煤矿机械
Coal Mine Machinery
Vol.39No.09Sep.2018
第39卷第09期2018年09月
doi :10.13436/j.mkjx.201809050
引言
轴承作为煤矿机械的关键零部件之一，运行状态直接影响到整台设备的使用性能和安全。因此，对轴承进行故障诊断研究具有十分重要的意义。通过分析和处理振动信号对轴承进行故障诊断是目前广泛采用的方法。该方法包括信号采集、特征提取和选择以及状态识别3个环节，其中特征提取和选择是关键，状态识别是核心。
轴承振动信号具有非线性、非平稳性以及故障特征微弱性的特点，如何从振动信号中提取和选择敏感特征是轴承故障诊断的关键。排列熵是一种对信号复杂度的度量，可以更好地描述信号的微小变化，近年来其应用正逐渐从医学、生物等领域扩展到机械故障诊断领域。但是，排列熵只能描述信号在单一尺度下的复杂度。因此，提取轴承振动信号的多尺度排列熵特征，描述信号在不同尺度下的复杂
度，能够获取更丰富的故障信息。但是，提取的多尺度排列熵特征中往往存在不相关和冗余特征，这些特征不仅不能提高诊断的准确性，而且会影响诊断的经济性以及实时性。因此，有必要在不丢失故障信息的前提下，采用特征提取方法从原始特征中选择敏感特征作为分类器的输入。基于距离评估技术的特征选择方法简单、可靠，经常在故障诊断的特征选择中得到应用。
工程实际中很难获得轴承在不同运行状态下的大量信号样本，因此其状态识别属于小样本问题。基于结构风险最小化原则的支持向量机，借助于该方法与最优化方法，在小样本状态识别问题中表现出了良好的性能，非常符合机械故障诊断的需要。应用研究表明：在机械故障诊断领域，支持向量机比神经网络等传统分类器具有更好的分类性能。
基于上述讨论，本文将多尺度排列熵、距离评估技术和支持向量机相结合，提出了一种新的轴承故障
*陕西省自然科学基金青年项目(2017JQ5017)
基于多尺度排列熵和支持向量机的轴承故障诊断*
瞿金秀1，石长全2，丁
锋1，王文娟
1
（1.西安工业大学机电工程学院，西安710021；2.西安交通大学机械制造系统工程国家重点实验室，西安710049）
摘
要：针对轴承振动信号非线性、非平稳性和故障特征微弱性的特点，以及工程实际中难以
获得大量故障样本的情况，提出了一种基于多尺度排列熵和支持向量机的轴承故障诊断新方法。该方法首先对轴承不同运行状态下的振动信号进行多尺度排列熵特征提取，然后通过距离评估技术从原始多尺度排列熵特征中选取敏感特征，最后将敏感特征输入到采用遗传算法优化的支持向量机中，实现对轴承不同运行状态的自动识别。对实验数据分析的结果表明，该方法可以精细地获取故障信息，从大量原始特征中选择出敏感特征，有效地实现滚动轴承故障状态的诊断。
关键词：多尺度排列熵；敏感特征选择；支持向量机；故障诊断中图分类号：TH17；TP18文献标志码：A 文章编号：1003-0794（2018）09-0143-04
Bearing Fault Diagnosis Based on Multiscale Permutation Entropyand
Support Vector Machine
Qu Jinxiu 1，Shi Changquan 2，Ding Feng 1，Wang Wenjuan 1
(1.Department of Mechanical and Electronic Engineering,Xi ’an Technological University,Xi ’an 710021,China ；2.State
Key Laboratoryfor Manufacturing System,Xi ’an Jiaotong University,Xi ’an 710049,China)
Abstract:Aiming at such thecharacteristics of bearing vibration signal as nonlinear ，non-stationary and weakness of fault feature ，and the situation that it is difficult to obtain a large number of fault samples in the practical engineering ，a novelbearing fault diagnosis methodbased on multiscale permutation entropy and support vector machine isproposed.Firstly ，multiscale permutation entropyfeatures are extracted from the bearing vibration signals under different running states.Secondly ，with distance evaluation technique ，the sensitive features are selected from the original multiscale permutation entropy features.Finally ，the sensitive features are input into the support vector machineoptimized by genetic algorithm to automatically identify the different running states.The experimental results show that the proposed method can precisely extract fault information ，select sensitive ones from a large number oforiginalfeatures ，and effectively implement the diagnosis of rolling bearing fault state.
Key words:multiscale permutation entropy;sensitive feature selection;support vector machine;fault diagnosis 143
万方数据
