２０２３年第４２卷１月第１期机械科学与技术ＭｅｃｈａｎｉｃａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｆｏｒＡｅｒｏｓｐａｃｅＥｎｇｉｎｅｅｒｉｎｇＪａｎｕａｒｙＶｏｌ．４２２０２３Ｎｏ．１ｈｔｔｐ：／／ｊｏｕｒｎａｌｓ．ｎｗｐｕ．ｅｄｕ．ｃｎ／收稿日期：２０２０１２０３基金项目：国家自然科学基金项目（５１８６５０１０）作者简介：周建民（１９７５－），教授，硕士生导师，博士，研究方向为智能诊断与无损检测，ｈｏｔｚｊｍ＠１６３．ｃｏｍ周建民，熊文豪，尹文豪，等．结合ＶＭＤ符号熵与ＳＶＤＤ的滚动轴承性能退化评估［Ｊ］．机械科学与技术，２０２３，４２（１）：３１⁃３７结合ＶＭＤ符号熵与ＳＶＤＤ的滚动轴承性能退化评估周建民１，２，熊文豪１，２，尹文豪１，２，李家辉１，２，高森１，２（１．华东交通大学机电与车辆工程学院，南昌３３００１３；２．载运工具与装备教育部重点实验室，南昌３３００１３）摘要：针对滚动轴承的早期故障难以检测的问题，提出了一种基于变模态分解（Ｖａｒｉａｂｌｅｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＶＭＤ）符号熵和支持向量数据描述（Ｓｕｐｐｏｒｔｖｅｃｔｏｒｄａｔａｄｅｓｃｒｉｐｔｉｏｎ，ＳＶＤＤ）的滚动轴承性能退化评估模型。首先对振动信号进行ＶＭＤ分解并提取各个分量符号熵，并采用双样本Ｚ值对各个分量符号熵进行评价，选取双样本Ｚ值最大的特征作为特征向量。特征提取完毕后，采用ＳＶＤＤ模型进行性能退化评估，使用全寿命数据进行模型的验证。实验结果表明，相比于排列熵特征提取方法以及模糊Ｃ均值聚类（Ｆｕｚｚｙｃ⁃ｍｅａｎｓｃｌｕｓｔｅｒｉｎｇ，ＦＣＭ）方法，该模型可以更好显示出滚动轴承性能退化规律。关键词：滚动轴承；变分模态分解；符号熵；支持向量数据描述；性能退化评估中图分类号：ＴＨ１３３．３３文献标志码：ＡＤＯＩ：１０．１３４３３／ｊ．ｃｎｋｉ．１００３⁃８７２８．２０２００５６２文章编号：１００３⁃８７２８（２０２３）０１⁃００３１⁃０７ＰｅｒｆｏｒｍａｎｃｅＤｅｇｒａｄａｔｉｏｎＡｓｓｅｓｓｍｅｎｔＭｏｄｅｌｏｆＲｏｌｌｉｎｇＢｅａｒｉｎｇｓＣｏｍｂｉｎｉｎｇＶＭＤＳｙｍｂｏｌＥｎｔｒｏｐｙａｎｄＳＶＤＤＺＨＯＵＪｉａｎｍｉｎ１，２，ＸＩＯＮＧＷｅｎｈａｏ１，２，ＹＩＮＷｅｎｈａｏ１，２，ＬＩＪｉａｈｕｉ１，２，ＧＡＯＳｅｎ１，２（１．ＳｃｈｏｏｌｏｆＭｅｃｈａｔ...
