王 斐， 房立清， 齐子元

(陆军工程大学石家庄校区一系 石家庄，050003)

引 言

高速自动机是高炮武器系统火力部分的核心部件，它是一个复杂的机械系统，工作过程中承受着高温、高压、高冲击过载等恶劣的环境。同时零部件众多，机构运动复杂，在长期工作后自动机零部件容易产生磨损、裂纹等故障，若不及时进行故障的排除，有可能在射击过程中造成严重后果。因此，对自动机进行状态监测与故障诊断十分重要[1-2]。

采用现代测试技术对自动机振动信号进行分析与识别是目前自动机故障诊断的重要方法。自动机是一种典型的复杂往复运动机械，针对自动机的故障诊断存在着以下难点：a.故障特征提取较为困难；所提取的自动机振动信号为非线性、非平稳的短时冲击非周期信号，同时伴随着大量干扰信号和环境噪声[3-4]，旋转机械中常用的时频域等分析方法效果不够理想；b.数据样本相对较少，故障识别率偏低；c.通过实弹射击的方式获得的数据，代价昂贵且数据样本量较少；d.采用传统的人工神经网络和支持向量机的方法进行故障识别存在识别率偏低的问题[5-6]。找到适用于自动机的故障特征提取方法，并利用有限的样本量获得较高的故障识别率是本研究所要解决的问题。

小波与小波包分析方法是自动机振动信号分析的常用方法，可以很好地对信号进行降噪及特征提取。样本熵是时间序列复杂度的一种度量，相比近似熵更具有相对一致性，近年来在分析信号序列的复杂度分析中已经获得成功应用，基于样本熵的特征提取方法广泛应用于机械系统的故障诊断当中。……