电力与电子技术Power&ElectronicalTechnology电子技术与软件工程ElectronicTechnology&SoftwareEngineering144齿轮是旋转机械中广泛应用的一种机械部件，其运行状态对机械影响很大，在齿轮箱各类故障中，齿轮故障占到了60%[1]，因此对齿轮故障诊断具有重大意义。声发射检测是一种新型的无损检测方法，常用于故障诊断领域，且对故障较为敏感。在检测过程中，机械运转以及周围噪声会对声发射信号造成干扰，导致特征提取结果不准确，影响后续故障诊断。针对声发射非线性、非平稳性的特点，常使用经验模态分解对信号进行特征提取，但在信号分解过程中常发生模态混叠现象，因此学者对传统算法进行改进。高[2]等应用局部均值(Localmeandecomposition,LMD)对行星齿轮箱故障信号进行分解，可以有效提取故障信息；曹[3]等为解决端点效应对分解效果的影响，运用集合经验模态(Ensembleempiricalmodedecomposition,EEMD)对正常和失效滚动轴承信号进行分解，得到了滚动轴承的准确故障信息；蒋[4]等提出在分解的各阶段添加自适应高斯噪声优化EEMD，提出自适应噪声完备经验模态(Completeensembleempiricalmodedecompositionwithadaptivenoise,CEEMDAN)对3种不同程度螺旋锥齿轮断齿故障信号进行分解，并计算各个分量的排列熵，验证了CEEMDAN算法的可行性。针对经验模态分解出现模态混叠现象导致特征提取不准确的问题，本文提出应用TVF-EMD对齿轮故障的声发射信号进行分解，通过仿真实验验证了该算法的鲁棒性，可以分离出信号中的高频噪声，提取出主要的故障信息。1EMD经验模态分解[5]是Nordene.Huang博士在1998年提出的一种处理非平稳信号的方法，常用于故障诊断方面。该方法就是将复杂的非平稳信号分解为有限个本征函数(Intrinsicmodefunction,IMF)，其分解过程为：（1）计算原始信号x(t)的极值点，组词拟合极大极小值，分别形成上下包络线，以此覆盖原始信号。（2）计算上下包络线的均值m1，得到新的信号序列h1，即h1=x(t)-m1（1）（3）判断h1是否满足IMF条件，如果满足则记h1=c1，c1则为第一个IMF分量。反之重复上一步，直到满足IMF条件为止。（4）去掉原始信号中的c1，剩下记为r1，将r1作为原始信号，重复上述步骤n次，得到c1、c2、...、ck，直到rn为一个单调函数。最终原始信号x(t)可以表示为：（2）最终可以得到若干IMF和一个残差，每个IMF分量表示信号的不同特征。EMD分解常出现模态混叠，其形成的主要原因：无法区分频率在一个倍频内的两个分量，且容易受到...
