1．目的及意义

1.1 研究目的及意义

轴承是机械设备中一类极为重要的零部件，现代机械设备（如电机等）的生产大多离不开轴承的配合。轴承可以有效承担径向载荷，支撑机械中的旋转部位，降低其运动过程中的摩擦系数，同时保证一定的回转精度。

但轴承作为一类具有重要功能的精密零部件，也有着易于损坏的特点。在工业生产制造中，由于轴承发挥了不可替代的作用，因而一旦轴承出现故障，无论故障发生的部位及故障程度，都会对机械生产造成十分严重的影响。根据王奉涛和苏文胜所著《滚动轴承故障诊断与寿命预测》一书中的引用的统计结果，有大约21%的机械故障是由轴承损坏引起，由其引发的直接或间接损失十分惊人，尤其在一些军工产业，高精密产业及大型设备制造产业，对机械零部件的损坏更为敏感。因此，对轴承运行状态的实时监测，以及对轴承故障的诊断就显得十分必要。在故障发生的早期就精确诊断确认故障发生的部位及损伤程度，可以在很大程度上减少各方面的损失。

轴承按其结构特征可分为滑动轴承，滚动轴承，关节轴承，，组合轴承，各类球轴承等，它们在机械设备中发挥的本质作用大体一致。以日常生活中使用最为广泛的滚动轴承为例，它包含内圈，外圈，滚动体和保持架。工业生产中，由于制造误差，装配不当，器件老化磨损等原因，容易出现故障损坏的是内、外圈及滚动体。对轴承故障的诊断，方法多种多样。从信号及信息学角度考虑，轴承的振动信号包含丰富的状态信息。这一点在轴承发生故障时表现的更为明显。一般的旋转类机械发生故障时，其振动信号含有的冲击成分会被系统固有振动所调制，进而引起动力学突变。表现在信号上便是一个非平稳，非线性的模拟信号。基于熵理论的轴承振动信号故障诊断便是借助熵在评判信息复杂度方面的作用，结合非线性，非平稳信号的分析理论，对收集的信号进行特征提取，处理之后对信号特征进行分类识别，达到精准检测诊断的效果。

1.2 国内外研究现状

现如今轴承振动信号的故障诊断方法已经由一开始的时域分析，频域分析转为时频域分析。由于轴承故障信号具有非平稳，非线性特征，因而数学及信号分析中用来分析这一类信号的方法也可用于故障检测。

Huang N E等人曾提出经验模态分解（EMD）方法来自适应的分解非线性，非平稳信号，赵志宏等人在此基础上提出了一种基于样本熵的轴承故障诊断方法，张淑清等则提出一种基于MEMD互近似熵及FCM聚类的轴承故障诊断方法，臧怀刚等人给出EMD和平滑伪Wigner-Ville谱熵的诊断方法。这些方法的共同点是，在对信号做进一步的处理前，先对信号进行基于EMD或改进EMD的分解。在郑小霞等人的研究中，提出了基于变分模态分解和排列熵的诊断方式，且郑小霞认为，变分模态分解是在处理这一问题上是优于经验模式分解的。在郑近德等人的研究中，指出可以使用改进的多尺度模糊熵来对故障信号进行诊断，诊断方法采用的为支持向量机。类似的业界方法还有苏文胜等人提出的基于小波包样本熵的特征提取，李巧艺等提出的改进LMD和排列熵的故障诊断方法等。

在深度学习，专家系统等领域，温江涛等人研究出基于压缩采集与深度学习的轴承故障诊断方法，陈超等人提出基于改进LSSVM迁移学习方法的轴承故障诊断。

国外方面，Bubathi Muruganatham等提出基于奇异谱分析的诊断方法，Diego Fernández-Francos等提出基于一级独立支持向量机的轴承故障自动诊断方法。

关于轴承故障检测及诊断，国内外研究已趋于成熟。在关于轴承振动信号的检测方法中，提取信息阶段中大多使用EMD及其改进方法，如EEMD，MEMD等，以及功能更为完善的LCD和VMD方法。在熵的选择上则更为广泛，包括近似熵，模糊熵，排列熵，样本熵，能量熵，尺度熵，各类谱熵等均可使用。在信号的诊断辨别方面，则可使用SVM，RVM，FCM，K-均值聚类等多种方法。
{title}

2. 研究的基本内容与方案

{title}

2.1 研究的基本内容