一种基于样本熵的轴承故障诊断方法

合集下载

基于EEMD-Renyi熵和PCA-PNN的滚动轴承故障诊断

号的幅值系数ｋｍ＝１，．２）执行第ｍ次ＥＭＤ：
提取相应运行状况的复杂性测度，以作为设备运可
行状况的一个判据ＪＲｎｉ作为Ｓａｎｎ熵的．ｅｙ熵ｈｎｏ
一
① 在输入信号（）ｔ上添加一个随机高斯白噪
个扩展，以较好地作为时间序列复杂性的可
Ｒｎｉｅｔｐ；ｐｎｉａｃｍｐｎｎｎｙｉ（Ｃ）ｐｏａｉｓｃｎｕａｎｔｏｋｅｙｎｏｙｒｃｌｏｏｅｔａａｓｒｉｐｌｓＰＡ；ｒｂｂｌｔｅｒｅｗｒｉｉｌ
（ＮＮ）Ｐ
滚动轴承是机械设备中故障常发部件之一，它
ｎｎｓ（Ｃ）ａｅａｑｉｄａｄｆｄｉｏｔｅＰＮｆｒｎｌｌｓｉａｏ．ＴｅｅｐｒｎｆＳＦ２３ｅｔＰｓｒｃｕｒｔＮａｃａｉｃｔｎｈｘｅｍｅｔＫ６０ｅｎｅｎｈｏｆｓｆｉｉｉｏ
由于轴承寿命离散性很大，只有做到 “ 情维修 ” 视
或 “ 知维修 ” 能最大限度地发挥它的工作潜预才
力，约提效，此近年来关于轴承的振动分析与节因
收稿日期：０１０ —６作者简介：２１－５１．窦东阳（９３）１８一，男，博士，师，ｄ４＠１３ｃｍ．讲ｄｙ１６．ｏ基金项目：江苏省自然科学基金资助项目（２０３６、江苏省高校自然科学研究资助项目（９Ｊ５００）ＢＫ０９５）０ＫＢ０３．１引文格式：窦东阳，李丽娟，赵英凯．基于ＥＭＤ—ｅｙ熵和ＰＡ—Ｎ的滚动轴承故障诊断［］东南大学学报：ＥＲｎｉＣＰＮＪ．自然科学版，０１４（１：２１，１ｓ）

基于时间-小波能量谱样本熵的滚动轴承智能诊断方法

第36卷第9期振动与冲击JOURNAL OF VIBRATION AND SHOCK Vol.36 No.9 2017基于时间-小波能量谱样本熵的滚动轴承智能诊断方法邓飞跃$，唐贵基2(1.石家庄铁道大学机械工程学院，石家庄050043; 2.华北电力大学能源动力与机械工程学院，河北保定071003)摘要：为了解决滚动轴承故障模式智能识别与运行状态检测问题，提出了时间-小波能量谱样本熵的计算方法，并将其作为特征参数用于滚动轴承智能诊断的研究。

