Bearing health condition identification plays a crucial role in guaranteeing maximum productivity and reducing maintenance costs. In this article, a novel tensorial feature extraction approach called hierarchical multiscale symbolic dynamic entropy is developed, which can be used to assess the dynamic characteristic of the measured vibration data at different hierarchical layers and different scales. Besides, the influence of parameters in hierarchical multiscale symbolic dynamic entropy is investigated so as to select the optimal parameters. Then, a new multi-fault classifier called least squares support tensor machine–based binary tree is presented to achieve the fault identification automatically. In the least squares support tensor machine–based binary tree method, the divisibility measure strategy is constructed by two new separability measures (i.e. the average center distance of samples in one class, the center distance of samples between sub-class and global class). Finally, a novel intelligent fault diagnosis scheme based on hierarchical multiscale symbolic dynamic entropy and least squares support tensor machine–based binary tree is developed, which is applied to analyze the experimental data of rolling bearing. The results indicate that the proposed scheme has a superior performance in health condition identification. Compared with the existing symbolic dynamic entropy–based fault diagnosis methods, the proposed method has higher diagnostic accuracy and better stability.

中文翻译：

---

基于分层多尺度符号动态熵和最小二乘支持张量机二叉树的滚动轴承健康状况识别

轴承健康状况识别在保证最大生产力和降低维护成本方面起着至关重要的作用。在本文中，开发了一种新的张量特征提取方法，称为分层多尺度符号动态熵，可用于评估不同层次和不同尺度的实测振动数据的动态特性。此外，研究了参数在分层多尺度符号动态熵中的影响，以选择最优参数。然后，提出了一种新的多故障分类器，称为最小二乘支持张量机的二叉树，以实现故障自动识别。在最小二乘支持基于张量机的二叉树方法中，可分性测度策略由两个新的可分离性测度（即一类样本的平均中心距、子类与全局类之间的样本中心距）构建。最后，提出了一种基于分层多尺度符号动态熵和最小二乘支持张量机二叉树的新型智能故障诊断方案，用于滚动轴承实验数据分析。结果表明，所提出的方案在健康状况识别方面具有优越的性能。与现有的基于符号动态熵的故障诊断方法相比，该方法具有更高的诊断精度和更好的稳定性。最后，提出了一种基于分层多尺度符号动态熵和最小二乘支持张量机二叉树的新型智能故障诊断方案，用于滚动轴承实验数据分析。结果表明，所提出的方案在健康状况识别方面具有优越的性能。与现有的基于符号动态熵的故障诊断方法相比，该方法具有更高的诊断精度和更好的稳定性。最后，提出了一种基于分层多尺度符号动态熵和最小二乘支持张量机二叉树的新型智能故障诊断方案，用于滚动轴承实验数据分析。结果表明，所提出的方案在健康状况识别方面具有优越的性能。与现有的基于符号动态熵的故障诊断方法相比，该方法具有更高的诊断精度和更好的稳定性。结果表明，所提出的方案在健康状况识别方面具有优越的性能。与现有的基于符号动态熵的故障诊断方法相比，该方法具有更高的诊断精度和更好的稳定性。结果表明，所提出的方案在健康状况识别方面具有优越的性能。与现有的基于符号动态熵的故障诊断方法相比，该方法具有更高的诊断精度和更好的稳定性。