第１０卷第１期 智 能 系 统 学 报 Ｖｏｌ．１０№．１２０１５年２月 ＣＡＡＩＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＳｙｓｔｅｍｓ Ｆｅｂ．２０１５ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３－４７８５．２０１４１０００４．网络出版地址：ｈｔｔｐ：／／ｗｗｗ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／２３．１５３８．ＴＰ．２０１５０１１３．１１３０．００６．ｈｔｍｌ 一种新的聚类有效性函数：模糊划分的模糊熵 卿铭１，孙晓梅２ （１．西南交通大学数学学院，四川成都６０００３１；２．河南工程学院数学与物理科学系，河南郑州４５１１９１） 摘 要：模糊聚类分析结果是否合理的问题属于模糊聚类有效性判定课题，其核心是模糊聚类有效性函数的构造。文中基于序关系定义了模糊划分模糊熵来描述模糊划分的模糊程度。考虑到现有的一类有效的模糊聚类有效性函数就是基于数据集的模糊划分的，因此文中也用模糊划分的模糊熵作为聚类有效性函数。实验表明，模糊划分的模糊熵作为模糊聚类的有效性函数是合理的、可行的。 关键词：模糊C 均值聚类；模糊划分的模糊熵；聚类有效性；聚类分析；模糊划分；模糊熵；熵函数；模糊集 中图分类号：ＴＰＯ２３５ 文献标志码：Ａ 文章编号：１６７３－４７８５（２０１５）０１－００７５－０６ 中文引用格式：卿铭，孙晓梅．一种新的聚类有效性函数：模糊划分的模糊熵［J ］．智能系统学报，２０１５，１０（１）：７５－８０． 英文引用格式：QING Ming ，SUN Xiaomei ．A new clustering effectiveness function ：fuzzy entropy of fuzzy partition ［J ］．CAAI Transactions on Intelligent Systems ，２０１５，１０（１）：７５－８０． A new clustering effectiveness function ：fuzzy entropy of fuzzy partition ＱＩＮＧＭｉｎｇ１，ＳＵＮＸｉａｏｍｅｉ２ （１．ＳｃｈｏｏｌｏｆＭａｔｈｅｍａｔｉｃｓ，ＳｏｕｔｈｗｅｓｔＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００３１，Ｃｈｉｎａ；２．ＤｅｐａｒｔｍｅｎｔｏｆＭａｔｈｅｍａｔｉｃａｌａｎｄＰｈｙｓｉｃａｌＳｃｉ－ｅｎｃｅ，ＨｅｎａｎＩｎｓｔｉｔｕｔｉｏｎｏｆＥｎｇｉｎｅｅｒｉｎｇ，Ｚｈｅｎｇｚｈｏｕ４５１１９１，Ｃｈｉｎａ）Abstract ：Ｉｎｔｈｉｓｐａｐｅｒ，ｔｈｅｄｅｔｅｒｍｉｎａｔｉｏｎｔｈａｔｗｈｅｔｈｅｒａｆｕｚｚｙｃｌｕｓｔｅｒｉｎｇａｎａｌｙｓｉｓｒｅｓｕｌｔｉｓｒｅａｓｏｎａｂｌｅｏｒｎｏｔｉｓｄｅ－ｃｉｄｅｄｂｙｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｆｕｚｚｙｃｌｕｓｔｅｒｉｎｇａｎｄｉｔｓｃｏｒｅｉｓｔｈｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆｆｕｚｚｙｃｌｕｓｔｅｒｉｎｇｅｆｆｅｃｔｉｖｅｎｅｓｓｆｕｎｃ－ｔｉｏｎ．Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｎｅｗｃｏｎｃｅｐｔｏｆｆｕｚｚｙｅｎｔｒｏｐｙｆｏｒａｆｕｚｚｙｐａｒｔｉｔｉｏｎｔｏｄｅｓｃｒｉｂｅｆｕｚｚｙｄｅｇｒｅｅｏｆａｆｕｚｚｙｐａｒ－ｔｉｔｉｏｎｂａｓｅｄｏｎａｎｏｒｄｅｒｒｅｌａｔｉｏｎ．Ｆｕｚｚｙｅｎｔｒｏｐｙｆｏｒａｆｕｚｚｙｐａｒｔｉｔｉｏｎｉｓａｌｓｏｃｏｎｓｉｄｅｒｅｄａｓａｃｌｕｓｔｅｒｉｎｇｅｆｆｅｃｔｉｖｅｎｅｓｓｆｕｎｃｔｉｏｎｂｅｃａｕｓｅｓｏｍｅｅｘｉｓｔｉｎｇｆｕｚｚｙｃｌｕｓｔｅｒｉｎｇｅｆｆｅｃｔｉｖｅｎｅｓｓｆｕｎｃｔｉｏｎｓａｒｅｂａｓｅｄｏｎｆｕｚｚｙｐａｒｔｉｔｉｏｎｏｆｄａｔａｓｅｔｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｓｄｅｍｏｎｓｔｒａｔｅｄｔｈａｔｉｔｉｓｒｅａｓｏｎａｂｌｅａｎｄｐｒａｃｔｉｃａｂｌｅｔｏｕｔｉｌｉｚｅｆｕｚｚｙｅｎｔｒｏｐｙｆｏｒａｆｕｚｚｙｐａｒｔｉｔｉｏｎａｓｔｈｅｅｆ－ｆｅｃｔｉｖｅｎｅｓｓｆｕｎｃｔｉｏｎｏｆａｆｕｚｚｙｃｌｕｓｔｅｒｉｎｇ．Keywords ：ｆｕｚｚｙC －ｍｅａｎｓｃｌｕｓｔｅｒｉｎｇ；ｆｕｚｚｙｅｎｔｒｏｐｙｏｆｆｕｚｚｙｐａｒｔｉｔｉｏｎ；ｃｌｕｓｔｅｒｉｎｇｅｆｆｅｃｔｉｖｅｎｅｓｓ；ｃｌｕｓｔｅｒｉｎｇａｎａｌｙｓｉｓ；ｆｕｚｚｙｐａｒｔｉｔｉｏｎ；ｆｕｚｚｙｅｎｔｒｏｐｙ；ｅｎｔｒｏｐｙｆｕｎｃｔｉｏｎ；ｆｕｚｚｙｓｅｔ 收稿日期：２０１４－１０－０８． 网络出版日期：２０１５－０１－１３． 基金项目：中央高校基础研究基金资助项目（２６８２０１４ＺＴ２８）． 通信作者：卿铭．Ｅ－ｍａｉｌ：ｑｉｎｇｍｉｎｇ＠ｓｗｊｔｕ．ｅｄｕ．ｃｎ． 聚类是一个在人类认识世界的过程中产生的古 老问题。在面对纷繁的大千世界时，关注事物间的 相似性并以此来区别不同的事物，对于人类来说是 一种清晰而直观的思路。而每个概念的最初形成无 不借助于事物间的聚类分析。因此聚类分析的研究 不仅具有重要的理论意义，而且具有重要的工程应 用价值和人文价值。对于给定的数据集，首先要判 断有无聚类结构，这属于聚类趋势研究的课题；如果已经确认有聚类结构，则需要用算法来确定这些结构，这属于聚类分析的研究课题；得到结构后，需要分析、判断聚类的结果是否合理，这属于聚类有效性研究的课题［１］。传统的聚类分析是一种硬划分。它将每个待辨识的对象严格地划分到某个类中，其聚类结果具有非此即彼的性质。而实际上大多数对象并没有严格的属性，它们在形态和类属方面存在着中介性，往往
滚动轴承故障诊断分析 学院名称：机械与汽车工程学院专业班级： 学生姓名： 学生学号： 指导教师姓名：
摘要 滚动轴承故障诊断 本文对滚动轴承的故障形式、故障原因、常用诊断方法等诊断基础和滚动轴承故障的振动机理作了研究，并建立了相应的滚动轴承典型故障(外圈损伤、内圈损伤、滚动体损伤)的理论模型，给出了一些滚动轴承故障诊断常见实例。通过对滚动轴承故障振动机理的研究可以帮助我们了解滚动轴承故障的本质和特征。本文对特征参数的提取，理论推导，和过程都进行了详细的阐述， 关键词:滚动轴承；故障诊断；特征参数；特征； ABSTRACT ： The Rolling fault diagnosis In the thesis ,the fault types,diagnostic methods an d vibration principle of rolling bearing are discussed.the thesis sets up a series of academic m odels of faulty rolling bearings and lists some sym ptom parameters which often used in fault diagnosis of rolling bearings . the study of vibration prin ciple of rolling bearings can help us to know the essence and feature of rolling bearings.In this pa
