李从志 郑近德 潘海洋 刘庆运

安徽工业大学机械工程学院，马鞍山，243002

0 引言

滚动轴承作为应用最广泛的旋转机械零件之一，其故障也最为常见，如何准确诊断滚动轴承故障类型和损伤程度一直是研究的热点。由于现场工况和机械系统的复杂性，滚动轴承一旦发生故障，其振动信号往往表现出非平稳和非线性的特性[1]，因此传统的线性分析方法在处理这类信号时有一定的局限性。多种非线性信号分析方法在滚动轴承故障检测与诊断中得到了广泛应用[2]。机械故障诊断领域常用的非线性动力分析方法主要有分形[3]、小波分析[4]、样本熵(sample entropy, SampEn)[5-6]、排列熵(permutation entropy, PE)[7]和模糊熵(fuzzy entropy, FE)等[8]，但是，上述方法都是基于时间序列的单一尺度分析方法。多尺度分析由于能够反映复杂性特征，获取信号更多的特征信息，因此在机械故障诊断领域得到了一定的应用[9-10]。如文献[11]和[12]分别将多尺度排列熵(multi-scale permutation entropy, MPE)和多尺度样本熵(multi-scale sample entropy, MSE)应用于滚动轴承的故障诊断，取得了不错的效果。但MSE方法对长数据计算时速度慢，实时性差，且受突变信号影响大；PE虽然计算简单，但未能考虑幅值之间的大小关系。

为克服上述两种方法的固有缺陷，ROSTAGHI等[13]提出了一种新的不规则性衡量指标——散布熵(dispersion entropy，DE)，该算法计算速度快，受突变信号影响较小，且考虑了幅值之间的大小关系，他们通过分析模拟非线性信号和生物信号，将DE方法与SampEn方法和PE方法进行了对比，结果表明，DE方法稳定性更好，计算速度更快。随后 AZAMI等[14]在此基础……