滚动轴承不仅是各种机械设备中应用最为广泛的重要旋转部件,同时也是最易损坏的零部件之一,其运行状态的好坏直接影响到整个机械设备的状态。因此,为了防止其意外失效或发生故障,有必要对滚动轴承运行状态进行实时监测,以增加机械设备的工作精度、减少或避免事故的发生,还可以提高工作效率,确保设备安全,而监测的关键是特征提取和状态辨识。多尺度熵(Multiscale Entropy,MSE)是一种衡量时间序列复杂性有效的方法,可直接提取原始信号包含的模式信息。基于此,将MSE方法应用于滚动轴承的故障特征提取,针对粗粒化方式的不足和样本熵自身的缺陷提出了解决方法,同时将算法与分类器相结合,并利用滚动轴承的试验数据验证了方法的有效性。本文的主要内容如下:1.对多尺度熵理论进行了深入的研究。1)当尺度因子增大时,原始的多尺度化过程会导致时间序列变短,对熵值的稳定性产生影响。针对这一问题,首次将滑动均值的思想应用到粗粒化过程中,并用模糊熵代替样本熵,提出了改进的多尺度模糊熵(Improve Multiscale Fuzzy Entropy,IMFE),通过仿真信号分析可知,该方法得到的熵值更稳定;2)针对MSE算法中粗粒化方式的不足这一问题,同时结合振动信号本身的特性,将三次样条函数应用到粗粒化过程中,提出了插值多尺度熵(Interpolation Multiscale Entropy,InMSE)算法,通过仿真信号分析结果表明,由此可以充分挖掘信号中隐藏的信息;3)为了进一步挖掘时间序列中隐藏的模式信息,首先将插值多尺度熵的粗粒化过程与原始粗粒化过程相结合,然后运用复合的思想,最后用模糊熵算法代替样本熵,提出了复合插值多尺度模糊熵(Composite Interpolation Multiscale Fuzzy Entropy,CIMFE),通过仿真信号分析验证了方法的有效性和优越性;2.将多尺度熵算法与学习方法相结合并应用滚动轴承故障诊断中。1)提出了基于复合多尺度熵与拉普拉斯支持向量机相结合的滚动轴承故障诊断方法。首先利用仿真信号验证了该方法的优越性,其次,通过滚动轴承试验数据分析可知,与拉普拉斯支持向量机相结合的算法故障识别率高于支持向量机;2)针对样本标记困难这一问题,提出了基于模糊C-均值与插值多尺度熵的滚动轴承故障诊断方法。首先,通过仿真信号分析,并与MSE算法做对比可知,插值多尺度熵对参数的要求更小;其次,通过对试验数据的分析结果表明,插值多尺度熵方法与FCM的分类效果优于多尺度熵;3)针对大型机械故障信号样本个数少这一问题,提出了基于改进的多尺度模糊熵与支持向量机相结合的滚动轴承故障诊断方法,该方法不仅适用于同种故障程度的识别,而且也提高了小样本下的不同故障程度的识别率;4)复合插值多尺度模糊熵对参数的要求更小,基于此,提出了基于复合插值多尺度模糊熵与拉普拉斯支持向量机的滚动轴承故障诊断方法。通过仿真信号与多尺度熵、多尺度模糊熵、复合多尺度熵和复合多尺度模糊熵对比分析可知,该方法的识别率均高于上述算法,将拉普拉斯支持向量机与支持向量机对比分析,结果表明基于拉普拉斯支持向量机的分类方法的识别率高于支持向量机;上述方法的验证是建立在仿真信号分析与试验数据分析基础之上,为滚动轴承故障诊断提供了新的方向。