葛红平 ， 刘晓波

（南昌航空大学 航空制造工程学院，南昌 330063）

0 引言

滚动轴承作为旋转机械设备不可缺少的重要部件，其运行状况的好坏直接影响到整台设备的使用[1]。当滚动轴承发生故障时，其振动信号通常呈现出非平稳及非线性特性，因此如何从滚动轴承复杂的振动信号中提取有效的特征信息是故障诊断的关键[2]。

对于此类复杂的振动信号，由于时频分析方法可实现时域和频域的同时局部化，因而在轴承故障诊断领域中得到了广泛的应用。常用的时频分析方法有短时傅立叶变换[3]、小波变换[4]、经验模态分解（Empirical Mode Decomposition, EMD）[5]及局部均值分解（Local Mean Decomposition, LMD）[6]等，但这些时频分析方法均存在一定的弊端。例如：短时傅立叶变换的时间－频率窗口是固定不变的；小波变换中小波基函数的选取不具有自适应性；EMD虽可将复杂的原始信号自适应分解为若干个本征模态函数（Intrinsic Mode Function,IMF），但存在端点效应和模态混叠等问题；相比于EMD，LMD在迭代次数与运算速度上得到了改善，但仍未从根本上解决模态混叠问题。为此，Cicone等[7]提出了一种自适应局部迭代滤波分解（Adaptive Local Iterative Filter Decomposition,ALIFD）的信号分析方法，该算法利用自适应滤波函数来代替EMD和LMD的包络求取过程，有效地克服了EMD和LMD算法中的模态混叠问题。

熵是一种衡量信号复杂度的指标，能够充分体现信号的特征信息。熵主要包括排列熵（Permutation Entropy, PE）[8]、样本熵（Sample Entropy,SE）[9]、近似熵（Approximate Entropy，ApEn）[9]和模糊熵（Fuzzy Entropy, FE）[10]等。模糊熵是在样本熵和近似熵的基础上进行了改进的一种复杂度指标，利用隶属函数来取代样本熵和近似熵中硬阈值判据准则，显著提升了数据统计结果的稳定性和统一性，已用于医学肌电信号分析和滚动轴承故障诊断中[10-11]。……