0 引言

    岸橋常作業(yè)于高速、重載、大沖擊的工作環(huán)境中，其起升減速箱由于傳動力矩大，且長時間受到強(qiáng)烈動載的振動沖擊，是岸橋中最容易出現(xiàn)故障的部件之一^[1]。因此，診斷監(jiān)測岸橋減速箱的狀態(tài)變得尤其重要。本質(zhì)上,對減速箱進(jìn)行故障診斷是一種模式識別問題，為了更準(zhǔn)確地識別減速箱的狀態(tài)，需要對減速箱振動信號進(jìn)行有效的特征提取和更準(zhǔn)確的分類。

    起升減速箱振動信號為非平穩(wěn)、非線性、非周期信號，傳統(tǒng)的時域、頻域以及時頻域方法缺乏對非平穩(wěn)和非線性信號的多分辨率分析和自適應(yīng)處理能力^[2]。HUANG N E等^[3]提出的經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)由于其良好的自適應(yīng)分解特性在處理非線性和非平穩(wěn)信號時具有很大的優(yōu)勢。然而，EMD分解會產(chǎn)生模態(tài)混疊現(xiàn)象。WU Z等^[4]通過改進(jìn)EMD分解方法得到一種新的EEMD分解法，能夠有效解決該問題。王玉靜等^[5]通過EEMD分解得到滾動軸承振動信號的固有模態(tài)函數(shù)，并結(jié)合峭度值、相關(guān)系數(shù)提取信號的初始特征，能夠很好地提取故障特征信息；魏文軍等^[6]采用EEMD多尺度樣本熵提取特征對S700K轉(zhuǎn)轍機(jī)進(jìn)行故障診斷，通過EEMD分解提取轉(zhuǎn)轍機(jī)不同狀態(tài)下的特征參數(shù)并進(jìn)行聚類分析，驗證了該方法對故障診斷的精度和效率有明顯的提高。

    通過EEMD分解提取到的減速箱故障特征維數(shù)較高，會導(dǎo)致故障診斷效率降低，故選取PCA法對故障特征降維。PCA能較好融合減速箱的多個典型故障特征，將高維故障特征集映射到低維空間中，減少特征參數(shù)信息冗余^[7]。故障特征參數(shù)的提取和選擇是機(jī)器診斷的關(guān)鍵，而狀態(tài)識別則是診斷的核心。FCM算法作為一種無監(jiān)督學(xué)習(xí)算法，可以根據(jù)特征參數(shù)樣本的相似性進(jìn)行分類，使處于同一類的相似度最大，并保證不同類間的差異性較大^[8]。王印松等^[9]將FCM應(yīng)用在控制系統(tǒng)的故障診斷中，不僅可以較好地識別不同部件的故障，還可以對同一部件不同類型的故障進(jìn)行診斷。樊紅衛(wèi)等^[10]針對電主軸轉(zhuǎn)子不平衡故障，提出一種對稱極坐標(biāo)圖像和FCM相結(jié)合的失衡故障診斷方法，結(jié)果顯示具有較高的分類準(zhǔn)確率。

    本文結(jié)合EEMD分解和PCA-FCM聚類算法對岸橋減速箱進(jìn)行故障診斷。首先，將減速箱振動信號進(jìn)行EEMD分解并提取故障特征，然后利用PCA對高維特征參數(shù)進(jìn)行約簡，最后使用FCM算法對減速箱的狀態(tài)進(jìn)行聚類，并通過實驗分析驗證了該方法的有效性。

本文詳細(xì)內(nèi)容請下載:http://m.jysgc.com/resource/share/2000003485

作者信息:

顧能華1，侯銀銀2，韓雪龍1

(1.衢州學(xué)院 電氣與信息工程學(xué)院，浙江 衢州324000；

2.國網(wǎng)浙江省電力有限公司衢州供電公司，浙江 衢州324000)