基于EMD近似熵和LS-SVM的齒輪箱故障診斷研究.pdf

1、齒輪箱是機械設(shè)備中重要的傳動部件，對齒輪箱進行故障診斷研究有著非?，F(xiàn)實的意義。本文將EMD(EmpiricalModeDecomposition)近似熵和LSSVM(LeastSquareSupportVectorMachine)相結(jié)合來實現(xiàn)對齒輪箱的故障診斷。
　　EMD方法對信號處理具有良好的局域化特性，同時針對非線性、非平穩(wěn)的信號有著非常好的分解效果。近似熵在表征信號動力學特性方面能包含更多的信息，對提取信號的故障特征有著先

2、天的優(yōu)勢。LSSVM是針對SVM(SupportVectorMachine)作為分類算法中存在著運行時間過長和計算量過大的弊端做出的改進和變形，實驗證明LSSVM在齒輪箱故障診斷中能準確而快速的實現(xiàn)故障識別。
　　本文首先闡述了齒輪箱故障診斷的意義、目的及國內(nèi)外研究現(xiàn)狀，同時對目前的故障診斷技術(shù)進行了概述。其次介紹了齒輪箱振動機理和故障類型，接著重點研究了EMD方法在分解信號中存在著端點效應(yīng)這樣的弊端，提出了鏡像延拓以及在信號序列

3、上進行了加窗函數(shù)相結(jié)合的辦法對EMD方法的改進。實驗證明經(jīng)過改進之后的EMD方法在信號分解上取得了非常好的效果。然后應(yīng)用EMD和近似熵相結(jié)合的方法完成了對齒輪箱故障特征的提取，分別從理論上和具體實驗中對SVM和LSSVM進行了對比，突出LSSVM在故障識別上的優(yōu)勢。最后利用改進后的EMD方法結(jié)合近似熵完成對故障特征的提取，利用LSSVM對提取的故障特征進行識別，然后通過對比其他幾種不同的故障診斷方法，表明EMD近似熵和LSSVM能夠提高