基于复合多尺度加权反向模糊散布熵和增强t分布随机邻域嵌入的滚动轴承退化评估

doi:10.3969/j.issn.1004-132X.2026.09.006

摘要/Abstract

摘要：

针对滚动轴承早期退化时刻难以准确检测的问题，提出了一种基于复合多尺度加权反向模糊散布熵（CMWRFDE）和增强t分布随机邻域嵌入（ATSNE）的退化状态评估模型。对采集到的振动信号利用CMWRFDE算法提取多尺度退化特征，然后利用ATSNE算法对提取到的多尺度特征进行压缩降维，构造出能准确表示滚动轴承性能变化的综合特性指标，最后通过切比雪夫不等式健康阈值策略得到滚动轴承的性能退化评估结果。结果表明，该模型能够准确描述滚动轴承性能退化规律，及时捕捉到初始退化时刻，从而实现对滚动轴承性能退化状态的准确评估。

关键词: 退化状态评估, 复合多尺度加权反向模糊散布熵, 增强t分布随机邻域嵌入

Abstract:

To address the problem of accurately detecting the early degradation moment of rolling bearings， a degradation state assessment model was proposed based on CMWRFDE and ATSNE. First， the CMWRFDE algorithm was utilized to extract multi-scale degradation features from the collected vibration signals. Then， the ATSNE algorithm was employed to compress and reduce the dimensionality of the extracted multi-scale features， constructing a comprehensive characteristic indicator that accurately represents the performance changes of the rolling bearing. Finally， the performance degradation assessment result of the rolling bearing was obtained through a health threshold strategy based on Chebyshev's inequality. The results demonstrate that the proposed model accurately characterizes the performance degradation trend of rolling bearings， promptly detects the initial degradation moment，and enables precise assessment of the bearing's degradation state.

Key words: degradation state assessment, composite multi-scale weighted reverse fuzzy dispersion entropy （CMWRFDE）, augmented t-distributed stochastic neighborhood embedding（ATSNE）

中图分类号:

TH17

王晓龙, 伏元雷, 罗文宇, 宫兆岩, 刘徐祎昊, 焦健, 郭睿. 基于复合多尺度加权反向模糊散布熵和增强t分布随机邻域嵌入的滚动轴承退化评估[J]. 中国机械工程, 2026, 37(9): 2133-2140.

WANG Xiaolong, FU Yuanlei, LUO Wenyu, GONG Zhaoyan, LIU Xuyihao, JIAO Jian, GUO Rui. Degradation Assessment of Rolling Bearings Based on CMWRFDE and ATSNE[J]. China Mechanical Engineering, 2026, 37(9): 2133-2140.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.09.006

https://www.cmemo.org.cn/CN/Y2026/V37/I9/2133

图/表 13

图1 复合粗粒化原理图

Fig.1 Composite coarse graining schematic diagram

图2 不同信噪比下的仿真信号时域波形

Fig.2 Time domain waveforms of simulated signals under different signal to noise ratios

图3 不同信噪比下各算法的熵值曲线

Fig.3 Entropy curves of different algorithms under various signal to noise ratios

图4 不同信噪比下各算法的相关系数

Fig.4 Correlation coefficients of different algorithms under various signal to noise ratios

图5 不同算法损伤变化敏感性对比图

Fig.5 Comparison of damage variation sensitivity among different algorithms

图6 滚动轴承退化评估流程

Fig.6 Assessment process of rolling bearing degradation

图7 线性峭度与均方根波动曲线

Fig.7 Linear kurtosis and root mean squarefluctuation curves

图8 不同尺度因子下CMWRFDE提取结果

Fig.8 CMWRFDE extraction results across multiple scale factors

图9 各尺度因子下复合指标均值

Fig.9 Average value of composite index across different scale factors

图10 退化状态曲线

Fig.10 The degradation state curve

图11 第58组样本CYCBD分析结果

Fig.11 CYCBD analysis results of the 58th sample

图12 不同模型退化评估结果

Fig.12 Degradation assessment results of different models

表1 不同模型退化状态评估结果对比

Tab.1 The comparison of degradation assessment results of different models

模型	初始退化点	是否误报、延报	是否持续报警
CMFDE+t-SNE	73	是	否
CMSE+ATSNE	63	是	否
CMPE+SPCA	65	是	否
CMWRFDE+ATSNE	58	否	否

