冯辅周，饶国强，张丽霞，司爱威

(装甲兵工程学院 机械工程系，北京 100072)

排列熵算法是一种新的动力学突变检测算法，能够较好地反映时间序列数据的微小变化，其应用领域也正从医学、生物、图像处理等领域延伸到机械故障诊断中[1-4]。经验模式分解(EMD)赋予了瞬时频率合理的定义、物理意义和求法，初步建立了以瞬时频率为表征信号交变的基本量，以基本模式分量为时域基本信号的时频分析方法体系[5]。通过EMD可以实现振动信号不同频带的有效分离，然后利用排列熵算法对分解后的分量进行异常检测，可以有效提高异常检测的实际效果。

1 EMD和排列熵异常检测原理

EMD通过一种“筛”的过程将任意信号分解为若干个本征模式函数(IMF)及一个余项之和，从而反映信号的内部特征。EMD不再受Fourier变换的限制，可以根据被分析信号本身的特点，自适应选择基函数对信号进行分解，自动确定信号在不同频带的分辨率，因此在分辨率上消除了小波分析的基函数选择依赖性和分析结果的模糊不确定性，具有更准确的谱结构和自适应分解特性，比较适用于非线性、非平稳的信号分析。

排列熵是一种衡量一维时间序列复杂度的平均熵参数，在反映一维时间序列复杂度的性能方面与LyaPunov指数相似，但与LyaPunov指数、分形维数等复杂度参数相比，具有计算简单、抗噪声能力强等特点[6]。该算法包括延迟时间和嵌入维数2个参数，参数的选择仍然是人为主观或凭经验确定，在此引入相空间重构的方法来对排列熵模型参数进行自适应确定，异常检测总体流程如图1所示。……