基于MEEMD 多特征融合与LS-SVM 的行星齿轮箱故障诊断

蔡 波，黄晋英，杜金波，马健程，王智超

(1.中北大学机械工程学院，山西 太原 030051;2.北京北方车辆集团有限公司，北京 100072;3.中北大学大数据学院，山西 太原 030051)

0 引 言

行星齿轮箱作为机械设备的关键部分，因其运行稳定性好、体积小、传动效率高等优点在飞机发动机、风力机、化工设备等领域得到广泛应用[1]。但由于齿轮箱工作环境恶劣，所受载荷多为动态交变载荷，故在实际工作中极易出现轮齿裂纹、点蚀、磨损等故障，轻则造成机械设备停机降低工作效率，重则造成人员伤亡[2]。因此，对齿轮箱进行智能故障诊断对于提高生产安全和经济效益至关重要。

由于转速和负载的不稳定以及齿轮出现故障时产生冲击等原因，齿轮振动信号通常表现出非线性、非平稳性特点[3]。近年来，针对非线性、非平稳信号的处理方法正在逐步发展，如经验模态分解（EMD）[4]、经验小波分解（EWT）[5]、局部均值分解（LMD）[6]等。基于EMD 存在的混淆效应，Wu 等[7]提出集成经验模态分解（EEMD），虽克服了EMD 的缺陷，但计算过程复杂且信号的完备性较差，而改进的集成经验模态分解（MEEMD）[8]能够解决上述问题，其实质是在原始信号中成对添加符号相反的白噪声，使原信号极值点的分布更均匀，然后再进行EEMD和EMD 分解，该算法既能抑制模态混叠又能提高信号的完整性，在机械故障诊断领域已有广泛应用。王晋瑞等[9]提出一种MEEMD 算法与双隐层Elman（DHENN）神经网络相结合的滚动轴承故障诊断新方法，并与EMD-DHENN 和MEEMD-ENN 进行对比，结果证明了该方法的有效性和优越性；……