基于ANCEEMD样本熵特征提取的行星齿轮箱智能故障诊断

以行星齿轮箱为研究对象，针对经验模态分解（EMD）存在模态混叠、易出现端点效应等缺陷，导致难以很好地解决行星齿轮箱振动信号耦合及非线性特征的提取问题。本文以自适应噪声完备总体经验模态分解（ANCEEMD）为信号处理方法，引入样本熵进行特征提取，应用群智能融合算法优化的神经网络模型对行星齿轮箱故障进行识别和诊断。对于混合蛙跳算法（SFLA）与粒子群优化算法（PSO），实施“两层优化和内外循环”的融合机制，提出SFLA-PSO融合算法。开展了行星齿轮模拟故障实验，采集了行星齿轮箱的多种故障的振动信号，进行了样本熵特征提取，应用SFLA-PSO融合算法优化了BP神经网络模型，对行星齿轮箱故障进行识别诊断。结果表明：基于ANCEEMD样本熵特征提取的SFLA-PSO-BP诊断模型较PSO-BP和BP在行星齿轮箱故障诊断中的准确率分别提高了5%、15%。