采用HerniBan小波对轴承信号进行连续小波变换，得到蕴含故障信息的时间小、波能量谱序列，再通过计算其样本熵值，量化提取信号中的故障特征信息。

轴承不同故障模式下的时间-小波能量谱样本熵区分明显，以此作为特征向量输人支持向量机，实现了对轴承不同故障模式的智能识别。

之后计算轴承全寿命周期实验数据的时间小、波能量谱样本熵，按照时间顺序排列，绘制出了轴承运行状态曲线，通过判断曲线走势可有效诊断出轴承早期故障的发生。

实验结果表明，时间小、波能量谱样本熵可以有效用于滚动轴承智能诊断的研究。

关键词：滚动轴承;智能诊断;连续小波变换;样本熵'支持向量机中图分类号：TP206 文献标志码：A DOI:10. 13465/j. cnki.0s.2017.09.005A n in telligen t m eth o d fo r rolling elem ent bearing fault diagnosis based ontim e-w avelet energy spectrum sam ple entropyDENG Feiyue1 , TANG Guiji2(1. Department of Mechanical Engineering，Shijiazhuang Tiedao University，Shijiazhuang 050043，China;2. School of Energy，Power and Mechanical Engineering，North China Electric Power University，Baoding 071003，Abstract#In order t o solve the problem of fault mode intelligent recognition and running state detection of rolling element bearing，a new metliod called time-wavelet energy spectrum sample entropy as the characteristic parameter was proposed for bearing fault intelligent diagnosis.Time-wavelet energy spectrum which contained fault was obtained through the Hermitian wavelet continuous wavelet transform，and fault feature was quant calculating the sample entropy o f the energy spectrum.The time-wavelet energy spectrum sample entropies of bearings under different fault modes could be distinguished clearly，which could be treated as input characteristic vectors of a support vector machine(S V M)in order t o complete the intelligent recognition of diferent fault modes of bearings.Next，the trend of running state o f bearing was acquired through calculating the time-wavelet energy spectrum sample entropy of data from the whole l i f e cycle t e s t r i g of bearing and arranging them chronologically.The early damage occurring in bearing could be effectively detected by judging the running state trend.Practical examples show the proposed method can be applied t o the research for intelligent diagnosis of rolling element bearing efficiently.Key words：rolling element bearing；intelligent diagnosis;continuous wavelet transform;sample entropy；support vector machine (S V M)滚动轴承是旋转机械中支承转动轴的核心部件，对于保持转轴的工作位置和旋转精度具有至关重要的作用，同时它也是机械设备中最易发生故障损坏的部件之一[1]。

基于VMD样本熵和LS-SVM的滚动轴承故障诊断

基于VMD样本熵和LS-SVM的滚动轴承故障诊断赵磊;夏均忠;李泽华;于明奇;汪治安【期刊名称】《军事交通学院学报》【年(卷),期】2017(019)004【摘要】滚动轴承在发生故障时其振动信号会出现调幅、调频现象,表现出非线性非平稳特征,通过变分模态分解(VMD)可以反映轴承故障特征.首先应用VMD将轴承振动信号分解为一系列模态分量,计算各模态分量的样本熵并作为特征向量输入到最小二乘支持向量机(LS-SVM)进行训练,得到其模型;然后分别应用线性、多项式和高斯径向基核函数的LS-SVM模型对轴承正常、内圈故障、外圈故障等3种技术状态的轴承样本数据进行故障模式识别.结果表明,在较少样本的情况下,LS-SVM 相比于神经网络,有较高的识别精度,且训练时间短,能够有效识别轴承故障类型.【总页数】5页(P43-47)【作者】赵磊;夏均忠;李泽华;于明奇;汪治安【作者单位】军事交通学院研究生管理大队,天津300161;军事交通学院军用车辆系,天津300161;军事交通学院军用车辆系,天津300161;军事交通学院研究生管理大队,天津300161;军事交通学院研究生管理大队,天津300161【正文语种】中文【中图分类】TH133.33【相关文献】1.基于峭度准则VMD样本熵与PNN的齿轮故障诊断 [J], 张雪英;刘秀丽;栾忠权2.基于VMD-样本熵和SSAE的齿轮故障诊断 [J], 徐飞;蒋占四;黄惠中3.基于VMD参数优化和样本熵的低压断路器故障诊断 [J], 王兴宇;迟长春4.基于VMD样本熵和CS-ELM的滚动轴承故障诊断 [J], 王椿晶;王海瑞;关晓艳;常梦容5.基于VMD和样本熵的电磁式电流互感器故障诊断 [J], 唐登平;蔡文嘉;周翔宇;李云峰;郭正;刘岑岑因版权原因，仅展示原文概要，查看原文内容请购买。

-》基于EMD和样本熵的滚动轴承故障SVM识别

中温过热为14组，高温过热为13组，局部放电为7组，低能量放电为6组，高能量放电为12组。

并使用58组测试数据，故障诊断结果如图1所示。

在二叉树型诊断模型中各中间节点子分类器的诊断正确率及各叶子节点的故障最终诊断正确率如表1、表2所示。

在变压器的局部放电及低能量放电故障中伴随着过热现象，故在诊断中造成误判。

图1变压器故障诊断结果表1SMO-SVM 子分类器诊断统计表2SMO-SVM 故障诊断结果统计5结语支持向量机(SVM)主要是针对小样本数据及非线性问题，采用风险最小化原理，通过SMO 算法训练样本，在变压器故障诊断中达到了很高的准确率，能较好地满足变压器故障诊断的要求，极大的提高了诊断的可靠性。