参考文献 23

[1]	李继猛，王泽，史清心，等. 基于图正则化约束频域组稀疏模型的风电机组滚动轴承故障诊断［J］. 中国机械工程， 2024， 35（11）： 1909-1919.
	LI Jimeng， WANG Ze， SHI Qingxin， et al. Rolling Bearing Fault Diagnosis of Wind Turbines Based on Frequency Domain Group Sparse Model with Graph Regularization Constraints［J］. China Mechanical Engineering， 2024， 35（11）： 1909-1919.
[2]	程立，马文锁，夏新涛，等. 基于改进模糊熵和灰关系的滚动轴承性能退化评估［J］. 机械传动， 2022， 46（1）： 56-64.
	CHENG Li， MA Wensuo， XIA Xintao， et al. Performance Degradation Evaluation of Rolling Bearing Based on Improved Fuzzy Entropy and Grey Relation［J］. Journal of Mechanical Transmission， 2022， 46（1）： 56-64.
[3]	尹爱军，张智禹，李海珠. 同步抽取变换与复小波结构相似性指数的滚动轴承性能退化评估［J］. 振动与冲击， 2020， 39（6）： 205-209.
	YIN Aijun， ZHANG Zhiyu， LI Haizhu. Rolling Bearing Performance Degradation Assessment Based on the Synchroextracting Transform and Complex Wavelet Structural Similarity Index［J］. Journal of Vibration and Shock， 2020， 39（6）： 205-209.
[4]	朱文昌，罗梦婷，倪广县，等. 随机矩阵理论和主成分分析融合的滚动轴承性能退化评估方法［J］. 西安交通大学学报， 2021， 55（2）： 55-63.
	ZHU Wenchang， LUO Mengting， NI Guangxian， et al. An Evaluation Method for Rolling Bearing Performance Degradation Combining Random Matrix Theory and Principal Component Analysis［J］. Journal of Xi’an Jiaotong University， 2021， 55（2）： 55-63.
[5]	杨旭，张涛，李玉梅，等. ISSA优化SVM的电机滚动轴承故障诊断［J］. 电子测量技术， 2023， 46（15）： 186-192.
	YANG Xu， ZHANG Tao， LI Yumei， et al. ISSA Optimizes SVM’s Motor Rolling Bearing Fault Diagnosis［J］. Electronic Measurement Technology， 2023， 46（15）： 186-192.
[6]	周照翔，占春连. 基于优化VMD与斜率熵的目标辐射噪声特征提取方法［J］. 科学技术与工程， 2024， 24（28）： 12188-12199.
	ZHOU Zhaoxiang， ZHAN Chunlian. Feature Extraction Method for Target Radiated Noise Based on Optimized VMD and Slope Entropy［J］. Science Technology and Engineering， 2024， 24（28）： 12188-12199.
[7]	WANG Chaojie. A Sample Entropy Inspired Affinity Propagation Method for Bearing Fault Signal Classification［J］. Digital Signal Processing， 2020， 102： 102740.
[8]	崔星，陈静，孙婧琪，等. 基于ICEEMDAN多尺度模糊熵和MVO-KELM的变压器绕组铁心机械故障诊断［J］. 电机与控制应用， 2023， 50（10）： 81-90.
	CUI Xing， CHEN Jing， SUN Jingqi， et al. Mechanical Fault Diagnosis for Transformer Winding Core Based on ICEEMDAN Multi-scale Fuzzy Entropy and MVO-KELM［J］. Electric Machines & Control Application， 2023， 50（10）： 81-90.
[9]	YAN Xiaoan， LIU Ying， HUANG Dongsheng， et al. A New Approach to Health Condition Identification of Rolling Bearing Using Hierarchical Dispersion Entropy and Improved Laplacian Score［J］. Structural Health Monitoring， 2021， 20（3）： 1169-1195.
[10]	ROSTAGHI M， KHATIBI M M， ASHORY M R， et al. Fuzzy Dispersion Entropy： a Nonlinear Measure for Signal Analysis［J］. IEEE Transactions on Fuzzy Systems， 2022， 30（9）： 3785-3796.
[11]	ROSTAGHI M， KHATIBI M M， ASHORY M R， et al. Refined Composite Multiscale Fuzzy Dispersion Entropy and Its Applications to Bearing Fault Diagnosis［J］. Entropy， 2023， 25（11）： 1494.
[12]	SHI Sha， XU Yefei， XU Xiaoyang， et al. A Preprocessing Manifold Learning Strategy Based on T-distributed Stochastic Neighbor Embedding［J］. Entropy， 2023， 25（7）： 1065.
