周旺平，王 蓉，许沈榕，宋晓莉

（1.南京信息工程大学自动化学院，江苏 南京 210044；2.中国科学院国家天文台南京天文光学技术研究所，江苏 南京 210042）

1 引言

齿轮作为机械配置中基础的传动元件，在工业设备中具有普遍应用[1]。检测齿轮运行状态，识别齿轮故障类型，对故障齿轮进行及时更换或修复，可以预防事故突发情况，降低设备维修成本。

当齿轮出现点蚀、裂纹、剥落、磨损等情况时，其振动信号表现出非线性、非平稳性等特征[2]。针对此类信号，传统的时域分析或频域分析很难准确提取到齿轮的故障频率。文献[3]利用经验模态分解（EMD）将振动信号分解成有限个平稳的固有模态函数，分离出噪声和背景信号，验证了EMD 可以提取齿轮故障特征；文献[4]针对EMD 抗模态混叠效果差，提出EEMD 和Teager-Huang 变换结合的齿轮故障诊断方法；文献[5]提出一种新的自适应信号分解方法—变分模态分解，将信号以非递归、变分模态方式进行分解，具备一定的理论基础；文献[6]将VMD 应用到齿轮状态监测中，结论证明该方法对于故障特征提取具有较高的识别度；文献[7]对比分析了EEMD 与VMD 的分解结果，VMD 可以分离频率相近的谐波，具有较好的鲁棒性，避免模态混叠现象。

目前，应用于齿轮箱故障识别的人工智能算法主要为支持向量机。SVM 在处理小样本、非线性等问题展现出良好的效果，多应用于故障诊断领域[8]，但SVM 的参数寻优难，针对多分类问题时，学习能力弱，准确率低[9]。齿轮不同状态下对应的特征值往往具有多样性，导致同一种特征值在不同状态下的诊断效果不是最优，为此需要提取多种特征。……