摘要：目前火電廠的輸送皮帶齒輪箱故障監(jiān)測主要依靠人工巡檢，不僅工作強度大而且環(huán)境惡劣。為解決這一問題，提出一種基于集合經驗模態(tài)分解（EEMD）和支持向量機（SVM）的輸送皮帶齒輪箱故障診斷方法。該方法首先對采集的振動信號進行EEMD濾波，將信號分解為若干本征模態(tài)函數(shù)（IMF）分量，然后分別計算各IMF分量的能量值，形成特征向量，再基于SVM進行故障識別。實驗結果表明，該方法能夠有效實現(xiàn)輸送皮帶齒輪箱故障振動特征的提取，并對特定故障類型進行精確診斷。

關鍵詞：輸送皮帶機;齒輪箱故障;特征提取;EEMD;SVM

中圖分類號：TH132.41" " 文獻標志碼：A" " 文章編號：1671-0797（2024）24-0074-05

DOI：10.19514/j.cnki.cn32-1628/tm.2024.24.018

0" " 引言

輸送皮帶機廣泛應用于火電廠燃煤輸送系統(tǒng)中，但在運行期間經常會出現(xiàn)各種故障，例如聲音異常和振動增強，這些通常是由齒輪箱故障引起的，因此監(jiān)測和診斷輸送皮帶機的齒輪箱故障變得尤為重要，有助于提升巡檢效率。

文獻[1]研究了變分模態(tài)分解（Variational Mode Decomposition，VMD）和多尺度形態(tài)濾波方法，通過提取信號的本征模態(tài)函數(shù)（Intrinsic Mode Function，IMF）將故障信號從復雜的背景噪聲中分離出來。此外，短時傅里葉變換的快速路徑優(yōu)化方法雖然改進了時間窗限制，提高了時頻分辨率，但仍受到其固有的線性時頻分析限制[2-3]。同樣，經驗模態(tài)分解（Empirical Mode Decomposition，EMD）雖然時頻分辨率得到改善，但仍然存在模態(tài)混疊和端點效應的問題[4]。這些方法主要針對齒輪箱的周期性沖擊信號進行分析，但現(xiàn)實生產環(huán)境中的振動信號往往還會受到強烈的背景噪聲和非周期性瞬態(tài)沖擊的干擾。

針對以上問題，本文提出了集合經驗模態(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）與支持向量機（Support Vector Machine，SVM）相結合的皮帶機齒輪箱故障診斷新方法。

1" " 集合經驗模態(tài)分解（EEMD）

EEMD將一定量的白噪聲加入到信號中，并通過對每一次分解結果取平均值來對信號進行重復的EMD分解，從而生成最終的IMF[5]。

EEMD的操作步驟如下：

1）設定EMD分解的總次數(shù)m和白噪聲強度系數(shù)k，開始第一輪分解。

2）在每一輪分解中，生成一組白噪聲，用于執(zhí)行EMD分解，生成IMF的一系列白噪聲，并加入原始信號。

3）直到達到預先設定好的分解輪數(shù)，繼續(xù)重復上述步驟。

4）計算所有同一IMF的分解結果的平均值，以獲得最終的IMF。

為驗證EEMD提取輸送皮帶齒輪箱振動信號的本征模態(tài)函數(shù)（IMF）分量的能力，選取了齒輪箱正常運行時的振動數(shù)據進行預處理。振動信號時域圖如圖1所示。

對該信號進行EEMD分解，m取值100，k取值0.3。分解后的結果如圖2所示。

EEMD分解后，從信號中成功提取了17個本征模態(tài)函數(shù)（IMF）。為了量化每個IMF對信號總能量的貢獻，采用以下兩個公式進行計算：

每個IMF的能量計算公式：

式中：Ei、xi、Δt分別表示第i個IMF的能量、幅值和時間。

每個IMF能量與原信號能量之比ηi的計算公式：

式中：E總為原始信號總能量。

計算結果顯示，所生成的IMF分量與原始信號的能量比如圖3所示。

分解結果顯示，信號的主要能量集中在前8個IMF中。具體地，通過計算每個IMF的能量，并將其與原始信號的總能量進行比較，發(fā)現(xiàn)前8個IMF的能量之和占到了總能量的98.4%。這意味著這些IMF捕捉到了信號的主要特性和動態(tài)變化，因此在進行故障分析和特征提取時，需要重點關注這些分量。

