基於自我調整EEMD和分層分形維數的風電機組行星齒輪箱故障檢測

上海電力學院電氣工程學院、上海高校高效電能應用工程研究中心、上海電力學院自動化工程學院的研究人員李東東、周文磊、鄭小霞、王浩， 在2017年第22期《電工技術學報》上撰文， 針對傳統平均經驗模態分解（EEMD）中添加白色雜訊參數需依據人工經驗設定的缺陷， 在研究引起模態混疊原因的基礎上提出一種自我調整EEMD方法。

該方法可以根據信號本身特性， 自我調整設定白色雜訊標準差以達到最優分解效果。 首先使用奇異值差分譜法對信號進行分解、重構， 然後利用提取得到的高頻衝擊分量和雜訊分量的複合分量對所需添加白色雜訊標準差大小進行自我調整整定，

最後通過自我調整EEMD將信號分解為一系列本征模態函數（IMF）。 分形維數對信號特徵評價性能良好， 所以用分形維數來識別不同類型振動信號是十分有效的。

本文提出分層分形維數方法， 可提高信號識別、分類效率和準確度。 使用該複合方法處理模擬信號、風電機組傳動系統實驗平臺信號均取得良好效果， 證明了本文所提方法的有效性。

行星齒輪箱是風電機組中的重要部件。 由於其本身結構複雜， 且經常處在複雜多變的運行工況下， 導致風電機組的行星齒輪箱是風電機組中故障率最高的部件之一， 且其故障引起停機時間最長。 所以對於該部件實現準確、及時的故障定位具有極大研究意義。

在眾多振動故障診斷方法中， 經驗模態分解（Ensemble ModeDecomposition, EMD）是其中的重要組成部分， 並在應用中取得了重大進展和良好的表現。

EMD是1998年N. E. Huang在美國宇航局與其他科研人員一起提出的一種全新的、創造性的信號時頻分析方法， 對於非線性、非平穩信號的分析的效果顯著[1]。 該方法被認為是近年來以Fourier變換為基礎的線性和穩態信號頻譜分析領域之外的一個重大突破。

EMD方法與FFT、小波分解完全不同， 其無須預先設定基函數， 整個分解過程是基於信號本身的極值分佈特性， 通過若干次篩選， 將信號分解為多個本征模態函數（Intrinsic ModeFunction， IMF）， 從而在分解過程中達到一定程度的自我調整性。

鑒於EMD的諸多優點，

所以一經提出就在很多工程領域得到了迅速的應用， 例如在地理資訊[2,3]、醫學[4]、電力系統檢測與故障診斷[5-8]以及機械故障檢測[9,10]等方面均由大量應用實例， 其中機械方面的應用最為廣泛， 而且成果顯著。

但當信號的極值點分佈不均勻時， EMD分解易導致“過沖”、“欠沖”現象， 進而造成模態混疊現象。 為了解決模態混疊問題， Wu Zhaohua等[11]於2009年提出了平均經驗模態分解（EnsembleEmpirical Mode Decomposition, EEMD）方法， 從解決極值點分佈問題出發， 通過在初始信號中添加高斯白色雜訊來使極值點分佈均勻化， 以達到減小模態混疊影響提高分解效果的目的。

但添加雜訊所需兩個重要參數即白色雜訊標準差和總體平均次數均需人為經驗選擇。 由於摻雜了人為經驗干預， 大大降低了該方法的自我調整性。

在此基礎上眾多研究人員提出了多種不同的關於參數整定的改進方法。

2011年陳略等[12]提出在EEMD中加入的高斯白色雜訊用於平滑低頻分量極值點分佈的同時， 不能改變原始信號高頻成分的極值點分佈， 然而該方法中添加的高斯白色雜訊參數嚴重依賴於EMD的分解效果， 當EMD分解得到的第一個IMF分量存在嚴重的模態混疊時將直接影響EEMD分解的準確性。

2014年雷亞國等[13]以有色雜訊替代高斯白色雜訊， 一定程度上改善了極值點分佈， 但該研究未確立高斯白色雜訊的添加準則。 2015年孔德同等[14]通過變態歷經， 以極值點分佈特性為評價參數。 一定程度上避免了人為選擇參數的盲目性， 但該方法中雜訊區間選擇仍需人為設定，

且前期預處理選擇參數處理時間較長。

由於添加白色雜訊標準差大小對於EEMD分解效果影響顯著， 當添加雜訊過小時， 達不到拉動高頻成分以解決模態混疊的效果；當添加雜訊過大時， 則會破壞低頻成分極值點分佈造成低頻成分出現模態混疊。 所以對於不同信號採用不同標準差的白色雜訊， 可以保證EEMD能達到最佳分解效果。

在此基礎上本文提出一種不需人為干預、通過提取信號特徵自動整定白色雜訊標準差的自我調整EEMD方法， 該方法極大程度地消除了人為因素干擾， 並提高了計算速度， 保證了分解精度。 使用本文所提自我調整EEMD對信號進行分解後， 求取每個IMF分量對應的分形維數， 形成信號的分形維數曲線。 最後，使用分層分形維數曲線對比，實現故障位置和嚴重程度的診斷與分析。

圖4 行星齒輪箱模擬實驗平臺

結論

EEMD是為了解決EMD的模態混疊問題提出的一種雜訊輔助的非線性、非平穩信號處理方法。但添加雜訊的參數設定過程具有盲目性，導致在處理不同信號時分解效果不能得到保證。本文通過奇異值差分譜法提取衝擊信號分量和雜訊信號分量的複合信號方法，然後利用提取得到的複合分量來整定雜訊幅值標準差，從而使改進的EEMD方法具有自我調整性，解決了參數設定的盲目性問題。

在此基礎上通過分層分形維數來進行故障的分類以達到故障的精確定位目的，並分別通過模擬信號及類比實驗平臺信號進行了實驗驗證，最終證明了該方法可以準確有效地定位故障位置和故障類型，是一種有效的風電機組行星齒輪箱故障處理方法。

最後，使用分層分形維數曲線對比，實現故障位置和嚴重程度的診斷與分析。

圖4 行星齒輪箱模擬實驗平臺

結論

EEMD是為了解決EMD的模態混疊問題提出的一種雜訊輔助的非線性、非平穩信號處理方法。但添加雜訊的參數設定過程具有盲目性，導致在處理不同信號時分解效果不能得到保證。本文通過奇異值差分譜法提取衝擊信號分量和雜訊信號分量的複合信號方法，然後利用提取得到的複合分量來整定雜訊幅值標準差，從而使改進的EEMD方法具有自我調整性，解決了參數設定的盲目性問題。

在此基礎上通過分層分形維數來進行故障的分類以達到故障的精確定位目的，並分別通過模擬信號及類比實驗平臺信號進行了實驗驗證，最終證明了該方法可以準確有效地定位故障位置和故障類型，是一種有效的風電機組行星齒輪箱故障處理方法。