参考文献：［1］W ．M ．Lin ，C ．H ．Lin ，M ．一X ．Tasy ．Transformer —fault Diagnosis by In -tegreating Field Data and Standard Codes with Training Enhancible Adaptive Probabilistic Network ［J ］.IEEE Proc ．-Gener ．Trans ．Distih ，2005，152(3)：335－341．［2］PLATT J C ．Using analytic QP and sparseness to speed trainingsupport vector machines ［A ］.Advances in Neural Information Pro -cessing Systems ［C ］.Cambridge ，MA ：1999：557-563．［3］王宇红，黄德志，高东杰，等．基于支持向量机的非线性预测控制技术［J ］.信息与控制，2004，33(2)：133-136．［4］Tax D M J ，Duin R P W ．Data domain description by support vectors［C ］.//Verleysen M ，ed ．Proceedings ESANN ，Brussels ，1999：251-256.［5］臧宏志，徐建政，愈晓冬．基于多种人工智能技术集成的电力变压器故障诊断［J ］.电网技术，2003，27(3)：15-17．作者简介：赵振江（1969-），辽宁沈阳人，硕士，讲师，2004年毕业于东北大学计算机应用技术专业，电子信箱：***************.责任编辑：于淑清收稿日期：2010－07－09SVM 子分类器正确样本数总样本数正确率/%N05858100N1474995.9N2222684.6N3192286.4N4212391.3N5171894.4故障类型正确率/%P1100P285.7P388.8P4100P580P680P7100煤矿机械Coal Mine MachineryVol.32No.01Jan.2011第32卷第01期2011年01月基于EMD 和样本熵的滚动轴承故障SVM 识别来凌红1，吴虎胜1，吕建新1，刘凤2，朱玉荣1(1.武警工程学院，西安710086；2.国防科技大学，长沙450000）摘要：针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况，提出一种经验模态分解、非线性动力学方法—样本熵和支持向量机相结合的故障诊断方法。

样本熵改进小波包阈值去噪的轴承故障诊断

ｔｈｒｅｓｈｏｌｄｆｕｎｃｔｉｏｎｖａｌｕｅｃａｎｖａｒｙｗｉｔｈｎｏｉｓｅｄｉｓｔｒｉｂｕｔｉｏｎａｄａｐｔｉｖｅｌｙ. Ｓｅｃｏｎｄｌｙꎬ ｄｅｐｅｎｄｉｎｇｏｎｍａｘｉｍｉｚｉｎｇ
ｎｏｉｓｅｓｉｇｎａｌｓａｍｐｌｅｅｎｔｒｏｐｙｏｐｔｉｍａｌｔｈｒｅｓｈｏｌｄｅｓｔｉｍａｔｉｏｎｉｓｒａｉｓｅｄꎬ ｓｏｔｈａｔｔｈｒｅｓｈｏｌｄｃａｎｖａｒｙｗｉｔｈｎｏｉｓｅ
提出了自适应阈值函数ꎬ使阈值函数随噪声分布情况进行自适应调整ꎻ以噪声信号样本熵值最大为
依据ꎬ提出了最优阈值估计方法ꎬ使阈值随噪声大小自适应调整ꎻ以相邻分解层数的样本熵均值差
值为依据ꎬ提出了分解层数确定方法ꎮ 将样本熵改进小波包阈值去噪算法应用于轴承故障信号去
噪中ꎬ去噪信号功率谱中轴承转动频率及倍频、外圈故障特征频率及倍频、两者的调制频率显露明
ｓａｍｐｌｅｅｎｔｒｏｐｙｉｓｐｒｏｐｏｓｅｄ. Ｂｙａｎａｌｙｚｉｎｇｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｏｆｓａｍｐｌｅｅｎｔｒｏｐｙａｎｄｎｏｉｓｅａｍｐｌｉｔｕｄｅꎬ ｄａｔａ
ｌｅｎｇｔｈꎬ ｓｉｇｎａｌｃｈａｒａｃｔｅｒｉｓｔｉｃꎬ ｔｈｅｃｏｎｃｌｕｓｉｏｎｔｈａｔｓａｍｐｌｅｅｎｔｒｏｐｙｃａｎｒｅｐｒｅｓｅｎｔｎｏｉｓｅａｍｐｌｉｔｕｄｅａｎｄｔｈｅｃｏｎ￣
ａｍｐｌｉｔｕｄｅａｄａｐｔｉｖｅｌｙ. Ｔｈｉｒｄｌｙꎬ ｒｅｌｙｉｎｇｏｎａｄｊａｃｅｎｔｌａｙｅｒｄｉｆｆｅｒｅｎｃｅｖａｌｕｅｏｆｓａｍｐｌｅｅｎｔｒｏｐｙｍｅａｎꎬ ｃｕｒｔａｉ￣
ｎｉｎｇｍｅｔｈｏｄｏｆｄｅｃｏｍｐｏｓｉｔｉｏｎｌａｙｅｒｑｕａｎｔｉｔｙｉｓｇｉｖｅｎ. Ｕｓｉｎｇｗａｖｅｌｅｔｐａｃｋｅｔｔｈｒｅｓｈｏｌｄｄｅ￣ｎｏｉｓｅａｌｇｏｒｉｔｈｍｔｏ