简析滚动轴承故障诊断方法及要点 滚动轴承是应用最为广泛的机械零件质疑，同时，它也是机器中最容易损坏的元件之一。许多旋转机械的故障都与滚动轴承的状态有关。据统计，在使用滚动轴承的旋转机械中，大约有30%的机械故障都是由于轴承而引起的。可见，轴承的好坏对机器工作状态影响极大。 通常，由于轴承的缺陷会导致机器产生振动和噪声，甚至会引起机器的损坏。而在精密机械中（如精密机床主轴、陀螺等），对轴承的要求就更高，哪怕是在轴承上有微米级的缺陷，都会导致整个机器系统的精度遭到破坏。 最早使用的轴承诊断方法是将听音棒接触轴承部位，依靠听觉来判断轴承有无故障。这种方法至今仍在使用，不过已经逐步使用电子听诊器来替代听棒以提高灵敏度。后来逐步采用各式测振仪器、仪表并利用位移、速度或加速度的均方根值或峰峰值来判断轴承有无故障。这可以减少对设备检修人员的经验的依赖，但仍然很难发现早期故障。 滚动轴承在设备中的应用非常广泛，滚动轴承状态好坏直接关系到旋转设备的运行状态，尤其在连续性大生产企业，大量应用于大型旋转设备重要部位，因此，实际生产中作好滚动轴承状态监测与故障诊断是搞好设备维修与管理的重要环节。我们经过长期实践与摸索，积累了一些滚动轴承实际故障诊断的实用技巧。 一、滚动轴承故障诊断的方式及要点： 对滚动轴承进行状态监测和故障诊断的实用方法是振动分析。 实用中需注意选择测点的位置和采集方法。要想真实准确反映滚动轴承振动状态，必须注意采集的信号准确真实，因此要在离轴承最近的地方安排测点，在电机自由端一般有后风扇罩，其测点选择在风扇罩固定螺丝有较好监测效果。另外必须注意对振动信号进行多次采集和分析，综合进行比较。才能得到准确结论。 二、滚动轴承正常运行的特点与实用诊断技巧： 我们在长期生产状态监测中发现，滚动轴承在其使用过程中表现出很强的规律性，并且重复性非常好。正常优质轴承在开始使用时，振动和噪声均比较小，但频谱有些散乱，幅值都较小，可能是由于制造过程中的一些缺陷，如表面毛刺等所致。 运动一段时间后，振动和噪声维持一定水平，频谱非常单一，仅出现一、二倍频。极少出现三倍工频以上频谱，轴承状态非常稳定，进入稳定工作期。 继续运行后进入使用后期，轴承振动和噪声开始增大，有时出现异音，但振动增大的变化较缓慢，此时，轴承峭度值开始突然达到一定数值。我们认为，此时轴承即表现为初期故障。
图片简介: 本技术涉及一种基于层次全局模糊熵的滚动轴承故障诊断方法，采集滚动轴承的振动信号；对采集到的振动信号进行层次分解，计算第四个分解尺度上八个节点信号的全局模糊熵；将八个层次全局模糊熵作为滚动轴承故障特征向量；将得到的故障特征向量分为训练集和测试集；利用训练集训练支持向量机获得预测模型，利用预测模型对测试集进行预测；根据预测结果完成滚动轴承故障严重程度和故障类型的识别。本技术针对原始模糊熵算法和多尺度分析的局限，引入全局模糊熵和层次分解提取轴承故障特征。通过结合层次分解和全局模糊熵的优点，本技术提出的层次全局模糊熵能够从轴承振动信号中提取更加丰富的故障信息，在滚动轴承故障识别中有更好的分类性能。 技术要求 1.一种基于层次全局模糊熵的滚动轴承故障诊断方法，其特征在于：包括如下步骤： 1)、测量滚动轴承的振动信号； 2)、计算滚动轴承振动信号的层次全局模糊熵： 3)、选取层次分解第四个尺度上八个节点信号的全局模糊熵作为滚动轴承故障特征向量； 4)、将得到的层次全局模糊熵特征分为训练和测试两类样本； 5)、利用训练样本对支持向量机进行训练得到预测模型； 6)、利用得到的预测模型对测试样本进行预测； 7)、根据预测结果识别滚动轴承的故障严重程度与故障类型。 2.如权利要求1所述的一种基于层次全局模糊熵的滚动轴承故障诊断方法，其特征在于：步骤2)计算滚动轴承振动信号的层次全局模糊熵的步骤如下： 2.1)对于一个N点时间序列{u(i):1≤i≤N}，原始模糊熵构建的m维向量 为为了克服模糊熵主要强调信号局部特征这一局限，全局模糊熵在构建m维向量时去掉局部均值u0(i)，改 为 2.2)针对多尺度分析只考虑信号低频成分的缺陷，对测量得到的轴承振动信号进行层次分解，层次分解的优点在于同时考虑了信号的低频成分和高频成分；把层次分解与全局模糊熵相结合，计算层次分解第四个尺度上节点信号的全局模糊熵，即为本技术提出的新的全局模糊熵算法。 技术说明书 一种基于层次全局模糊熵的滚动轴承故障诊断方法 技术领域
滚动轴承故障诊断与分析Examination and analysis of serious break fault down in rolling bearing 学院：机械与汽车工程学院 专业：机械设计制造及其自动化 班级：2010020101 姓名： 学号： 指导老师：王林鸿
摘要:滚动轴承是旋转机械中应用最广的机器零件，也是最易损坏的元件之一, 旋转机械的许多故障都与滚动轴承有关，轴承的工作好坏对机器的工作状态有很大的影响，其缺陷会产生设备的振动或噪声，甚至造成设备损坏。因此, 对滚动轴承故障的诊断分析, 在生产实际中尤为重要。 关键词：滚动轴承故障诊断振动 Abstract: Rolling bearing is the most widely used in rotating machinery of the machine parts, is also one of the most easily damaged components. Many of the rotating machinery fault associated with rolling bearings, bearing the work of good or bad has great influence to the working state of the machine, its defect can produce equipment of vibration or noise, and even cause equipment damage. Therefore, the diagnosis of rolling bearing fault analysis, is especially important in the practical production. Key words: rolling bearing fault diagnosis vibration 引言：滚动轴承是机器的易损件之一，据不完全统计，旋转机械的故障约有30％ 是因滚动轴承引起的，由此可见滚动轴承故障诊断工作的重要性。