自适应局部迭代滤波结合样本熵与灰色关联度的齿轮故障识别

这篇论文主要探讨了在齿轮故障识别中应用自适应局部迭代滤波(Adaptive Local Iterative Filtering, ALIF)技术，并结合样本熵(Sample Entropy, SampEn)和灰色关联度(Grey Correlation Degree)的方法。针对齿轮实测信号常常受到噪声干扰，导致难以准确提取故障特征的问题，作者提出了一种新的识别策略。 首先，ALIF方法用于对齿轮非平稳信号进行分解，将其转化为有限个稳定的本质模态函数(IMF)。这些IMF能够揭示信号的基础动态特性。通过计算每个IMF的样本熵，可以发现与齿轮转频信号相对应的IMF具有独特的样本熵特征，这为区分不同故障类型提供了依据。论文中指出，前几个IMF的样本熵能有效表征齿轮的不同故障状态。 接下来，作者通过计算正常、轻度磨损、中度磨损和断齿四种工况下多个训练样本的样本熵平均值，建立了各工况的标准故障模式。当分析新的检测样本时，会计算其样本熵与标准故障模式间的灰色关联度。关联度最高的标准故障模式即被认定为新样本的故障类型。这种方法优于传统的BP神经网络，因为它在分类识别性能上表现出更好的效果。 实验结果证实，ALIF能够有效地抑制模态混叠现象，清晰地揭示齿轮的转频信号，而EEMD（集合经验模式分解）方法在信号分解中则可能出现模态混叠，无法明显识别出齿轮转频分量。此外，四种工况下的样本熵曲线形状差异显著，这进一步证明了样本熵是表征齿轮故障特征变化的有效指标。 灰色关联度分析显示，该方法对于区分不同故障类型的识别能力强大，能够准确地将四种故障状态分类。因此，结合ALIF、SampEn和灰色关联度的故障识别方法为实际工业应用提供了一个有效的解决方案，有助于提升齿轮故障诊断的准确性和可靠性。 此研究不仅对齿轮故障识别有重要意义，同时也为其他机械设备的健康监测和故障诊断提供了新的思路和技术支持，特别是在煤炭行业和其他重工业领域，设备故障的早期发现和准确识别对于安全生产至关重要。结合5G通信、人工智能以及大数据等先进技术，未来可以预见在智慧矿山建设中，这样的故障识别方法将发挥更大的作用。