0 引言

    岸橋常作業于高速、重載、大沖擊的工作環境中，其起升減速箱由于傳動力矩大，且長時間受到強烈動載的振動沖擊，是岸橋中最容易出現故障的部件之一^[1]。因此，診斷監測岸橋減速箱的狀態變得尤其重要。本質上,對減速箱進行故障診斷是一種模式識別問題，為了更準確地識別減速箱的狀態，需要對減速箱振動信號進行有效的特征提取和更準確的分類。

    起升減速箱振動信號為非平穩、非線性、非周期信號，傳統的時域、頻域以及時頻域方法缺乏對非平穩和非線性信號的多分辨率分析和自適應處理能力^[2]。HUANG N E等^[3]提出的經驗模態分解(Empirical Mode Decomposition，EMD)由于其良好的自適應分解特性在處理非線性和非平穩信號時具有很大的優勢。然而，EMD分解會產生模態混疊現象。WU Z等^[4]通過改進EMD分解方法得到一種新的EEMD分解法，能夠有效解決該問題。王玉靜等^[5]通過EEMD分解得到滾動軸承振動信號的固有模態函數，并結合峭度值、相關系數提取信號的初始特征，能夠很好地提取故障特征信息；魏文軍等^[6]采用EEMD多尺度樣本熵提取特征對S700K轉轍機進行故障診斷，通過EEMD分解提取轉轍機不同狀態下的特征參數并進行聚類分析，驗證了該方法對故障診斷的精度和效率有明顯的提高。

    通過EEMD分解提取到的減速箱故障特征維數較高，會導致故障診斷效率降低，故選取PCA法對故障特征降維。PCA能較好融合減速箱的多個典型故障特征，將高維故障特征集映射到低維空間中，減少特征參數信息冗余^[7]。故障特征參數的提取和選擇是機器診斷的關鍵，而狀態識別則是診斷的核心。FCM算法作為一種無監督學習算法，可以根據特征參數樣本的相似性進行分類，使處于同一類的相似度最大，并保證不同類間的差異性較大^[8]。王印松等^[9]將FCM應用在控制系統的故障診斷中，不僅可以較好地識別不同部件的故障，還可以對同一部件不同類型的故障進行診斷。樊紅衛等^[10]針對電主軸轉子不平衡故障，提出一種對稱極坐標圖像和FCM相結合的失衡故障診斷方法，結果顯示具有較高的分類準確率。

    本文結合EEMD分解和PCA-FCM聚類算法對岸橋減速箱進行故障診斷。首先，將減速箱振動信號進行EEMD分解并提取故障特征，然后利用PCA對高維特征參數進行約簡，最后使用FCM算法對減速箱的狀態進行聚類，并通過實驗分析驗證了該方法的有效性。

本文詳細內容請下載:http://www.cowatch.cn/resource/share/2000003485

作者信息:

顧能華1，侯銀銀2，韓雪龍1

(1.衢州學院 電氣與信息工程學院，浙江 衢州324000；

2.國網浙江省電力有限公司衢州供電公司，浙江 衢州324000)