摘要： 针对轴承振动信号易受噪声干扰，单一特征量准确率低的问题，提出一种基于小波包分解(Wavelet Packet Decomposition，WPD)、有效时域特征（绝对平均值、波形指标）、频域特征（均方根频率）以及多尺度符号动力学熵（Multi-scale Symbolic Dynamic Entropy，MSDE）的轴承故障诊断方法。首先，对轴承振动信号进行小波包分解，提取多频带特征，并根据相关系数筛选最佳分量进行信号重构；其次，提取时域和频域敏感特征，同时计算重构信号的MSDE值，组成多特征向量；最后，将提取的多特征向量输入到蜣螂算法(Dung Beetle Optimizer，DBO)优化的支持向量机(Support Vector Machine，SVM)中识别不同轴承故障类型。结果显示，该方法能够从多方位提取故障特征，相较于单一特征量准确率更高，识别速度更快。

关键词: 故障诊断, 多特征, 多尺度符号动力学熵, 蜣螂算法