第４期(总第２３９期)２０２３年８月机械工程与自动化MECHANICALENGINEERING&AUTOMATIONNo．４Aug．文章编号:１６７２Ｇ６４１３(２０２３)０４Ｇ０１２６Ｇ０３EEMD分解的模糊熵tＧSNE的齿轮故障诊断宋紫微,熊芸薇,胡振宇,刘飞扬,陈汉新(武汉工程大学机电工程学院,湖北武汉４３０２０５)摘要:针对齿轮容易出现故障的问题,提出了一种通过求集合经验模态分解(EEMD)分量的模糊熵,然后再通过t分布的随机邻域嵌入算法(tＧSNE)降维,最后将降维后的矩阵输入神经网络进行分类的齿轮故障诊断方法.利用该方法,对正常和具有三种不同裂纹程度的齿轮进行故障诊断和分类,并将分类结果与通过PCA降维的分类结果进行比较.结果表明:通过tＧSNE降维的分类准确率达到了１００％,说明提出的方法具有较好的故障诊断和分类效果.关键词:EEMD;模糊熵;tＧSNE;故障诊断;齿轮中图分类号:TH１３２４１∶TH１６５＋３文献标识码:A收稿日期:２０２２Ｇ１２Ｇ１７;修订日期:２０２３Ｇ０５Ｇ１０作者简介:宋紫微(１９９８Ｇ),女,湖北襄阳人,在读硕士研究生,研究方向:故障诊断及无损检测.０引言在机械传动领域,齿轮是否正常运转直接影响整个生产进度和经济效益[１].齿轮在变载荷的循环作用下非常容易产生裂纹,如果不能及时发现裂纹,裂纹会向根部延展,最终会导致断齿,使得机械运转出现重大问题.因此,需要对齿轮做定期检测,降低成本以及预防发生重大事故.智能诊断是齿轮故障诊断的一个智能研究领域,关键在于对信号的特征寻找.传统的信号分析方法缺乏自适应处理的能力,Wu等提出了集合经验模态分解(EnsembleEmpiricalModeDecomposition,EEMD)算法,优化了经验模态分解存在的模态混叠及相邻波形相互影响的问题.２００８年VanDerMaaten等[２]提出了t分布的随机邻域嵌入(tＧDistributedStochasticNeighborEmbedding,tＧSNE)算法,适用于非线性信号的分析.文献[３]将tＧSNE技术用于人类遗传数据中,在数据分析时具有很好的使用效果.本文以齿轮为研究对象,提出了通过EEMD分解,再求各分量的模糊熵(FuzzyEn,FE),得到特征矩阵;然后通过tＧSNE技术进行降维可视化,将降维后的特征矩阵输入到BP(BackPropagation)神经网络模型中进行分类,从而得到较好的分类效果.１算法原理１．１EEMD和FE算法原理EEMD具有分解复杂时间序列的特点,它可以分解出不同频率的分量,生成相对稳定的子序列,增加了数据的稳定性.EEMD将信号分解为若干个平稳单一模态的本征模态分量(IntrinsicModeFunction,IMF)和一个余相,具体...