基于lmd多尺度熵与svm的往复压缩机轴承故障诊断方法

基于lmd多尺度熵与svm的往复压缩机轴承故障诊断方法在工业领域中，往复压缩机是一种常见的关键设备，其轴承的故障会给生产过程带来严重的影响。

因此，有效的轴承故障诊断方法对于提高设备运行效率和减少停机时间非常关键。

本文提出了一种基于局部多尺度熵（LMD）和支持向量机（SVM）的往复压缩机轴承故障诊断方法。

LMD是一种信号分解方法，可以将非线性和非平稳信号分解为一系列的本征模态函数（IMFs）。

每个IMF代表了信号在不同尺度上的能量分布，能够提取轴承故障信号中的有用信息。

SVM是一种常用的机器学习方法，可以通过构建合适的分类超平面来实现故障诊断。

具体地，该方法的步骤如下：1. 数据采集和预处理：通过传感器采集往复压缩机轴承的振动信号，并对其进行预处理，包括去除噪声和减小信号的动态范围。

2. 信号分解：使用LMD将预处理后的信号分解为一系列IMFs。

LMD 的特点是能够适应信号的非线性和非平稳性，使得每个IMF包含了不同尺度上的信号特征。

3. 特征提取：从每个IMF中提取统计特征，包括多尺度熵和其他经典的时域和频域特征。

多尺度熵可以度量信号的复杂程度和不规则性，能够有效地表征轴承故障的特征。

4. 特征选择和降维：通过相关性分析和特征选择算法，选择出最具区分度的特征，并使用主成分分析（PCA）等方法进行特征降维，减少特征维度。

5. 故障诊断：使用SVM构建故障诊断模型，并使用训练集对模型进行训练和优化。

然后，对测试集中的信号进行分类，判断轴承是否存在故障。

通过实验验证和与其他方法的比较，该方法在往复压缩机轴承故障诊断中取得了较好的效果。

它能够准确地检测出轴承故障，并提供预警信息，帮助运维人员及时采取维修措施，避免设备故障造成的生产损失。

总之，基于LMD多尺度熵与SVM的往复压缩机轴承故障诊断方法能够有效地提高故障诊断的准确性和可靠性，为设备运行和维护提供了有力的支持。

基于熵特征和堆叠稀疏自编码器的滚动轴承故障诊断方法

44基于熵特征和堆叠稀疏自编码器的滚动轴承故障诊断方法基于熵特征和堆叠稀疏自编码器的滚动轴承故障诊断方法A Rolli ng Bear i ng Fault Diag no s is Method Based on En t ropy Featureand Stack Sparse Autocoder薛嫣(中国电力工程顾问集团西北电力设计院有限公司，陕西西安710075)朱静邓艾东(东南大学火电机组振动国家工程研究中心，江苏南京210096)摘要：滚动轴承作为重要的机械设备，其状态监测和故障诊断对机械的稳定运行具有重要作用。

提出一种基于熵特征和堆叠稀疏自编码的滚动轴承故障诊断方法遥在滚动轴承诊断试验台上提取正常和故障状态信号，对滚动振动信号进行时频域及熵特征提取，作为堆叠稀疏自编码网络的输入，进行训练和测试遥与现有方法的对比结果表明，所提方法能够提高滚动轴承故障诊断的准确率遥关键词：滚动轴承;SSAE；熵；特征提取Abstract:As an important mechanical equipment,rolling bearing's condition monitoring and fault diagnosis play an important role in the stable operation of machinery.This paper presents a rolling bearing fault diagnosis method based on entropy feature and stacked sparse self-coding.The normal lnd fault state signals sre extracted from the rolling bearing diagnostic test bench.The time-frequency domain nnd entropy characteristics of the rolling vibration signals sre extracted and used as the input of the stacked sparse self-coding network for training and testing.The comparison with the existing methods showsthat the proposed method can improve the accuracy of rolling Keywords:rolling bearing,SSAE,entropy,feature extraction由于运行环境恶劣，滚动轴承故障高发，滚动轴承的故障往往会造成人员伤亡和经济损失。

