優化VMD與CNN在齒輪箱故障診斷應用研究

郗濤，楊威振

（天津工業大學機械工程學院，天津 300387）

在機床主軸的傳動過程中，齒輪箱占有著舉足輕重的地位，其運行狀態更是關系到整個設備的運行狀態。由于齒輪箱所處的工作環境相對惡劣多變[1]，且其主要是由高速化、高精度化與復雜化的齒輪與軸承構成，所以對早期的齒輪箱故障檢測很有必要。整體方案是首先對齒輪箱不同運行狀態的振動信號進行提取與分析，最終判斷出齒輪箱的故障類型。

在進行振動信號的提取與分析中，常采用自適應分解方法，該方法在對非線性、非平穩的以及多分量耦合信號的處理中表現優異。國內外學者在故障診斷中常采用經驗模態分解（Empirical mode decomposition，EMD）來提取故障信號。EMD是由Huang[2]提出，在非平穩信號中表現良好后，已經被應用于各個領域，但仍存在端點效應和模態混疊的現象，且該缺陷是EMD的固有缺陷。周陳林等[3]通過提出EMD分解與形態奇異值分解相結合的故障特征提取方法，很大程度上降低了EMD分解的過分解和端點效應，但欠分解與模態混疊的現象仍是沒有得到改善。李思琦[4]利用集合經驗模態分解（Ensemble empirical mode decomposition，EEMD）將白噪聲信號添加到需要分析的信號中之后進行EMD分解，在一定程度上能夠抑制模態混疊現象的出現，但是噪聲信號的加入使得系統對信號處理的工作量增大，且容易分解出無關變量甚至虛假變量。Li[5]使用的局部均值分解（Local mean decomposition，LMD）雖然能夠解決EMD的欠分解與過分解問題，但是端點效應與模態混疊現象仍然存在?！?br>