基于自適應EEMD樣本熵的行星齒輪箱特征提取方法

(陸軍裝甲兵學院車輛工程系，北京 100072)

行星齒輪箱的工況條件惡劣，齒輪經常發生嚴重點蝕、疲勞裂紋和斷齒等故障。由于齒輪故障信號在傳遞過程中容易出現干擾及衰減，導致傳感器采集到的信號成分復雜，存在明顯的非線性與非平穩性[1]，因此傳統的信號分析處理方法難以對行星齒輪故障特征進行有效提取。

經驗模態分解(Empirical Mode Decomposition，EMD)[2]是一種適用于處理非線性、非平穩信號的方法, 該方法對信號進行分解時不依賴參數的選擇，而是根據信號自身的內在特性將原信號自適應地分解為若干個固有模態函數(Intrinsic Mode Function,IMF)分量，其每個IMF分量均包含了原信號中不同頻率上的局部特征。然而，當信號受混疊脈沖干擾時，EMD分解存在模態混疊現象。在此基礎上，聚合經驗模態分解(Ensemble Empirical Mode Decomposition，EEMD)方法應運而生，它通過對采集的振動信號加入特定的高斯白噪聲序列，明確分析時間尺度，促進抗混分解，可有效解決EMD分解中出現的模態混疊問題，更加精確地反映原始信號的特征信息[3]。但EEMD方法的分解效果依賴于添加白噪聲時選擇的幅值與篩選次數等參數，具有較大的盲目性和主觀性。而自適應EEMD方法在分解過程中可根據信號本身自適應地改變加入白噪聲的幅值，并對每個IMF分量自動選擇不同的篩選次數，能夠進一步解決模態混疊問題，提高信號分解的精度和自適應性[4]。此外，樣本熵(Sample Entropy，SE)是一種計算時間序列復雜度的算法，對非線性、非平穩信號具有很好的檢測能力[5]，且較近似熵的統計精度更高，降低了對時間序列長度的依賴性，具有更好的一致性，同時系統不同的運行狀態會對應不同的樣本熵值，這樣可很好地表征系統的運行狀態，特別適用于行星齒輪箱的故障診斷[6]。……