特征向量的提取過程概述如下：

1）對齒輪箱的振動信號執(zhí)行EEMD分解，獲得前8個關鍵的IMF分量。

2）對這8個關鍵IMF分量進行能量分析，通過式（1）計算每個IMF分量的能量值。

3）計算所有選取的IMF分量的平均能量：

2" " 支持向量機

支持向量機（SVM）是一種先進的統(tǒng)計學習框架，在實際應用中，對于難以獲取大量樣本的領域，SVM憑借其對小樣本的高效處理能力和強大的泛化性能，成為一種非常適合的選擇。

如圖4所示，以二維空間為例，圖中的正方形和圓形代表兩種樣本，它們來自于一個樣本集合。支持向量即在邊界|ωx+b|=1上的樣本，可以看到模型的最終結果僅與支持向量有關，這凸顯了SVM在處理小規(guī)模數(shù)據集機器學習任務時的優(yōu)越性。ωx+b=0即樣本完全分開的分類線，在將分類問題擴展到更高維度時，所尋求的分類線就會變?yōu)樽顑?yōu)超平面。

3" " 故障診斷流程

1）采集振動信號。

2）生成樣本集并提取特征向量。

3）劃分數(shù)據集并訓練模型：將特征樣本劃分為訓練集和測試集，使用訓練集來訓練支持向量機（SVM），得到故障分類模型。

4）故障診斷。

其整體流程圖如圖5所示。

4" " 實驗結果及分析

實驗在輸送皮帶狀態(tài)監(jiān)測與故障診斷實驗平臺上進行（圖6），采集測點如圖7所示。運行速度為2.5 m/s，采集齒輪箱中軸承正常、軸承外圈點蝕以及滾動體故障三種狀態(tài)的振動數(shù)據，共150組，原始波形如圖8所示，特征向量如表1～3所示。

從表1～3可知，EEMD分解后得到的特征向量參數(shù)在每種狀態(tài)下都表現(xiàn)出一致的特性，顯示出EEMD用于振動信號預處理及輸送皮帶齒輪箱故障診斷的有效性。這表明，使用EEMD方法提取的特征向量能夠穩(wěn)定地反映出軸承的運行狀態(tài)。

將提取到的特征向量導入SVM模型中進行故障診斷，故障診斷結果如圖9所示。

圖9中類別標簽1代表正常無故障，2代表軸承外圈點蝕故障，3代表滾動體故障，三類情況的診斷都符合實際情況。

5" " 結論

本文針對輸送皮帶機齒輪箱常見故障的特征提取使用了EEMD方法，并用SVM實現(xiàn)故障類別自動診斷。結果表明，基于EEMD和SVM的輸送皮帶機齒輪箱故障診斷可以檢測出輸送皮帶機齒輪箱的不同故障。

[參考文獻]

[1] 王恒迪，鄧四二，楊建璽，等.基于參數(shù)優(yōu)化變分模態(tài)分解的滾動軸承早期故障診斷[J].振動與沖擊，2020，39（23）：38-46.

[2] 韓笑樂，胡天中，余建波.基于自適應加權多尺度組合形態(tài)濾波的軸承故障特征提取研究[J].振動與沖擊，2020，39（1）：245-252.

[3] 包文杰，涂曉彤，李富才，等.參數(shù)化的短時傅里葉變換及齒輪箱故障診斷[J].振動、測試與診斷，2020，40（2）：272-277.

[4] 黃俊，潘宏俠，都衡.基于EMD近似熵和LSSVM的齒輪箱故障診斷研究[J].組合機床與自動化加工技術，2014（3）：111-113.

[5] 付大鵬，翟勇，于青民.基于EMD和支持向量機的滾動軸承故障診斷研究[J].機床與液壓，2017，45（11）：184-187.