第20卷第2期装备环境工程2023年2月EQUIPMENTENVIRONMENTALENGINEERING·117·收稿日期：2022–03–12；修订日期：2022–03–31Received：2022-03-12；Revised：2022-03-31作者简介：崔乐晗（1996—），女，硕士研究生，主要研究方向为设备故障诊断及监测。Biography：CUILe-han(1996-),Female,Postgraduate,Researchfocus:equipmentfaultdiagnosisandmonitoring.通讯作者：于洋（1967—），女，博士，教授，主要研究方向为机械设备故障健康监测与故障诊断技术。Correspondingauthor：YUYang(1967-),Female,Doctor,Professor,Researchfocus:healthmonitoringandfaultdiagnosistechnologyofmechanicalandequipmentfaults.引文格式：崔乐晗,于洋.基于GWO-VMD算法的齿轮故障自适应特征提取[J].装备环境工程,2023,20(2):117-124.CUILe-han,YUYang.AdaptiveFeatureExtractionofGearFaultBasedonGWO-VMDAlgorithm[J].EquipmentEnvironmentalEngineering,2023,20(2):117-124.基于GWO-VMD算法的齿轮故障自适应特征提取崔乐晗，于洋（沈阳工业大学，沈阳110870）摘要：目的齿轮产生故障时，利用其声发射信号进行自适应特征提取后诊断。方法利用变分模态分解方法（VMD）对齿轮发生故障时的声发射信号进行分解。在现实状况中，采集声发射原信号噪声干扰大，导致特征提取准确度低，并且模态分解时参数需要人为调试设定。鉴于此，引入灰狼优化算法（GWO），对模态分解个数k和二次惩罚因子α自适应选择最优参数后，对信号分解得到本征模态函数（IMF）。通过相关系数选出最佳IMF作为特征分量，计算其峭度和样本熵。结果计算了各分量的相关系数，选取与原始信号最为相近的分量，分别计算其峭度和样本熵。分解后，齿轮故障声发射信号峭度高于正常的情况，而样本熵则偶然性表现为正常情况下的值大于故障条件下的值。结论采用支持向量机对特征向量集进行分类识别，对比改进后的试验结果，GWO-VMD结合峭度–样本熵的方法能够有效地提取故障特征，判断齿轮状态是否健康。关键词：齿轮；声发射信号；变分模态分析；灰狼优化；峭度；样本熵；支持向量机中图分类号：TH165+.3文献标识码：A文章编号：1672-9242(2023)02-0117-08DOI：10.7643/issn.1672-9242.2023.02.016AdaptiveFeatureExtractionofGearFaultBasedonGWO-VMDAlgorithmCUILe-han,YUYang(ShenyangUniversityofTechnology,Shenyang110870,China)ABSTRACT:Theworkaimstomakeuseoftheacousticemissionsignalwhenfaul...
