基于EEMD和SVM的输送皮带齿轮箱故障诊断研究

摘要：目前火电厂的输送皮带齿轮箱故障监测主要依靠人工巡检，不仅工作强度大而且环境恶劣。为解决这一问题，提出一种基于集合经验模态分解（EEMD）和支持向量机（SVM）的输送皮带齿轮箱故障诊断方法。该方法首先对采集的振动信号进行EEMD滤波，将信号分解为若干本征模态函数（IMF）分量，然后分别计算各IMF分量的能量值，形成特征向量，再基于SVM进行故障识别。实验结果表明，该方法能够有效实现输送皮带齿轮箱故障振动特征的提取，并对特定故障类型进行精确诊断。

关键词：输送皮带机;齿轮箱故障;特征提取;EEMD;SVM

中图分类号：TH132.41" " 文献标志码：A" " 文章编号：1671-0797（2024）24-0074-05

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

0" " 引言

输送皮带机广泛应用于火电厂燃煤输送系统中，但在运行期间经常会出现各种故障，例如声音异常和振动增强，这些通常是由齿轮箱故障引起的，因此监测和诊断输送皮带机的齿轮箱故障变得尤为重要，有助于提升巡检效率。

文献[1]研究了变分模态分解（Variational Mode Decomposition，VMD）和多尺度形态滤波方法，通过提取信号的本征模态函数（Intrinsic Mode Function，IMF）将故障信号从复杂的背景噪声中分离出来。此外，短时傅里叶变换的快速路径优化方法虽然改进了时间窗限制，提高了时频分辨率，但仍受到其固有的线性时频分析限制[2-3]。同样，经验模态分解（Empirical Mode Decomposition，EMD）虽然时频分辨率得到改善，但仍然存在模态混叠和端点效应的问题[4]。这些方法主要针对齿轮箱的周期性冲击信号进行分析，但现实生产环境中的振动信号往往还会受到强烈的背景噪声和非周期性瞬态冲击的干扰。

针对以上问题，本文提出了集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）与支持向量机（Support Vector Machine，SVM）相结合的皮带机齿轮箱故障诊断新方法。

1" " 集合经验模态分解（EEMD）

EEMD将一定量的白噪声加入到信号中，并通过对每一次分解结果取平均值来对信号进行重复的EMD分解，从而生成最终的IMF[5]。

EEMD的操作步骤如下：

1）设定EMD分解的总次数m和白噪声强度系数k，开始第一轮分解。

2）在每一轮分解中，生成一组白噪声，用于执行EMD分解，生成IMF的一系列白噪声，并加入原始信号。

3）直到达到预先设定好的分解轮数，继续重复上述步骤。

4）计算所有同一IMF的分解结果的平均值，以获得最终的IMF。

为验证EEMD提取输送皮带齿轮箱振动信号的本征模态函数（IMF）分量的能力，选取了齿轮箱正常运行时的振动数据进行预处理。振动信号时域图如图1所示。

对该信号进行EEMD分解，m取值100，k取值0.3。分解后的结果如图2所示。

EEMD分解后，从信号中成功提取了17个本征模态函数（IMF）。为了量化每个IMF对信号总能量的贡献，采用以下两个公式进行计算：

每个IMF的能量计算公式：

式中：Ei、xi、Δt分别表示第i个IMF的能量、幅值和时间。

每个IMF能量与原信号能量之比ηi的计算公式：

式中：E总为原始信号总能量。

计算结果显示，所生成的IMF分量与原始信号的能量比如图3所示。

分解结果显示，信号的主要能量集中在前8个IMF中。具体地，通过计算每个IMF的能量，并将其与原始信号的总能量进行比较，发现前8个IMF的能量之和占到了总能量的98.4%。这意味着这些IMF捕捉到了信号的主要特性和动态变化，因此在进行故障分析和特征提取时，需要重点关注这些分量。

特征向量的提取过程概述如下：

1）对齿轮箱的振动信号执行EEMD分解，获得前8个关键的IMF分量。

2）对这8个关键IMF分量进行能量分析，通过式（1）计算每个IMF分量的能量值。

3）计算所有选取的IMF分量的平均能量：

2" " 支持向量机

支持向量机（SVM）是一种先进的统计学习框架，在实际应用中，对于难以获取大量样本的领域，SVM凭借其对小样本的高效处理能力和强大的泛化性能，成为一种非常适合的选择。

如图4所示，以二维空间为例，图中的正方形和圆形代表两种样本，它们来自于一个样本集合。支持向量即在边界|ωx+b|=1上的样本，可以看到模型的最终结果仅与支持向量有关，这凸显了SVM在处理小规模数据集机器学习任务时的优越性。ωx+b=0即样本完全分开的分类线，在将分类问题扩展到更高维度时，所寻求的分类线就会变为最优超平面。

3" " 故障诊断流程

1）采集振动信号。

2）生成样本集并提取特征向量。

3）划分数据集并训练模型：将特征样本划分为训练集和测试集，使用训练集来训练支持向量机（SVM），得到故障分类模型。

4）故障诊断。

其整体流程图如图5所示。

4" " 实验结果及分析

实验在输送皮带状态监测与故障诊断实验平台上进行（图6），采集测点如图7所示。运行速度为2.5 m/s，采集齿轮箱中轴承正常、轴承外圈点蚀以及滚动体故障三种状态的振动数据，共150组，原始波形如图8所示，特征向量如表1～3所示。

从表1～3可知，EEMD分解后得到的特征向量参数在每种状态下都表现出一致的特性，显示出EEMD用于振动信号预处理及输送皮带齿轮箱故障诊断的有效性。这表明，使用EEMD方法提取的特征向量能够稳定地反映出轴承的运行状态。

将提取到的特征向量导入SVM模型中进行故障诊断，故障诊断结果如图9所示。

图9中类别标签1代表正常无故障，2代表轴承外圈点蚀故障，3代表滚动体故障，三类情况的诊断都符合实际情况。

5" " 结论

本文针对输送皮带机齿轮箱常见故障的特征提取使用了EEMD方法，并用SVM实现故障类别自动诊断。结果表明，基于EEMD和SVM的输送皮带机齿轮箱故障诊断可以检测出输送皮带机齿轮箱的不同故障。

[参考文献]

[1] 王恒迪，邓四二，杨建玺，等.基于参数优化变分模态分解的滚动轴承早期故障诊断[J].振动与冲击，2020，39（23）：38-46.

[2] 韩笑乐，胡天中，余建波.基于自适应加权多尺度组合形态滤波的轴承故障特征提取研究[J].振动与冲击，2020，39（1）：245-252.

[3] 包文杰，涂晓彤，李富才，等.参数化的短时傅里叶变换及齿轮箱故障诊断[J].振动、测试与诊断，2020，40（2）：272-277.

[4] 黄俊，潘宏侠，都衡.基于EMD近似熵和LSSVM的齿轮箱故障诊断研究[J].组合机床与自动化加工技术，2014（3）：111-113.

[5] 付大鹏，翟勇，于青民.基于EMD和支持向量机的滚动轴承故障诊断研究[J].机床与液压，2017，45（11）：184-187.