一种基于层次熵和SVM的轴承故障诊断方法

Ａｂ８Ｉ：Ｔｈｅｓａｍｐｌｅｅｎｔｒｏｐｙｍｅｔｈｏｄｆｏｒｍｅａｓｕｒｉｎｇｈｅｔｃｏｍｐｌｅｘｉｔｙｏｆｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓｉｓｕｎａｂｌｅｔｏｄｅｓｃｉｒｂｅｈｅｔ
ｂｅａｒｉｎｇｆａｕｌｔｂａｓｅｄｏｎｈｅｔｈｉｅｒｒｃａｈｉｃａｌｅｎｒｔｏｐｙ（ＨＥ）ｗａｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｏｆａｌｌ，ｈｅｔｅｘｐｅｉｒｍｅｎｔａｌｓｉｇｎａｌｓｗｅｒｅｄｅｃｏｍｐｏｓｅｄ
第３３卷第６期
噪
声
与
振
动
控
制
１６３
文章编号：１００６－１３５５（２０１３）０６．０１６３．０５
一
种基于层次熵和ＳＶＭ的轴承故障诊断方法
朱可恒，Βιβλιοθήκη 希庚，薛冬新（大连理工大学能源与动力学院，辽宁大连１１６０２３）
Ａｎａｌｙｓｉｓｏｆｈｅｔｅｘｐｅｉｒｍｅｎａｌｔｄａａｔｖｅｉｆｒｉｅｄｈｅｔｅｆｅｃｔｉｖｅｎｅｓｓｏｆｈｉｔｓｍｅｈｏｔｄ．Ｋ锣ＷＯｌ＇ｄｌｌ：ｖｉｂｒａｔｉｏｎａｎｄｗａｖｅ；ｒｏｌｌｅｒｂｅａｒｉｎｇ；ｈｉｅｒｒｃａｈｉｃａｌｅｎｒｏｔｐｙ；ｆａｕｌｔｄｉａｎｏｇｓｉｓ；ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