如何准确判断出它的末期故障是非常重要的，可减少不必要的停机修理，延长设备的使用寿命，避免事故停机。滚动轴承在运转过程中可能会由于各种原因引起损坏，如装配不当、润滑不良、水分和异物侵入、腐蚀和过载等。即使在安装、润滑和使用维护都正常的情况下，经过一段时间运转，轴承也会出现疲劳剥落和磨损。总之，滚动轴承的故障原因是十分复杂的，因而对作为运转机械最重要件之一的轴承，进行状态检测和故障诊断具有重要的实际意义，这也是机械故障诊断领域的重点。 一滚动轴承故障诊断分析方法 1滚动轴承故障诊断传统的分析方法 1.1振动信号分析诊断 振动信号分析方法包括简易诊断法、冲击脉冲法（SPM法）、共振解调法（IFD 法）。振动诊断是检测诊断的重要工具之一。 （1）常用的简易诊断法有：振幅值诊断法，反应的是某时刻振幅的最大值，适用于表面点蚀损伤之类的具有瞬时冲击的故障诊断；波峰因素诊断法，表示的
滚动轴承故障诊断1（之国外专家版） 滚动轴承故障 现代工业通用机械都配备了相当数量的滚动轴承。一般说来，滚动轴承都是机器中最精密的部件。通常情况下，它们的公差都保持在机器的其余部件的公差的十分之一。但是，多年的实践经验表明，只有10%以下的轴承能够运行到设计寿命年限。而大约40%的轴承失效是由于润滑引起的故障，30%失效是由于不对中或“卡住”等装配失误，还有20%的失效是由过载使用或制造上缺陷 等其它原因所致。 如果机器都进行了精确对中和精确平衡，不在共振频率附近运转，并且轴承润滑良好，那么机器运行就会非常可*。机器的实际寿命也会接近其设计寿命。然而遗憾的是，大多数工业现场都没有做到这些。因此有很多轴承都因为磨损而永久失效。你的工作是要检测出早期症状并估计故障的严重程度。振动分析和磨损颗粒分析都是很好的诊断方法。 1、频谱特征 故障轴承会产生与1X基频倍数不完全相同的振动分量——换言之，它们不是同步的分量。对振动分析人员而言，如果在振动频谱中发现不同步分量那么极有可能是轴承出现故障的警告信号。 振动分析人员应该马上诊断并排除是否是其它故障引起的这些不同步分量。 如果看到不同步的波峰，那极有可能与轴承磨损相关。如果同时还有谐波和边频带出现，那么轴承磨损的可能性就非常大——这时候你甚至不需要再去了解轴承准确的扰动频率。 2、扰动频率计算 有四个与轴承相关的扰动频率：球过内圈频率（BPI）、球过外圈频率（BPO）、保持架频率（FT）和球的自旋频率（BS）。轴承的四个物理参数：球的数量、球的直径、节径和接触角。其中，BPI 和BPO的和等于滚珠/滚柱的数量。例如，如果BPO等于3.2 X，BPI等于4.8 X，那么滚珠/滚柱 的数量必定是8。
基于小波多尺度统计特征的图像分类 基于小波多尺度统计特征的图像分类 报告人:翟俊海 1. 小波变换 2. 图像分类问题现状 3. 小波多尺度统计特征抽取及图像分类 4. 实验比较 5. 下一步工作 6. 参考文献 报告内容 1. 小波变换 小波变换是强有力的时频分析(处理)工具,是在克服傅立叶变换缺点的基础上发展而来的.已成功应用于很多领域,如信号处理,图像处理,模式识别等. 小波变换的一个重要性质是它在时域和频域均具有很好的局部化特征,它能够提供目标信号各个频率子段的频率信息.这种信息对于信号分类是非常有用的. 小波变换一个信号为一个小波级数,这样一个信号可由小波系数来刻画. 1.1 一维小波变换(一维多尺度分析) 设有L2(R )空间的子空间序列: Vj 的正交基函数是由一个称为尺度函数的函数 (x)经伸缩平移得到的 设Wj 是Vj 相对于Vj+1的正交补空间, Wj 的正交基函数是由一个称为小波函数的函数 (x)经伸缩平移得到的 小波函数必须满足以下两个条件的函数: 小波必须是振荡的; 小波的振幅只能在一个很短的一段区间上非零,即是局部化的.如: 图1 小波例1 图2 小波例2 不是小波的例 图4 图3 构成Vj+1的正交基. 满足下列关系式(二尺度方程): 信号的多尺度分解: 1.2 二维小波变换(二维多尺度分析) 二维小波变换是由一维小波变换扩展而来的,二维尺度函数和二维小波函数可由一维尺度函数和小波函数张量积得到,即: 图像的二维小波变换包括沿行向(水平方向)和列向(垂直方向)滤波和2-下采样,如图所示: 图5 图像滤波采样 说明:如图所示,首先对原图像I(x,y)沿行向(水平方向)进行滤波和2-下采样,得到系数矩阵IL(x,y)和IH(x,y),然后再对IL(x,y)和IH(x,y)分别沿列向(垂直方向)滤波和2-下采样,最后得到一层小波分解的4个子图: ILL (x,y)—I(x,y)的(粗)逼近子图 IHL(x,y) — I(x,y)的水平方向细节子图
模糊不确定性的度量—模糊熵 摘要: 熵是模糊变量的一个重要的数字特征，用来度量模糊变量的不确定性，是处理模糊信息的重要工具。模糊集用来描述元素无法明确界定是否属于给定集合的集合类。模糊变量则是取值于这种具有不确定性的模糊集的变量。本文主要介绍模糊集模糊变量模糊熵简单的定义及其性质，文中最后通过例子具体介绍模糊熵的实际应用。 关键词:熵，模糊变量，模糊集，模糊程度，包含关系 1. 模糊集与熵 集合的概念是逻辑和数学中最基本的概念之一。集合中非常重要且基本的性质为矛盾律和排中律，满足矛盾律和排中律的集合就是清晰集。即一个元素可以明确的表示属于或是不属于这个集合，任意选定的元素可以被明确界定，对应于数理逻辑就是一个命题要么是真的 要么是假的。但是在实际客观事务的描述中很多集合和命题不满足这种特性，如“水很热”，显然这个集合中的元素无法被明确界定，这是因为“热”和“不热”之间不存在明确的分界。 定义函数 为模糊集 的隶属函数，表示 中的元素属于模糊集 的程度，隶属度越大，表示该元素属于集合 的程度就越大，隶属度为0表示该元素完全不属于集合 ，隶属度为1则表示该元素完全属于集合 。 1.1 模糊集合的一般性理论回顾 如果我们对周围的一切细加考察的话不难发现，普通集合无法描述像“天气好”“个子高”“美丽”这样的模糊概念，因为普通集合描述的概念有这样的特点：一个对象要么符合该概念，要么不符合该概念，二者必居其一，没有模棱两可的情况，而对于模糊概念来说，一对象是否符合它，不能简单的用“是”或“否”来回答，因为对象既不完全符合，也不完全不符合，而是在某种程度上符合该概念。 1.1.1 模糊集合的概念 论域X 上的模糊集合A*由隶属函数)(*x u A 来表征,其中)(*x u A 在实轴的闭区间[0,1] 上取值, )(*x u A 的值反映了X 中的元素x 对于A*的隶属程度. 模糊集合完全由隶属函数所刻画. )(*x u A 的值接近于1,表示x 隶属于A*的程度很高; )(*x u A 接近于0,表示x 隶属于A*的程度很低;当)(*x u A 的值域为{0,1}二值, )(*x u A 演化为普通集合的特征函数)(x u A ,A*便演化为普通集合A.我们可以认为模糊集合时普通集合的一般化. 1.1.2 模糊集合的表示方法 就论域的类型而言,模糊集合有以下两种表示方法: 1. 设论域X 是有限集或可数集,令X=}...,,{321n x x x x ,X 上的任一模糊集A*,其隶属 函数为)(*x u A ,i=1,2,3…,n,则此时A*可以表示成:
