赵志宏，杨绍普

(1.北京交通大学 机械与电子控制工程学院，北京 100044;2.石家庄铁道大学 信息科学与技术学院，石家庄 050043)

滚动轴承是机械设备中最常用且最容易损坏的零件之一，当发生故障时损失巨大，因此轴承故障诊断技术得到人们的重视［1-3］。特征提取是轴承故障诊断中非常关键的一个环节，提取的特征如能正确地反映故障类别，则为模式识别打下基础。

当轴承存在故障时，表现出非线性、非平稳特征。传统的基于线性系统的特征提取方法不能有效提取故障的非线性特征。基于非线性动力学参数的特征提取方法提供了一种研究机械故障非线性特征的工具，近年来这种方法引起了人们广泛的关注。至今，已有许多非线性参数识别方法用在机械故障诊断领域，其中，使用较多的有关联维数方法［4-5］。Yan［6］引入近似熵(Appropriate Entropy，ApEn)概念并将其用于轴承状态监 测。Pincus［7］提 出 的 样 本 熵 (Sample Entropy，SampEn)是近似熵的改进算法，它的优越性在于可以较少地依赖于时间序列长度，已经广泛地用于生理信号处理［8-9］。

Huang等人［10］提出的经验模式分解方法(Empirical Mode Decomposition，EMD)可以根据振动信号自身的时间特征尺度进行自适应分解，将轴承振动信号的状态信息分解到不同的内蕴模式分量(Intrinsic Mode Function，IMF)中，从而为轴承状态深层次的挖掘奠定了基础。EMD方法的一个主要问题是模式混淆问题，使得各IMF分量不能反映信号的真实内涵。集成经验模式分解方法(Ensemble Empirical Mode Decomposition，EEMD)［11］是对 EMD 的改进，可以有效解决模式混淆问题。因此，针对利用原始轴承振动信号的样本熵无法准确反映轴承故障信号的特征问题，采用先对原始信号进行EEMD分解，再对获得的内蕴模式分量进行SampEn分析，这样可以获得轴承状态信号更深层次的信息。……