1、機(jī)械故障診斷一直以來(lái)都是研究的熱點(diǎn)，至今也取得了一些成果，然而仍然存在很多問(wèn)題。滾動(dòng)軸承作為最常用的部件之一，對(duì)其進(jìn)行故障診斷意義十分重大。
　　論文基于滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行故障診斷，滾動(dòng)軸承振動(dòng)信號(hào)能夠包含故障特性并且適合各種軸承，基于振動(dòng)信號(hào)的故障診斷能有效診斷前期微小故障，診斷結(jié)果準(zhǔn)確可靠。
　　論文在研究小波理論的基礎(chǔ)上，采用小波包分析結(jié)合對(duì)數(shù)能量熵提取信號(hào)的故障特征。故障特征提取在滾動(dòng)軸承故障診斷中尤其重要，它是軸

2、承狀態(tài)識(shí)別的基礎(chǔ)，直接關(guān)系到診斷結(jié)果的準(zhǔn)確性。論文利用小波包對(duì)滾動(dòng)軸承信號(hào)進(jìn)行分解，對(duì)分解得到的各個(gè)信號(hào)計(jì)算歸一化能量熵，以提取信號(hào)的故障特征。
　　論文采用最小二乘支持向量機(jī)對(duì)軸承狀態(tài)進(jìn)行識(shí)別，取得了比較理想的效果。最小二乘支持向量機(jī)(LSSVM)不同于傳統(tǒng)支持向量機(jī)，它采用最小二乘線性系統(tǒng)作為損失函數(shù)，簡(jiǎn)化了計(jì)算的復(fù)雜性，提高了運(yùn)算速度。論文研究了最小二次支持向量機(jī)算法，并利用該算法對(duì)軸承工況進(jìn)行識(shí)別。
　　本文搭建了旋