滚动轴承故障诊断与分析 Examination and analysis of serious break fault down in rolling bearing
学院：机械与汽车工程学院 专业：机械设计制造及其自动化 班级：2010020101 姓名： 学号： 指导老师：王林鸿 :摘要,滚动轴承是旋转机械中应用最广的机器零件，也是最易损坏的元件之一 轴承的工作好坏对机器的工作状态有很旋转机械的许多故障都与滚动轴承有关，对滚动甚至造成设备损坏。因此, 大的影响，其缺陷会产生设备的振动或噪声， 轴承故障的诊断分析, 在生产实际中尤为重要。关键词：振动滚动轴承故 障诊断 Rolling bearing is the most widely used in rotating Abstract:easily machinery of the machine parts, is also one of the most damaged components. Many of the rotating machinery fault associated with rolling bearings, bearing the work of good or bad has great influence to the working state of the machine, even and of vibration or noise, produce its defect can equipment cause equipment damage. Therefore, the diagnosis of rolling bearing fault analysis, is especially important in the practical production. Key words: rolling bearing fault diagnosis vibration 引言：％30滚动轴承是机器的易损件之一，据不完全统计，旋转机械的故障约
摘要：滚动轴承是旋转机械中使用最多，最为关键，同时也是机械设备中最易损坏的机械零件之一。滚动轴承质量的好坏对机械设备运行质量影响很大，许多旋转机械设备的运行状况与滚动轴承的质量有很大的关系。滚动轴承作为旋转机械设备中使用频率较高，同时也是机械设备中较为薄弱的环节，因此对滚动轴承进行故障诊断具有重大意义。 引言：故障诊断技术是一门研究设备运行状况信息，查找故障源，研究故障发展趋势，确定相应决策，与生产实际紧密相结合的实用技术。故障诊断技术是20世纪中后迅速发展起来的一门新型技术。国外对滚动轴承故障诊断技术的研究开始于20世纪60年代。美国是世界上最早研究滚动轴承故障诊断技术的国家，于1967年对滚动轴承故障进行研究，经过几十年的发展，先后研制了基于时域分析，频域分析，和时频分析的滚动轴承故障诊断技术。 目前国外已经研制出先进的滚动轴承故障诊断仪器，并且已经应用于工业生产中，对预防机械事故，减少损失起到了至关重要的作用。国内对故障诊断技术的研究起步较晚，20世纪80年代我过开始研究滚动轴承故障诊断技术，经过多年的研究，先后出现了基于振动信号的滚动轴承故障诊断，基于声音信号的滚动轴承诊断方法，基于温度的滚动轴承诊断方法，基于油膜电阻的滚动轴承诊断方法和基于光钎的滚动轴承诊断方法。从实用性方面来看，基于振动信号的滚动轴承诊断方法具有实用性强，效果好，测试和信号处理简单等优点而被广泛采用。在滚动轴承故障诊断中，比较常用的振动诊断方法有特征参数法，频谱分析法，包络分析法，共振解调技术。其中共振解调技术是目前公认最有效的方法。 振动检测能检测轴承的剥落、裂纹、磨损、烧伤且适于早期检测和在线检测。因而，振动诊断法得到一致认可。包络检测是轴承故障振动诊断的一种有效方法,实际中已广泛使用。当轴承出现局部损伤类故障后，振动信号中包含了以故障特征频率为周期的周期性冲击成分，虽然这些冲击成分是周期出现的，但单个冲击信号却具有非平稳信号的特性。Fourier变换在频域上是完全局部化的，但由于其基函数在时域上的全局性使它没有任何的时间分辨率，因此不适合非平稳信号的分析。短时Fourier 变换虽然在时域和频域上都具有一定的分辨率而由于其基函数只能对信号进行等带宽的分解。因此基函数一旦确定，其时域和频域分辨率也就不能变化，从而不能自适应地确定信号在不同频段的分辨率。小波变
振 动 与 冲 击 第27卷第3期 J OURNAL OF V IBRAT I ON AND SHOCK Vo.l 27No .32008 声发射检测技术用于滚动轴承故障诊断的研究综述 基金项目:863计划(2006AA04Z438)资助;河北省自然科学基金(E2007000649)资助 收稿日期: 2007-06-25 修改稿收到日期:2007-07-12 第一作者郝如江男,博士生,副教授,1971年生 郝如江1,2 , 卢文秀1 , 褚福磊 1 (1.清华大学精密仪器与机械学系,北京 100084;2.石家庄铁道学院计算机与信息工程分院,石家庄 050043) 摘 要:声发射是材料受力变形产生弹性波的现象,故障滚动轴承在运转过程中会产生声发射。从几个方面综合 阐述了国内外轴承故障声发射检测技术的研究和发展现状,即轴承故障声发射信号的产生机理,故障声发射信号的传播衰减特性,声发射信号的参数分析法和波形分析法对故障特征的描述,轴承故障声发射源的定位问题,根据信号特征进行 故障模式识别以及声发射检测和振动检测的比较问题。通过分析总结出滚动轴承声发射检测技术下一步的研究方向,并指出滚动轴承故障的声发射检测是振动检测的有力补充工具,特别是在轴承低转速和故障早期的检测中更能发挥作用。 关键词:声发射;滚动轴承;故障诊断 中图分类号:TH 113,TG 115 文献标识码:A 滚动轴承是各种旋转机械中最常用的通用零部件之一,也是旋转机械易损件之一。