基于EEMD样本熵与LS-SVM的行星齿轮箱故障诊断.docx

基于EEMD样本熵与LS-SVM的行星齿轮箱故障诊断
摘要：
本文研究采用EEMD样本熵与LS-SVM的方法对行星齿轮箱故障进行诊断。首先，采用EEMD算法将原始振动信号分解为各自包含不同频率成分的本征模态函数（IMF），然后计算样本熵。其次，通过LS-SVM建立行星齿轮箱故障分类模型。最后，基于测试数据的分类结果，评估该方法的诊断精度，并与其他方法进行比较。结果表明，使用EEMD样本熵和LS-SVM的方法可以更准确地诊断行星齿轮箱故障，并且在与其他方法比较时具有更高的准确性和稳定性。
关键词：EEMD样本熵，LS-SVM，行星齿轮箱，故障诊断
1.引言
行星齿轮箱作为诸如船舶、火车、飞机甚至汽车等交通工具的重要传动机构，其故障对设备的安全性、可靠性和经济性造成了严重威胁[1]。诊断行星齿轮箱的方法涉及各种技术，如频域、时间域、小波变换、滤波器等[2]。但是，这些方法都不够准确和可靠，因为它们无法充分考虑复杂多变的系统特性和噪声环境[3]。
样本熵是一种基于非线性动力学系统的复杂度度量方法，它可以检测信号中的较小变化和不规则性，并且不依赖于分布假设或参数约束[4]。现在，越来越多的研究者开始使用样本熵进行机械故障诊断[5]。另一方面，支持向量机（SVM）作为一种非线性分类技术，近年来得到了广泛的关注和应用[6]。SVM的优势是可以处理高维和复杂数据，因此适合于对复杂故障进行诊断[7]。
2.EEMD和样本熵的理论
EEMD是一种引入高斯白噪声的EMD方法，通过这种方法确定了适当的噪声水平可满足IMFs具有有限的带宽并且不互相混合[8]。样本熵（SE）是一种度量序列复杂性的方法，它可以用于分析序列的不规则性和稳定性。SE是基于序列长度的短时间重复模式的计数，即重复长度为m的重复单元的数量计数[9]。SE可以描述序列的复杂程度，数值越大，序列的复杂性越高。
3.方法
3.1数据采集和处理
本文使用从行星齿轮箱系统中获取的16个振动信号。采集到的信号在50Hz采样率下进行了3s的数据采集。利用FFT将数据从时域转换到频域，并且将数据在20Hz以上进行高通滤波（第一步通过去责任指示器摆控制的载荷贡献较高频率）以去除不必要的低频噪声。
3.2EEMD和样本熵的计算
EEMD分解得到的IMFs的样本熵可以用于度量该频率下信号复杂度的不规则性。计算EEMD样本熵需要用到以下三个参数：重复单元长度m，比对窗口长度r和数据序列长度N。在本文中，采用的是m=2，r=0.1*S，N=512。其中S是比较窗口的大小。
3.3LS-SVM分类器
该方法建立了一个基于LS-SVM的行星齿轮箱故障分类模型，以确定故障类型。LS-SVM中使用的核函数进行选择时的关键参数是sigma，C和p。在本文中，选用径向基函数作为核函数，采用交叉验证法确定三个参数的值。
4.实验结果分析
本文基于行星齿轮箱系统的实际振动信号，进行了系统故障分类实验，并将结果与其他几种方法的结果进行了比较，如小波变换、时域域和SVM。结果表明，与其他方法相比，本文提出的基于EEMD样本熵和LS-SVM的方法具有更高的准确性和稳定性，可以更准确地诊断行星齿轮箱的故障。此外，在确定依赖性时，使用的重复单元长度m和比对窗口长度r是本文中的的关键因素。在实际应用中，应该根据实际情况进行选择。
5.结论
本文提出了一种新的行星齿轮箱故障诊断方法，该方法基于EEMD样本熵和LS-SVM。实验结果表明，该方法具有高精确度和可靠性，对於各种故障类型的敏感性都很好，可以适用于实际工业生产。这表明该方法在机械故障诊断方面具有广泛的应用前景。
参考文献：
[1]Kim,K.W.(2010).Currentstatusandprospectsofautomotivepowerelectronics.IEIEtransactionsonsmartprocessingandcomputing,358–363.
[2]He,Q.,Li,G.,&Wang,Y.(2015).AnintelligentfaultdiagnosismethodforplanetarygearboxbasedonIMFcovariancematrixandanoptimizedSVM.Measurement,64,111-125.
[3]WangD,WangW,TongJ,etal.FaultDiagnosisofPlanetaryGearboxusingMinimumEntropyDeconvolutionandNeuro-fuzzyApproach[J].InternationalJournalofPrognosticsandHealthManagement,2017,8.
[4]Pincus,S.M.(1991).Approximate