風(fēng)電機組行星齒輪箱故障診斷

　　行星齒輪箱的振動信號具有非線性、非平穩(wěn)性等特點，傳統(tǒng)的FFT和小波分析法對于此類信號處理能力有限，很難達到實際應(yīng)用的精度。針對非線性、非平穩(wěn)信號特性提出的時頻分析法也均具有各自的局限性，如經(jīng)驗?zāi)B(tài)分解（Empirical Mode　Decomposition， EMD）是自適應(yīng)的時頻分析方法，對于非線性、非平穩(wěn)信號處理能力突出，但端點效應(yīng)和模態(tài)混疊現(xiàn)象問題的出現(xiàn)影響了該方法的分解能力，使固有模態(tài)分量失去其原有物理意義；局部均值分解（Local Mean Decomposition， LMD）在一定程度上解決了EMD分解過程中出現(xiàn)的端點效應(yīng)問題，但仍未能解決模態(tài)混疊現(xiàn)象。眾多關(guān)于機械方面的研究均表明，機械系統(tǒng)振動信號具有明顯的分形特性，所以利用分形方法可以準(zhǔn)確地對振動信號特征進行提取。很多研究人員對于單重分形做出了相關(guān)研究。但單重分形是從單一測度來衡量信號特征，無法全面地體現(xiàn)信號特征。而多重分形不僅從整體上對振動信號的特征進行了全面描述，并且可以對信號局部特征進行更細(xì)致的刻畫。

　　本文將多重分形譜法引入到行星齒輪箱故障診斷中，首先利用小波包對信號進行降噪處理，最大程度地減小嗓聲對特征提取的影響；然后求取降噪后信號的多重分形譜，并在多重分形譜中提取相關(guān)特征量；由于支持向量機（SVM）能夠較好地以較少的樣本數(shù)解決非線性特征的分類問題，所以最后將多重分形譜中提取得到的特征量輸入到支持向量機中，通過支持向量機對振動信號進行分類及相應(yīng)的故障診斷。