算法特点

多尺度熵特征融合：算法不仅计算注意力熵（Attn），还同步提取四个子熵（Hxx、Hxn、Hnx、Hnn），形成多维特征向量，全面表征信号复杂度。

基于极值间隔的物理驱动：通过提取局部极大值/极小值之间的时间间隔序列，直接从信号波形特征出发，具有明确的物理意义——反映了振动信号的冲击性、周期性和不规则性。

无参数自适应分析：无需预先设置任何尺度参数或阈值，算法自动检测信号极值点并计算分布熵，适应不同故障类型和信号强度。

强抗噪性与鲁棒性：基于极值点的间隔统计特性对随机噪声不敏感，相比基于原始信号的熵计算方法具有更好的稳定性。

故障机理可解释性强：内圈故障因周期性冲击产生规律间隔→高熵值；外圈固定导致信号相对平稳→低熵值；结果与轴承故障物理机制高度一致。

算法步骤

数据标准化截取：统一截取前12000个采样点，消除数据长度不一致的影响，确保特征可比性。

极值点精确检测：采用自适应峰值检测算法，准确识别局部极大值和极小值位置，处理平台区域取中间点。

极值间隔序列提取：计算四类间隔序列：极大值间(Txx)、极小值间(Tnn)、极大到极小(Txn)、极小到极大(Tnx)。

概率分布直方图统计：对各间隔序列进行直方图统计，计算每个区间出现的概率分布。

多维度熵值计算：基于概率分布，分别计算四个子熵，最终合成注意力熵（四者均值）。

特征归一化处理：对五个熵特征进行归一化，消除量纲影响，便于后续对比分析和机器学习建模。