基于小波包散布熵与Meanshift 概率密度估计的轴承故障识别方法研究

张雄，张逸轩，张明，万书亭†，何玉灵，豆龙江

（1.河北省电力机械装备健康维护与失效预防重点实验室，河北 保定 071003；2.华北电力大学 机械工程系，河北 保定 071003）

滚动轴承是旋转机械中最常见、故障率最高的零部件之一，它的运行状态关系到整个机械设备的可靠性和安全性，因此，轴承故障诊断方法是近年来工程测试和信号处理领域的热点[1-3].振动信号中含有大量的轴承周期性冲击信息，在轴承故障诊断中有着广泛的应用[3-6].

轴承故障诊断一般分为两步.第一步是故障特征的提取过程.这一过程的核心是如何准确地抑制振动信号中的干扰信息，准确地提取故障特征元素.在这一过程中，通常采用小波变换（Wavelet Transform[7]、小波包变换（Wavelet Packet Transform）[8]、经验小波变换（Empirical Wavelet Transform）[9]、经验模态分解（Empirical Mode Decomposition）[10]、集成经验模态分解（Ensemble Empirical Mode Decomposition）[11]、局部均值分解（Local Mean Decomposition）[12]等处理手段对信号进行滤波和增维处理，目的是提取能更有效反映轴承故障信息的模态分量.通过对分解后和滤波后的分量的动态特性进行统计学计算，构造出能够反映轴承振动信号的特征矩阵.其中信息熵、排列熵、模糊熵等动力学指标常被用来反映信号的瞬态特征.陈法法等[13]提出一种基于信息熵与优化最小二乘支持向量机的轴承性能退化趋势模糊粒子预测方法，用于提升轴承性能退化指标预测精度.Zhang 等[14]通过计算局部迭代分解滤波后固有模态分量的多尺度排列熵，构造归一化特征向量，对不同工况条件下的轴承故障进行识别.郑近德等……