振第３卷第６期１
动
与
冲
击
ＪＵＲＮＡＬＯＦＶＩＲＡＴＯＮＡＮＤＨＯＣＯＢＩＳＫ
一
种基于样本熵的轴承故障诊断方法
赵志宏，杨绍普
（．１北京交通大学机械与电子控制工程学院，北京
１０４；．家庄铁道大学信息科学与技术学院，００４２石石家庄００４）５０３
２ｃｏｌｆｏｐｔｇａｄＩｆｒａｃ，ＳｉａｈａｇＴｅａｎｖｒｔ，ｈｉｚｕｎ５０３ｈｎ）．ＳｈｏｏＣｍｕｉｎｏｍｔｓｈｉｕｎｉｄｏＵｉｓｙＳＯａｈａｇ０，Ｃｉａｎｎｉｊｚｅｉ０４
Ａｂｓｒｃｔａｔ：Ｔｈｎｉｅｒｄｎｍｉａａｔｒｓｍｐｅｅｔｏｙｗａｅｓａｆａｕｅｆｒｒｌｅｅｒｎｇｆｕｔｄａｎｓｓｅｎｏｌｎａｙａｃｐｒｍｅｅａｌｎｒｐｓｕｓｄａｅｔｒｏｏｌｒｂａｉａｌｉｇｏｉ．Ｖｉａｉｎｓｇｌｒｎｒｌｂａｎｇｂｒｔｏｉｎａｓｆｏｍａｅｒｓ，ｔｓｔｎｎｒｒｃａｌ，ｂｌｏｏｉｈｏｅｗｉｈｉｅａｅｆｕｔａｌｎｅ，ａｄｏｔｒｒｃｎｒｅｒａａｙｉｎｎｕｅａｅｏｅｗｅｅｕｓｄｆｎｌｓｓａｄｏｄａｎｓｓｉｇｏｉ．Ｔｈａｅｓｍｐｌｎｒｐｆｔｒｇｎｌｖｂａｉｎｓｇａｏｌｅａｌｚｄｏｌｎｏｅｓａｅ，ｂｎｏｍａｉｎａｏｔｅｅｔｏｙｏｈｅｏｉｉａｉｒｔｉｎｌｃｕｄｂｎａｙｅｎｙｉｎｃｌｏｕｔｉｆｒｔｏｂｕｔｅｃａａｔｒｓｉｓｏｈｉｒｔｎｓｇａｎｄｉｅｅｔｓａｅｃｕｄｇｖｉｏｔｎｎｏｍａｉｎａｕｈｅｆｕｔＡａｌｈｈｒｃｅｉｔｆｔｅｖｂａｉｉｎｌｉｆｒｎｃｌｓｏｌｉｅｍｐｒａｔｉｆｒｔｏｂｏｔｔａｌ．ｃｏｆｓｍｐｅ
摘要：运用非线性动力学参数样本熵作为特征，对轴承正常、内圈故障、滚动体故障、外圈故障四种工况的振动
信号进行分析识别。针对利用原始振动信号的样本熵只能在一个尺度域进行分析，无法准确区分轴承运行状况的问题，
提出一种基于集成经验模式分解与样本熵的轴承故障诊断方法。首先利用集成经验模式分解方法将原始振动信号分解为有限个内蕴模式分量，中选取包含故障主要信息的前几个内蕴模式分量的样本熵作为特征，从然后利用支持向量机进
ｅｔｐｔｏａｅｎｅｓｍｂｅｅｐｒａｍｄｅｏｐｓｉｎ（ＥｎｒｙｍｅｄｂｓｄｏｎｅｌｍｉｃｌｏｅｄｃｍｏｉｏＥＭＤ）ｗｓｒｐｓｄｈｒ．Ｆｒｌ，ｈｒｉａｒｌｒｏｈｉｔａｏｏｅｅｅｉｔｔｅｏｉｎｌｏｌｐｓｙｇｅ
ＺＨＡＯｉｈｎ．ＹＺｈ — ｏｇＡＮＧＳａ－ｈｏｐｕ
（．ＳｈｏｏｃａｉｌＥｅｔｎｃａｄＣｎｒｌｎｉｅｒｇｅｉｉｔｇＵｉｒｔ，ｅｉｇ１０４Ｃｉａ１ｃｏｌｆＭｅｈｎｃ，ｌｒｉｎｏｔｇｅｉ，ＢｉｎＪｏｎｎｖｓｙＢｉｎ００４，ｈｎ；ａｃｏｏＥｎｎｊｇａｏｅｉｊ
ｂｅｒｎｉｒｔｏｉｎｌｗａｃｍｐｓｄｗｉｈＥＥＭＤｎｈｎｒｎｉｄｕｃｉｎｏｔｉｎｈｓｎｏａｉｎｗｅｅａｉｇｖｂａｉｎｓｇａｓｄｅｏｏｅｔａｄｔｅｉｔｉｓｃｍｏｅｆｎｔｓｃｎａｎｉｇｔｅｍｏｔｉｆｒｔｏｒｏｍｃｏｅｏｃｌｕａｅｔｅｓｍｐｌｎｒｐｏｆｒａｆａｕｅｖｃｏ．Ｔｈｎ，ＳｈｓｎｔａｃｌｔｈａｅｅｔｏｙｔｍｅｔｒｅｔｒｏｅＶＭｔｏｓｕｅｓａｃａｓｆｅｏｉｅｔｆｍｅｈｄｗａｓｄａｌｓｉｒｔｄｎｉｙｉｄｆｅｅｔｆｕｔ．Ｔｈｓ，ｔｅｉｒｔｎｓｇｌｏｌｂｎｌｚｄｉｉｆｒｎｃｌｓｔｉｅｉｒｎａｌｓｆｕｈｖｂａｉｉｎａｃｕｄｅａａｙｅｎｄｆｅｅｔｓａｅｏｇｖｍｏｅｎｏａｉｎｂｕｆｕｔｏｒｉｆｒｔｏａｏｔａｌ．ｍＥｘｒｍｅｔｌｒｓｈｓｗｉｅｌｒｌｅｅｒｎａａｓｏｄｔｔｔｒｐｓｄｍｅｈｄｉｆｅｔｅｐｅｉｎａｅｕｔｒａｏｌｒｂａｉｇｄｔｈｗｅｈａｈｅｐｏｏｅｔｏｓｅｆｃｉ．ｈｖ
行轴承故障诊断，这样可以在多个尺度对轴承信号进行分析，提高了轴承故障诊断的准确率。通过轴承故障实测信号的
诊断实验，证明了该方法的可行性和有效性。关键词：故障诊断；集成经验模式分解；样本熵中图分类号：Ｔ１５Ｈ６文献标识码：Ａ
Ｓａｍｐｌｎｒｐｙｂｓｄｒｌｒｂｅｒｎｇｆｕｔｄａｎｓｓｍｅｈｄｅｅｔｏ－ａｅｏｌａｉａｌｉｇｏｉｔｏｅ