显。最后采用PNN对提取的特征进行识别,与MPE-PNN,MDE-PNN以及VMD-MDE-PNN方法相比,所提的VMD-IMDE-PNN方法能精确地识别滚动轴承的故障类型,且识别率更高。

科学思想实验的划界问题研究:技术细节及其缺省

作为理论创新的源泉和方法,思想实验在科学中的重要地位不言而喻。如何通过逻辑结构等科学史之外的方法对思想实验是否有效做出判定,却一直存在困难。使用索伦森模态反驳模式和彭罗斯熵的粗粒化定义进行分析,可以发现,在思想实验中同时对熵的“粒度”与“测量”做缺省配置,会破坏不相容场景与反事实条件的解释相关性。对于涉及层级与突现的思想实验而言,其逻辑结构的有效性,建立在概念基础所依赖的呈“正交补”关系的两个技术细节不能同时缺省的基础之上。这种覆盖了布里渊对麦克斯韦妖的“负熵”解释,揭示了索伦森与丹内特两种研究进路存在着内禀关联,论证了从科学史之外的判定条件为科学思想实验划界是可能的。