据统计,旋转机械的故障有30%是轴承故障引起的,它的好坏对机器的工 作状况影响极大[1] 。滚动轴承主要损伤形式有:疲劳、 胶合、磨损、烧伤、腐蚀、破损、压痕等[2] 。轴承的缺陷会导致机器剧烈振动和产生噪声,甚至会引起设备的损坏。因此,对重要用途的轴承进行工况检测与故障诊断是非常必要的。 滚动轴承故障的检测诊断技术有很多种,如振动信号检测、润滑油液分析检测、温度检测、声发射检测等。在各种诊断方法中,基于振动信号的诊断技术应用最为广泛,该技术分为简易诊断法和精密诊断法两种。简易诊断利用振动信号波形的各种参数,如幅值、波形因数、波峰因数、概率密度、峭度系数等,以及各种解调技术对轴承进行初步判断以确认是否出现故障;精密诊断则利用各种现代信号处理方法判断在简易诊断中被认为是出现了故障的轴承的故障类别及原因。振动信号检测并非在任何场合都很适用,例如在汽轮机、航空器变速箱及液体火箭发动机等鲁棒性较低的系统中,轴承的早期微弱故障就会导致灾难性的后果,但是早期故障的振动信号很微弱,又容易被周围相对幅度较大的低频环境噪声所淹没,从而无法有效检测出故障的存在[3] 。由于声发射是故障结构本身发出的高频应力波 信号,不易受周围环境噪声的干扰[4] ,因此声发射检测方法在滚动轴承的故障诊断中得到了应用。 1 滚动轴承故障声发射检测机理 111 声发射检测技术原理 材料受到外力或内力作用产生变形或者裂纹扩展 时,以弹性波的形式释放出应变能的现象称为声发射[5] 。用仪器检测、分析声发射信号和利用声发射信号推断声发射源的技术称为声发射检测技术,它是20世纪60年代发展起来的一种动态无损检测新技术,其利用物质内部微粒(包括原子、分子及粒子群)由于相对运动而以弹性波的形式释放应变能的现象来识别和了解物质或结构内部状态。 声发射信号包括突发型和连续型两种。突发型声发射信号由区别于背景噪声的脉冲组成,且在时间上可以分开;连续型声发射信号的单个脉冲不可分辨。实际上,连续型声发射信号也是由大量小的突发型信号组成的,只不过太密集而不能分辨而已。目前对于声发射信号的分析方法主要包括参数分析法和波形分析法。112 滚动轴承故障声发射源问题 滚动轴承在运行不良的情况下,突发型和连续型的声发射信号都有可能产生。轴承各组成部分(内圈、外圈、滚动体以及保持架)接触面间的相对运动、碰摩所产生的赫兹接触应力,以及由于失效、过载等产生的诸如表面裂纹、磨损、压痕、切槽、咬合、润滑不良造成的的表面粗糙、润滑污染颗粒造成的表面硬边以及通过轴承的电流造成的点蚀等故障,都会产生突发型的声发射信号。 连续型声发射信号主要来源于润滑不良(如润滑油膜的失效、润滑脂中污染物的浸入)导致轴承表面产生氧化磨损而产生的全局性故障、过高的温度以及轴承局部故障的多发等,这些因素造成短时间内的大量突发声发射事件,从而产生了连续型声发射信号。 滚动轴承在运行过程中,其故障(不管是表面损伤、裂纹还是磨损故障)会引起接触面的弹性冲击而产生声发射信号,该信号蕴涵了丰富的碰摩信息,因此可利用声发射来监测和诊断滚动轴承故障。与振动方法不同的是,声发射信号的频率范围一般在20kH z 以上,而振动信号频率比较低,因此它不受机械振动和噪声
目录 摘要 (3) 第1章绪论 (4) 1.1滚动轴承故障诊断技术的发展现状 (4) 1.2滚动轴承故障诊断技术的发展趋势 (6) 1.3滚动轴承诊断基础 (7) 1.3.1滚动轴承的常见故障形式 (7) 1.3.2滚动轴承的诊断方法 (8) 1.4本课题的研究意义和内容 (9) 第2章滚动轴承振动机理 (11) 2.1滚动轴承的基本参数 (11) 2.1.1滚动轴承的典型结构 (7) 2.1.2滚动轴承的特征频率 (11) 2.1.3滚动轴承的固有频率 (13) 2.2滚动轴承故障诊断常用参数 (14) 2.2.1时间领域有量纲特征参数 (14) 2.2.2时间领域的无量纲特征参数 (15) 2.2.3频率领域的无量纲特征参数 (16) 第3章滚动轴承故障诊断实验系统及实验方案 (17) 3.1滚动轴承故障诊断实验系统 (17) 3.1.1滚动轴承故障实验机械平台 (18) 3.1.2设备的组成: (19) 3.1.3设备的主要参数: (19) 3.1.4实验平台信号采集及故障诊断系统 (21) 3.2实验方案 (23) 3.2.1轴承的故障状态 (23) 3.2.2实验步骤 (23) 第4章实验的操作过程及数据的提取 (25) 4.1装拆轴承 (25)
4.1.1实验前期准备 (25) 4.1.2试机 (25) 4.1.3拆卸并安装轴承 (25) 4.2信号的采集过程 (27) 4.2.1前期准备 (27) 4.2.2数据采集过程 (28) 4.3数据信号的处理过程 (30) 第5章结论 (35) 致谢 (36) 参考文献 (37)
旋转机械故障诊断特征参数的提取 摘要：本文对滚动轴承的故障形式、故障原因、常用诊断方法等诊断基础和滚动轴承故障的振动机理作了研究，并建立了相应的滚动轴承典型故障(外圈损伤、内圈损伤、滚动体损伤)的理论模型，给出了一些滚动轴承故障诊断常用的特征参数。通过对滚动轴承故障振动机理的研究可以帮助我们了解滚动轴承故障的本质和特征。本文对特征参数的提取，理论推导，和过程都进行了详细的阐述，本文所提出的方法不仅仅适用滚动轴承故障的诊断，还可推广适用旋转机械其它故障的诊断。 关键词:滚动轴承；故障诊断；特征参数；分辨指数；识别率 The Extraction on Fault Diagnosis Symptom Parameters of Rotating Machinery ABSTRACT：In the thesis ,the fault types,diagnostic methods and vibration principle of rolling bearing are discussed.the thesis sets up a series of academic models of faulty rolling bearings and lists some symptom parameters which often used in fault diagnosis of rolling bearings . the study of vibration principle of rolling bearings can help us to know the essence and feature of rolling bearings.In this paper, the parameters of the extraction, theoretical analysis, and process are described in detail, the paper by the way not only to the Rolling fault diagnosis, but also promote the application of other rotating machinery fault diagnosis. Keywords:Rolling Bearing; Fault Diagnosis; Symptom Parameter; Distinction Index; Distinction Rate
