基于改進的CEEMDAN排列熵和GWO-SVM的滾動軸承故障診斷*

顧云青，蘇玉香,2，沈曉群，羅健鋒，王 婷

(1.浙江海洋大學海洋工程裝備學院，舟山 316022；2.西南交通大學電氣工程學院，成都 611756)

0 引言

旋轉機械設備在長期工作下會有不同程度的損壞，軸承作為最基本的零部件之一，往往容易在運行過程中出現損壞程度各不相同的故障，如滾動球磨損、軸承主體出現裂紋等，發生嚴重故障很可能會導致機械設備失靈甚至發生人身意外。如何更加快速、準確檢測到故障的存在以及類型成為了近些年來研究的主要內容[1]。

傳統的關于非線性非平穩的信號分解和特征提取的故障診斷方法需要具有專業知識和技術的專業人員執行和完成，過度依賴于人的經驗判斷，不僅可能延誤故障修復時間，甚至可能造成嚴重事故和人員傷亡[2]。常用的有經驗模態分解法(empirical mode decomposition,EMD)，但是EMD算法過于簡單，計算效率低，分解信號時信號分量有相互重疊的地方，分解結果不穩定。為了克服EMD模態分解方法的缺點，LIU、李昌林等[3-4]提出了一種集合經驗模態分解(ensemble empirical mode decomposition,EEMD)的方法,不同于EMD，EEMD加入了高斯白噪聲改變信號的極值特性，但EEMD分解產生的IMF會模態重合，造成IMF分量不精確，不能完美重構出目標信號，而且選取的IMF依靠經驗來確定。TORRES等[5]提出了一種自適應噪聲集合經驗模態分解(complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)，其原理是在分解過程添加了自適應白噪聲[2]，分解后重構信號與原信號相差無幾，然而剩余的噪聲和假分量仍然存在于由CEEMDAN處理的分量中。COLOMINAS、鄭佳昕等[6-9]對CEEMDAN進行了改進，研究出了ICEEMDAN算法。ICEEMDAN分解方法在一定的程度上大幅改善了IMF分量的殘余噪聲問題[10]?！?br>