[13]	TAN Hongchuang， XIE Suchao， LIU Runda， et al. Bearing Fault Identification Based on Stacking Modified Composite Multiscale Dispersion Entropy and Optimised Support Vector Machine［J］. Measurement， 2021， 186： 110180.
[14]	钟建华，黄聪，钟舜聪，等. 基于t-SNE降维方法的滚动轴承剩余寿命预测［J］. 机械强度， 2024， 46（4）： 969-976.
	ZHONG Jianhua， HUANG Cong， ZHONG Shuncong， et al. Remaining Useful Life of Rolling Bearing Based on t-SNE［J］. Journal of Mechanical Strength， 2024， 46（4）： 969-976.
[15]	赵一楠，剡昌锋，孟佳东，等. 自适应窗口旋转优化短时傅里叶变换的变转速滚动轴承故障诊断［J］. 振动工程学报， 2024， 37（6）： 1064-1076.
	ZHAO Yinan， YAN Changfeng， MENG Jiadong， et al. Fault Diagnosis of Rolling Bearings under Variable Speed Conditions Based on Adaptive Window Rotation Optimization Short-time Fourier Transform［J］. Journal of Vibration Engineering， 2024， 37（6）： 1064-1076.
[16]	高原，邓艾东，范永胜，等. 基于MFCC和MDE-SVDD的滚动轴承音频信号异常检测方法［J］. 动力工程学报， 2024， 44（2）： 277-283.
	GAO Yuan， DENG Aidong， FAN Yongsheng， et al. Anomaly Detection Method for Acoustic Signal of Rolling Bearing Based on MFCC and MDE-SVDD［J］. Journal of Chinese Society of Power Engineering， 2024， 44（2）： 277-283.
[17]	徐统，王红军，宋智勇，等. 基于K-L散度的VMD瞬时能量与PNN的滚动轴承故障诊断［J］. 电子测量与仪器学报， 2019， 33（8）： 117-123.
	XU Tong， WANG Hongjun， SONG Zhiyong， et al. Rolling Bearing Fault Diagnosis Using VMD Energy Feature and PNN Based on Kullback-Leibler Divergence［J］. Journal of Electronic Measurement and Instrumentation， 2019， 33（8）： 117-123.
[18]	宗子杨，何军，宦海，等. 基于欧式距离对偶的对抗性无监督域适应算法研究［J］. 电子测量技术， 2023， 46（14）： 95-101.
	ZONG Ziyang， HE Jun， HUAN Hai， et al. Learning on the Euclidean Discrepancy Dual for Unsupervised Domain Adaptation［J］. Electronic Measurement Technology， 2023， 46（14）： 95-101.
[19]	LI Yuxing， LIU Yang， GAO Xiang. Fuzzy Dispersion Entropy-based Lempel-Ziv Complexity and Its Multiscale Version for Measuring the Complexity of Time Series［J］. Applied Acoustics， 2025， 233： 110620.
[20]	WU Jun， WU Chaoyong， CAO Shuai， et al. Degradation Data-driven Time-to-failure Prognostics Approach for Rolling Element Bearings in Electrical Machines［J］. IEEE Transactions on Industrial Electronics， 2019， 66（1）： 529-539.
[21]	薛斌，许忠斌，王鹏飞，等. 基于相关向量回归和轨迹相似度分析的滚珠丝杠轴承剩余使用寿命预测［J］. 轴承， 2025（5）： 60-70.
	XUE Bin， XU Zhongbin， WANG Pengfei， et al. Remaining Useful Life Prediction of Ball Screw Bearings Based on Relevance Vector Regression and Trajectory Similarity Analysis［J］. Bearing， 2025（5）： 60-70.
[22]	裴雪武，董绍江，方能炜，等. 动态调整灰色关联分析方法在轴承早期退化在线识别中的应用［J］. 仪器仪表学报， 2023， 44（5）： 61-70.
	PEI Xuewu， DONG Shaojiang， FANG Nengwei， et al. A Dynamically Adjustment Grey Incidence Analysis Method and Its Application to Online Recognition of Early Degradation of Bearing［J］. Chinese Journal of Scientific Instrument， 2023， 44（5）： 61-70.
[23]	雷亚国，韩天宇，王彪，等. XJTU-SY滚动轴承加速寿命试验数据集解读［J］. 机械工程学报， 2019， 55（16）： 1-6.
	LEI Yaguo， HAN Tianyu， WANG Biao， et al. XJTU-SY Rolling Element Bearing Accelerated Life Test Datasets： a Tutorial［J］. Journal of Mechanical Engineering， 2019， 55（16）： 1-6.