王付广，李 伟，郑近德，徐培民

（安徽工业大学 机械工程学院，安徽 马鞍山 243002）

滚动轴承是机械设备中最基础的部件之一，它的运行状态对于设备安全可靠运行有着至关重要的作用。寿命是衡量轴承性能的重要指标，建立良好的性能衰退评估指标以及寿命预测模型是轴承寿命预测的关键。

目前，在故障程度评估方面，主要采用一些非线性动力学的方法提取隐藏在振动信号中的故障特征信息。2013年，文献[1]提出基于均方根值的细化滚动体损伤的评估方法；2014年文献[2]构建了一个同时考虑多个尺度上熵值均值大小和熵值变化趋势的滚动轴承性能衰退评估指标—多尺度熵偏均值；2016年，文献[3]提出一种衡量时间序列自相似性和复杂性的方法—复合多尺度模糊熵。在寿命预测模型方面，许多学者利用神经网络、小波包、支持向量机来预测滚动轴承的使用寿命[4–5]，2010年，文献[6]对比研究了极限学习机与支持向量机对储层渗透率的预测；2015年，文献[7]采用极限学习机的方法对风机机械传动部件进行了剩余寿命预测研究，取得了较好的预测效果。

上述研究工作在滚动轴承剩余寿命预测方面取得了一定的成效，但目前使用较多的多尺度熵(Multi Scale Entropy，MSE)方法只能分析时间序列的低频成分，而忽略了高频成分。这一特点是由于多尺度熵的多尺度化是由粗粒化序列造成的，粗粒化序列只是简单的相邻的几个数求平均，没有考虑到不同频率段所包含的故障特征信息是不同的，而且多尺度熵采用的熵是样本熵(Sample Entropy，SampEn)，易发生相似性突变问题。……