陈强强，戴邵武，毕新乐

(1. 海军航空大学，山东 烟台 264000；2. 海军92728部队，上海 200436；3. 空军94575部队，江苏 连云港 222000)

1 引言

机械设备是国防建设和生产生活中的重要组成部件，机械设备运行状态的优劣，与设备安全、生产效益甚至人身安全息息相关[1]。因此，有必要实现对机械设备的故障诊断研究。

特征提取方法作为故障诊断中的重要步骤，在一定程度上制约着故障诊断性能。通过选取合适有效的特征信息，有助于实现准确的故障诊断[2]。由于机械设备的振动信号具有强烈的非线性、非平稳特性[3]，故障特征提取的主要方法集中在对非线性、非平稳信号的分析。

熵(Entropy)理论作为衡量系统复杂程度的物理量，为时间序列特征信息的度量提供了思路[4]。Pincus在研究心率信号变化问题中，提出了近似熵(Approximate Entropy，ApEn)的概念，为熵值理论在故障诊断领域的研究奠定了基础[5]。但ApEn的不足之处在于对微小复杂性变化不够敏感[6]；在此基础上，Richman提出了样本熵(Sample Entropy，SE)的理论，克服了ApEn的变化不灵敏的缺点，同时在计算过程中所需数据量少[7]。但SE在计算过程中必须包含一个模板匹配，否则SE失去其计算意义。陈伟婷[8]针对SE的不足之处，提出了模糊熵(Fuzzy Entropy，FE)的概念，用来衡量时间序列复杂程度和随机性，在故障诊断领域取得了广泛的应用，证明了其可行性[9]。

在工程实际中，由于机械系统的复杂性，振动信号不仅在单一尺度下具有重要信息，在其它尺度上也包含着故障信息[10]。因此需要对信号进行多尺度分解以实现对故障信号的多尺度分析。……