滚动轴承故障诊断 旋转机械是设备状态监测与故障诊断工作的重点，而旋转机械的故障有相当大比例与滚动轴承有关。滚动轴承是机器的易损件之一，据不完全统计，旋转机械的故障约有30％是因滚动轴承引起的，由此可见滚动轴承故障诊断工作的重要性。 最初的轴承故障诊断是利用听棒，靠听觉来判断。这种方法至今仍在沿用，其中的一部分已改进为电子听诊器，例如用电子听诊器来检查、判断轴承的疲劳损伤。训练有素的人员凭经验能诊断出刚刚发生的疲劳剥落，有时甚至能辨别出损伤的位置，但毕竟影响因素较多，可靠性较差。 继听棒、电子听诊器之后，在滚动轴承的状态监测与故障诊断工作中又引入了各种测振仪，用振动位移、速度和加速度的均方根值或峰值来判断轴承有无故障，这样减少了监测人员对经验的依赖性，提高了监测诊断的准确性，但仍很难在故障初期及时做出诊断。 1966年，全球主要滚动轴承生产商之一，瑞典SKF公司在多年对轴承故障机理研究的基础上发明了用冲击脉冲仪（Shock Pulse Meter）检测轴承损伤，将滚动轴承的故障诊断水平提高了一个档次。之后，几十家公司相继安装了大批传感器用于长期监测轴承的运转情况，在航空飞机上也安装了类似的检测仪器。 1976年，日本新日铁株式会社研制了MCV系列机器检测仪（Machine Checker），可分别在低频、中频和高频段检测轴承的异常信号。同时推出的还有油膜检查仪，利用超声波或高频电流对轴承的润滑状态进行监测，探测油膜是否破裂，发生金属间直接接触。1976-1983年，日本精工公司（NSK）相继研制出了NB 系列轴承监测仪，利用1~15kHz范围内的轴承振动信号测量其RMS值和峰值来检测轴承故障。由于滤除了低频干扰，灵敏度有所提高，其中有些型号的仪器仪表还具有报警、自动停机功能。 随着对滚动轴承的运动学、动力学的深入研究，对于轴承振动信号中的频率成分和轴承零件的几何尺寸及缺陷类型的关系有了比较清楚的了解，加之快速傅里叶变换技术的发展，开创了用频域分析方法来检测和诊断轴承故障的新领域。其中最具代表性的有对钢球共振频率的研究，对轴承圈自由共振频率的研究，对滚动轴承振动和缺陷、尺寸不均匀及磨损之间关系的研究。1969年，H. L. Balderston根据滚动轴承的运动分析得出了滚动轴承的滚动体在内外滚道上的通过频率和滚动体及保持架的旋转频率的计算公式，以上研究奠定了这方面的理论基础。目前已有多种信号分析仪可供滚动轴承的故障诊断，美国恩泰克公司根据滚动轴承振动时域波形的冲击情况推出的“波尖能量”法及相应仪器，对滚动轴承的故障诊断非常有效。还有多种信号分析处理技术用于滚动轴承的状态监测与故障诊断，如频率细化技术、倒频谱、包络线分析等。在信号预处理上也采用了各种滤波技术，如相干滤波、自适应滤波等，提高了诊断灵敏度。 除了利用振动信号对轴承运行状态进行诊断监测外，还发展了其他一些技术，如光纤维监测技术、油污染分析法（光谱测定法、磁性磁屑探测法和铁谱分析法等）、声发射法、电阻法等 简易诊断法确定轴承已经发生故障之后，进一步判定故障的类别和发生部位，以便采取相应对策。 滚动轴承的精密诊断与旋转机械、往复机械等精密诊断一样，主要采用频谱分析法。由于滚动轴承的振动频率成分十分丰富，既含有低频成分，又含有高频成分，而且每一种特定的故障都对应特定的频率成分。进行频谱分析之前需要通过适当的信号处理方法将特定的频率成分分离出来，然后对其进行绝对值处理，最后进行频率分析，以找出信号的特征频率，确定故障的部位和类别。 一、轴承内滚道损伤 轴承内滚道产生损伤时，如：剥落、裂纹、点蚀等（如图1所示），若滚动轴无径向间隙时，会产生频率为nZfi（n＝1，2,…）的冲击振动。
滚动轴承故障诊断的频谱分析 滚动轴承在机电设备中的应用非常广泛，滚动轴承状态的好坏直接关系到旋转设备的运行状态，因此在实际生产过程中作好滚动轴承的状态监测与故障诊断是搞好设备维修与管理的重要环节。 滚动轴承在其使用过程中表现出很强的规律性，并且重复性强。正常优质轴承在开始使用时振动和噪声均比较小，但频谱有些散乱，幅值比较小。运动一段时间后，振动和噪声保持在一定水平，频谱比较单一，仅出现一，二倍频，极少出现三倍工频以上频谱，轴承状态非常平稳，进入稳定工作期。持续运行后进入使用后期，轴承振动和噪声开始增大，有时出现异音，但振动增大的变化比较缓慢，此时，轴承峭度值开始突然到达一定值。可以认为此时轴承出现了初期故障。这时就要对轴承进行严密监测，密切注意其变化。此后轴承峭度值又开始快速下降，并接近正常值，而振动和噪声开始显著增大，其增大幅度开始加快，其振动超过标准时（ISO2372），其轴承峭度值也开始快速增大，当轴承超过振动标准，峭度值也超过正常值时，可认为轴承已进入晚期故障，需要及时检修设备，更换滚动轴承。 1、滚动轴承故障诊断方式 振动分析是对滚动轴承进行状态监测和故障诊断的常用方法。一般方式为：利用数据采集器在设备现场采集滚动轴承振动信号并储存，传送到计算机，利用振动分析软件进行深入分析，从而得到滚动轴承各种振动参数的准确数值，进而判断这些滚动轴承是否存在故障。采用恩递替公司的Indus3振动测量分析系统进行大中型电机滚动轴承的状态监测和故障诊断，经过近几年实际使用，其效果令人非常满意。要想真实准确反映滚动轴承振动状态，必须注意采集信号的准确真实，因此要在离轴承最近的地方安排测点。 2、滚动轴承正常运行特点与诊断技巧 滚动轴承的运转状态在其使用过程中有一定的规律性，并且重复性非常好。例如，正常优质轴承在开始使用时，振动幅值和噪声均比较小，但频谱有些散乱(图1)这可能是由于制造过程中的一些缺陷，如表面毛刺等所致。运行一段时间后，振动幅值和噪声维持一定水平，频谱非常单一，仅出现一、二倍频。极少出现三倍工频以上频谱(图2)，轴承状态非常稳定，进入稳定工作期。继续运行一段时
