基于参数优化变分模态分解和多尺度熵偏均值的行星变速箱故障特征提取.pdfVIP

基于参数优化变分模态分解和多尺度熵偏均值的行星变速箱故

障特征提取

杨大为;赵永东;冯辅周;江鹏程;丁闯

【摘要】针对某型装甲车辆行星变速箱行星轮故障特征难以提取的问题,提出了结

合参数优化变分模态分解(VMD)和多尺度熵偏均值的故障特征提取方法.为克服

VMD算法参数选取依赖经验的弊端,采用粒子群优化算法对VMD参数进行优化.

使用参数优化后的VMD算法对信号进行分解,并依据互信息选取有效分量对信号

进行重构.多尺度熵能反映信号在多尺度下的复杂度,偏均值可以反映多尺度熵的均

值和变化趋势.采用基于多尺度熵的综合指标多尺度偏均值,以全面反映振动信号在

多尺度下的特性,用于衡量行星变速箱运行状态,从而进行故障特征提取.行星变速箱

实验数据处理结果表明,新方法可以更加有效的提取行星变速箱故障.

【期刊名称】《兵工学报》

【年(卷),期】2018(039)009

【总页数】9页(P1683-1691)

【关键词】行星变速箱;故障特征提取;变分模态分解;多尺度熵偏均值

【作者】杨大为;赵永东;冯辅周;江鹏程;丁闯

【作者单位】陆军装甲兵学院机械工程系,北京100072;陆军装甲兵学院机械工程

系,北京100072;陆军装甲兵学院机械工程系,北京100072;陆军装甲兵学院机械工

程系,北京100072;陆军装甲兵学院机械工程系,北京100072

【正文语种】中文

【中图分类】TJ810.3+21;TB52+6

0引言

某型装甲车辆行星变速箱长期工作于高温重载的恶劣环境，齿轮故障常有发生，而

其负载常在大范围瞬时波动，弱化了故障产生的异常进而掩盖了故障，很难及时发

现并进行有效处理，故障往往进一步发展恶化，进而严重影响变速箱正常运转，造

成车辆机动性能下降，减弱整车的战斗力。而某型行星变速箱结构复杂，含有多个

定轴轮系和行星轮系，工作时多对齿轮啮合相互影响，信号分解难度较大。振动传

感器采集到的信号存在大量噪声干扰且受复杂的传递路径影响衰减严重，属于典型

非线性非平稳信号，给故障特征提取工作带来困难。行星变速箱的3个行星轮系

含有3个或6个行星轮。单一行星轮故障对轮系影响本身就较太阳轮小，加之行

星轮运动为复合运动，而振动传感器安装位置固定，不能随其旋转，相对位置改变

会对信号进行二次调制，因此行星轮故障更难于区分[1]。目前，国内外研究人员

针对行星变速箱故障诊断在信号分析处理方面做了大量工作，并取得了一定成果，

如小波包分解、包络分析、倒频谱分析、经验模式分解等[2]。但对复合行星变速

箱的故障诊断研究工作较少，且其故障模拟实验台搭建经验不足，实验条件仍不够

成熟[3]。

变分模态分解(VMD)算法由Dragomiretskiy等[4]于2014年提出，能够将信号自

适应地分解为一系列分量，摆脱了传统信号分解的递归筛分剥离模式约束。Ram

等[5]验证了VMD算法可以缓解模态混叠和边界效应，同时具有强鲁棒性和高运

算效率。Tang等[6]将VMD算法应用于滚动轴承复合故障诊断，并验证了VMD

算法在分解强噪声信号方面的优越性。由于使用VMD算法时，需选定预设尺度数

k和二次惩罚因子α，两个参数的取值都会对分解结果产生影响，故使用VMD算

法的难点和关键在于如何选定合适的k值和α值。对此，姜万录等[7]采用中心频

率观察法选取k值，凭借经验选取α值，处理信号取得一定效果。但如果分别考

虑单一参数对分解的影响，忽略了两个参数间的相互作用，得到的结果并不能保证

达到最优，并且实际信号复杂多变，仅凭借经验选取参数难以保证合理性。唐贵基

等[8]引入粒子群优化(PSO)算法对VMD算法参数进行优化选取，避免人为因素干

预，同时考虑两个参数的影响，优化结果更加合理。

样本熵由Richman在近似熵基础上提出，能计算时间序列复杂度，适合处理非线

性非平稳信号，具有无需自我匹配、计算快、精度高的优点[9]。由于时间序列的

复杂度与尺度有着密切关系，Costa等在样本熵的基础上进行多尺度分析，即多尺

度熵[10]。Pan等[11]、Zheng等[12]将多尺度熵作为特征向量输入支持向量机，

较单