基于CEEMDAN排列熵与SVM的螺旋锥齿轮故障识别

针对轮齿振动信号识别诊断困难的问题,提出以自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,简称CEEMDAN)排列熵为敏感特征量,通过支持向量机(support vector machine,简称SVM)进行模式识别,实现螺旋锥齿轮故障辨识的方法。首先,将振动信号进行CEEMDAN,得到一系列从高频到低频的内禀模态函数(intrinsic mode function,简称IMF),利用相关系数计算各IMF分量与原始信号的相关程度,结合信噪比的大小进行含主要故障信息的IMF分量优选;其次,采用重叠组合法对排列熵计算过程中的关键参数——嵌入维数和时延进行优选;最后,以优选IMF的排列熵值组成特征向量,训练多分类SVM进行螺旋锥齿轮故障辨识。将该方法用于3种不同程度螺旋锥齿轮断齿故障的诊断识别,并与基于集总经验模态分解排列熵、经验模态分解排列熵方法进行比较,结果表明,基于CEEMDAN排列熵的故障诊断方法可以更加准确地识别螺旋锥齿轮的故障类型。