摘要： 针对滚动轴承发生故障时非线性信号特征难以提取导致诊断效率较低的难题，提出一种基于参数优化改进的多尺度排列熵(Multi-scale permutation entropy，MPE)与核极限学习机(Kernel extreme learning machine，KELM)相结合的故障诊断方法。首先，使用关联积分法(C-C算法)对MPE的嵌入维数和时间延迟进行优化；其次，计算滚动轴承振动信号在选定的经验参数与优化参数下各尺度的排列熵值并以此构建特征向量；最后，利用KELM对滚动轴承进行故障分类。结果表明，参数优化后的MPE结合KELM的故障诊断方法能够有效地提取出故障特征进而很好地实现故障诊断。

关键词: 故障诊断, 多尺度排列熵, 关联积分法, 特征提取, 核极限学习机, 故障分类