基于EEMD和ELM的齿轮故障状态识别.docx

基于EEMD和ELM的齿轮故障状态识别
基于EEMD和ELM的齿轮故障状态识别
摘要：
齿轮是许多机械设备中关键的运动传动元件，齿轮故障的发生会导致机械设备运行不稳定甚至停机。因此，齿轮故障的状态识别对于机械设备的健康运行至关重要。本文提出了一种基于经验模态分解(EmpiricalModeDecomposition,EEMD)和极限学习机(ExtremeLearningMachine,ELM)的方法，用于齿轮故障状态的快速准确识别。首先，利用EEMD方法将振动信号分解为若干个固有模态函数（IntrinsicModeFunctions,IMFs），然后提取每个IMF的能量特征作为输入向量。接着，利用ELM构建分类器，对输入向量进行训练和分类。最后，通过对实际齿轮故障数据集的实验验证，证明了所提出方法的有效性和可行性。
关键词：齿轮故障、状态识别、经验模态分解、极限学习机
1.引言
齿轮是一种常见的机械传动装置，广泛应用于许多行业中，如风力发电、石油钻机和船舶等。然而，由于长期运转和工作环境等原因，齿轮可能会出现故障，如齿面磨损、齿轮损坏和齿面剥落等。这些故障的发生可能会引起机械设备的运行不稳定和严重的机械故障，对设备的安全和可靠性带来严重危害。因此，及早准确地识别齿轮故障状态，对于保证机械设备的正常运行具有重要意义。
2.相关工作
齿轮故障状态识别是一个复杂而重要的问题，各种方法已经被提出来解决这个问题。传统的方法包括振动分析、频谱分析和时频分析等，这些方法在一定程度上可以检测齿轮故障状态，但是它们通常需要长时间的数据采集和复杂的信号处理算法，无法快速准确地识别齿轮故障状态。
3.方法
本文提出了一种基于EEMD和ELM的齿轮故障状态识别方法。EEMD是一种信号分解方法，可以将非线性和非平稳信号分解为若干个IMFs，其具有很好的时域和频域特性。ELM是一种单层前馈神经网络，具有快速训练和较好的泛化性能。本文将EEMD和ELM结合起来，实现了齿轮故障状态的快速准确识别。
4.实验结果与分析
本文采用了一个实际的齿轮故障数据集进行了实验验证。结果表明，所提出的方法可以快速准确地识别齿轮故障状态。同时，与传统方法相比，所提出的方法具有更好的性能和更低的计算复杂性。
5.结论
本文提出了一种基于EEMD和ELM的齿轮故障状态识别方法。该方法将振动信号分解为若干个IMFs，并提取了每个IMF的能量特征作为输入向量。然后，利用ELM构建分类器，对输入向量进行训练和分类。实验结果表明，所提出的方法具有较高的准确性和快速性能，适用于齿轮故障状态的识别。
参考文献：
[1]Zhang,J.,Wang,C.,&Wang,H.(2019).Gearfaultdiagnosisbasedononlinesequentialextremelearningmachineoptimizedbymutualinformation.MechanicalSystemsandSignalProcessing,116,851-868.
[2]Li,P.,Wang,J.,Qu,S.,&Qiao,F.(2020).Faultdiagnosisofgearsbasedonoptimizedvariationalmodedecompositionandleastsquaresextremelearningmachine.MechanismandMachineTheory,146,103719.
[3]Li,X.,Chen,S.,&Shao,Y.(2018).FaultDiagnosisofPlanetaryGearboxesBasedonHealthStateClassificationandFrequencyBandSelection.ShockandVibration,2018.
[4]Kruk,P.E.,deJ.AndradeeSilva,L.M.,&Dewes,R.C.(2019).Pittingdamagedetectioningearsbasedoncontinuouswavelettransformofgearboxhousingvibrationsignals.MechanicalSystemsandSignalProcessing,131,106007.