基于GWO-VMD算法的齿轮故障自适应特征提取

目的 齿轮产生故障时，利用其声发射信号进行自适应特征提取后诊断。方法 利用变分模态分解方法（VMD）对齿轮发生故障时的声发射信号进行分解。在现实状况中，采集声发射原信号噪声干扰大，导致特征提取准确度低，并且模态分解时参数需要人为调试设定。鉴于此，引入灰狼优化算法（GWO），对模态分解个数k和二次惩罚因子α自适应选择最优参数后，对信号分解得到本征模态函数（IMF）。通过相关系数选出最佳IMF作为特征分量，计算其峭度和样本熵。结果 计算了各分量的相关系数，选取与原始信号最为相近的分量，分别计算其峭度和样本熵。分解后，齿轮故障声发射信号峭度高于正常的情况，而样本熵则偶然性表现为正常情况下的值大于故障条件下的值。结论 采用支持向量机对特征向量集进行分类识别，对比改进后的试验结果，GWO-VMD结合峭度–样本熵的方法能够有效地提取故障特征，判断齿轮状态是否健康。

Adaptive Feature Extraction of Gear Fault Based on GWO-VMD Algorithm