滚动轴承故障诊断文献综述 [ 2008-4-2 14:38:00 | By: mp2 ] 推荐 文献综述 ——滚动轴承故障诊断 1.前言 滚动轴承是各种旋转机械中应用最广泛的一种通用机械零件，它是机器最易损坏的零件之一。据统计。旋转机械的故障有30％是由轴承引起的。可见轴承的好坏对机器的工作状况影响很大。轴承故障诊断就是要通过对能够反映轴承工作状态的信号的测取，分析与处理，来识别轴承的状态。包括以下几个环节：信号测取；特征提取；状态识别：故障诊断；决策干预[1]。 滚动轴承故障诊断传统的分析方法有冲击脉冲法，共振解调法，倒频谱分析技术。 在现代分析方法中，小波分析是最近几年才出现井得以应用和发展的一种时—频信号分析方法。它具有时域和频域的局部化和可变时频窗的特点．用它分析非平稳信号比传统的傅里叶分析更为最著。由于滚动轴承的故障信号中禽有非稳态成分，所以刚小波分析来处理其振动信号．可望获得更为有效的诊断特征信息[2]。 滚动轴承故障的智能诊断技术就是把神经网络、专家系统、模糊理论等技术与滚动轴承的特征参数有机地结合起来进行综合分析的故障诊断技术。 2.故障信号诊断方法 2.1冲击脉冲法(spm) SPM技术(Shock Pulse Method)，是在滚动轴承运转中，当滚动体接触到内外道面的缺陷区时，会产生低频冲击作用，所产生的冲击脉冲信号，会激起SPM 传感器的共振，共振波形一般为20kHz～60kHz，包含了低频冲击和随机干扰的幅值调制波，经过窄带滤波器和脉冲形成电路后，得到包含有高频和低频的脉冲序列。SPM 方法是根据这一反映冲击力大小的脉冲序列来判断轴承状态的。此种方法目前被公认为对诊断滚动轴承局部损伤故障工程实用性最强的。此方法虽然克服了选择滤波中心频率和带宽的困难，但这种固定中心频率和带宽的方法也有其局限性，因为，一些研究结果表明，滚动轴承局部损伤故障所激起的结构共振频率并不是固定不变的，在故障的不同阶段可能激起不同结构的共振响应,而不同部位的故障(内、外圈、滚子)也会激起不同频率结构的共振响应。显然，固定的滤波频带有其局限性。实际使用情况表明，当背景噪声很强或有其他冲击源时，
V ol 38No.Z1 Apr.2018 噪 声与振动控制NOISE AND VIBRATION CONTROL 第38卷第Z1期2018年4月 文章编号：1006-1355(2018)Z1-0653-04 复合多尺度散布熵在滚动轴承故障诊断中的应用 郑近德，李从志，潘海洋 （安徽工业大学机械工程学院，安徽马鞍山243002） 摘要：为了提取滚动轴承的非线性故障特征，将复合多尺度散布熵应用于滚动轴承故障特征提取，提出1种基于复合多尺度散布熵与支持向量机的滚动轴承故障诊断方法，并将所提方法应用于滚动轴承实验数据分析。通过与多尺度散布熵和多尺度熵进行对比，结果表明：论文提出的故障诊断方法不仅能够准确地诊断滚动轴承的故障类型和程度，而且识别率优于所对比的方法。 关键词：振动与波；多尺度熵；复合多尺度散布熵；滚动轴承；故障诊断中图分类号：TH165.+3 文献标志码：A DOI 编码：10.3969/j.issn.1006-1355.2018.Z1.141 Application of Composite Multi-scale Dispersion Entropy in Rolling Bearing Fault Diagnosis ZHENG Jinde ,LI Congzhi ,P AN Haiyang (School of Mechanical Engineering,Anhui University of Technology, Ma ’anshan 243002,Anhui China ) Abstract :The composite multi-scale dispersion entropy (CMDE)is proposed and applied to extract nonlinear fault features of rolling bearings based on the experimental https://www.doczj.com/doc/bc16644029.html,paring with the multi-scale entropy method,the proposed method can precisely diagnose the type and extent of the faults of the rolling bearings and get much higher identification rate than the other methods. Keywords :vibration and wave;multi-scale dispersion entropy;composite multi-scale dispersion entropy;rolling bearing;fault diagnosis 滚动轴承是旋转机械的关键部件，其故障诊断一直是相关学者研究的热点。复杂的工作环境和工况常导致其故障振动信号表现出非线性和非平稳特性[1–2]。非线性动力学分析方法，如分形维数[3]，样本熵[4–5]，排列熵[6]，多尺度样本熵和多尺度排列熵等，由于能够提取信号的非线性特征而在滚动轴承故障诊断中得到了广泛应用。 但是，样本熵对于长数据计算耗时，且易受突变信号影响；排列熵虽然计算速度较快，但计算过程未 收稿日期：2018-03-15 基金项目：国家自然科学基金资助项目（51505002）； 国家重点研发计划资助项目（2017YFC0805103）；安徽省高校自然科学研究重点项目（KJ2015A080） 作者简介：郑近德(1986-)，男，安徽省临泉人，博士，副教 授，硕士生导师，主要从事动态信号处理，非线性动力学和机械设备故障诊断等方面的研究。E-mail:lqdlzheng@https://www.doczj.com/doc/bc16644029.html, 能考虑信号幅值之间的关系。针对样本熵和排列熵的不足，Mostafa Rostaghi 和Hamed Azami 在2016年提出了的一种新的复杂性衡量方法——散布熵 （Dispersion Entropy ，DE ）[7] ，DE 克服了PE 与SampEn 的部分缺陷，考虑了幅值之间的关系，具有计算速度快，受突变信号影响较小等优点。受多尺度熵和复合多尺度启发，在DE 的基础上，论文提出了复合多尺度散布熵（Composite Multiscale Dispersion Entropy ，CMDE ）。CMDE 解决了单一尺度DE 提取信号复杂性特征不完全的问题，且相对于传统粗粒化多尺度过程稳定性更好，在计算误差、特征提取效果等方面具有一定的优势。在此基础上，论文提出了一种CMDE 和支持向量机[8]（Support Vector Machine ，SVM ）相结合的滚动轴承故障诊断方法。并将其与与基于MDE 和MSE 的故障诊断方法进行了对比，结果表明，论文提出的方法能准确的识别出滚动轴承不同故障类型和程度，且诊断效果优于基