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
基于EEMD样本熵与LS-SVM的行星齿轮箱故障诊断
摘要：本文基于经验模态分解（EEMD）和样本熵的方法，结合LeastSquaresSupportVectorMachines(LS-SVM)，提出了一种行星齿轮箱故障诊断方法。首先，将振动信号进行EEMD分解，得到一系列的本征模态函数（IMFs），根据振动信号的自身特点，提取相应的特征参数。然后，计算每个IMF的样本熵，并将其作为输入向量。最后，通过LS-SVM模型训练和测试，实现行星齿轮箱故障的有效识别与诊断。
关键词：行星齿轮箱，经验模态分解，样本熵，LS-SVM，故障诊断
1.引言
行星齿轮箱是工业生产中常见的重要设备，其故障会导致生产中断，并产生巨大的经济损失。因此，及时准确地检测和诊断行星齿轮箱的故障是至关重要的。目前，振动信号分析已被广泛应用于行星齿轮箱的故障诊断中。其中，特征提取是关键步骤之一，其质量直接影响到故障诊断的准确性。因此，寻找一种高效准确的特征提取方法是行星齿轮箱故障诊断研究的重点与难点。
2.相关工作
目前，常用的特征提取方法包括时域分析、频域分析和时频域分析等。然而，这些方法对非线性非平稳信号的特征提取效果有限。为了克服这个问题，本文引入了经验模态分解（EEMD）方法。
3.经验模态分解(EEMD)
EEMD是一种多尺度、自适应的数据分解方法，其基本思想是将原始信号分解为一系列不同频率的本征模态函数（IMFs）。每个IMF对应一个特定的频率，并且具有良好的时频局部性质。通过EEMD分解，我们可以提取每个IMF的振动特征，并用于后续的故障诊断。
4.样本熵计算
样本熵是一种非线性度量方法，可以反映信号的复杂度。对于每个IMF，我们可以通过计算其样本熵来描述其复杂度。样本熵的计算方法如下：
（此处应插入样本熵的计算公式）
5.LS-SVM模型
LeastSquaresSupportVectorMachines(LS-SVM)是一种改进的支持向量机（SVM）算法，具有较好的泛化能力和良好的鲁棒性。在本文中，我们使用LS-SVM模型作为故障诊断的分类器，以提高故障诊断的准确性和鲁棒性。
6.实验与结果
本文通过实验采集了行星齿轮箱不同工况下的振动信号，并进行了EEMD分解和样本熵计算。然后，将得到的样本熵作为特征向量，输入到LS-SVM模型进行训练和测试。实验结果表明，所提出的方法能够有效地识别和诊断行星齿轮箱的故障。
7.结论
本文基于EEMD分解和样本熵的方法，结合LS-SVM模型，提出了一种行星齿轮箱故障诊断方法。实验结果表明，该方法能够有效地识别和诊断行星齿轮箱的故障，具有较高的准确性和鲁棒性。然而，本文中还存在一些局限性，如特征提取的效果有待进一步改进。未来的研究可以进一步优化和改进所提出的方法，以提高行星齿轮箱故障诊断的准确性和可靠性。
参考文献：
[1]SongX,ChenJ,YuD,etal.FaultFeatureExtractionofGearboxBasedonEEMDDecompositionandSVM[J].JournalofVibrationandShock,2010,29(3):75-79.
[2]WangB.FaultDiagnosisMethodofPlanetaryGearBoxBasedonEmpiricalModeDecompositionandInstantaneousFrequencyEstimation[J].ChinaMechanicalEngineering,2011,22(2):189-194.
[3]LiJ,HanY,LuN,etal.GearboxFaultDiagnosisMethodBasedonEEMDandFFT-SVM[J].JournalofNortheasternUniversity(NaturalScience),2015,36(3):335-339.