基于差分進(jìn)化變分模態(tài)分解的直升機(jī)行星輪系故障監(jiān)測(cè)

孫燦飛，彭德潤(rùn)

（1.上海工程技術(shù)大學(xué)航空運(yùn)輸學(xué)院，上海 201620；2.航空工業(yè)上海航空測(cè)控技術(shù)研究所測(cè)控技術(shù)產(chǎn)品部，上海 201601）

近年來(lái)，航空裝備故障診斷技術(shù)發(fā)展迅猛，在飛機(jī)和發(fā)動(dòng)機(jī)的健康管理系統(tǒng)中得到廣泛應(yīng)用。相比其他故障，早期故障引起的振動(dòng)信號(hào)幅度較小，容易淹沒(méi)在正常的振動(dòng)信號(hào)背景中，尤其對(duì)于行星輪系復(fù)雜的信號(hào)形態(tài)，微弱的故障信號(hào)更加難以捕捉。因此，早期故障更容易被忽略，而一旦故障持續(xù)發(fā)展將導(dǎo)致后期嚴(yán)重的飛行安全事故。2016 年，挪威一架H225“超級(jí)美洲豹”直升機(jī)墜毀，就是因?yàn)榻Y(jié)構(gòu)疲勞造成的行星輪系早期裂紋沒(méi)有及時(shí)得到預(yù)警，最終造成災(zāi)難性的事故。因此，開(kāi)展直升機(jī)行星輪系故障監(jiān)測(cè)方法的研究具有重要的意義［1］。

直升機(jī)主減速器內(nèi)部復(fù)雜的齒輪傳動(dòng)形式和行星輪系自身獨(dú)特的齒輪結(jié)構(gòu)造成傳感器測(cè)量到的振動(dòng)信號(hào)呈現(xiàn)出非常復(fù)雜的信號(hào)形態(tài)［2］。首先，行星輪系所在的主減速器內(nèi)各齒輪部件內(nèi)部結(jié)構(gòu)緊湊，各齒輪部件旋轉(zhuǎn)頻率和諧頻及故障特征頻率等多頻率成分組合在嚙合頻率和諧頻附近，形成復(fù)雜邊帶信號(hào)，且多階諧波出現(xiàn)頻譜交織，使信號(hào)更加復(fù)雜。其次，行星輪系本身的振動(dòng)信號(hào)成分復(fù)雜，包括出現(xiàn)在行星齒輪運(yùn)行過(guò)程中的特征頻率成分、出現(xiàn)在嚙合頻率和諧頻附近的成組邊帶成分、經(jīng)多界面耦合傳播而來(lái)的支承軸承和其他定軸齒輪等旋轉(zhuǎn)部件的特征頻率成分等。再次，行星輪系故障，尤其是早期故障引起的微弱振動(dòng)信號(hào)經(jīng)傳感器復(fù)雜傳輸路徑衰減后，信號(hào)被進(jìn)一步削弱，且大傳動(dòng)比決定了齒輪故障信號(hào)的特征頻率極低，加之低速重載的復(fù)雜運(yùn)行條件使得低頻振動(dòng)成分的噪聲污染非常嚴(yán)重。因此，如何從具有復(fù)雜信號(hào)背景的直升機(jī)行星輪系振動(dòng)信號(hào)中削弱甚至消除非故障敏感信號(hào)分量的干擾，增強(qiáng)故障敏感信號(hào)分量并進(jìn)行有效提取是直升機(jī)行星輪系故障監(jiān)測(cè)研究的熱點(diǎn)和難點(diǎn)。

根據(jù)行星齒輪箱振動(dòng)信號(hào)理論模型與頻譜特性，齒輪故障會(huì)引起嚙合頻率及其諧頻附近的邊帶頻譜變化［3］，提取邊帶信號(hào)中含有故障齒輪特征頻率的信息進(jìn)行故障識(shí)別，可解決復(fù)雜信號(hào)背景造成的故障頻率特征提取難題，提高診斷準(zhǔn)確率［4］。因此采用模態(tài)分解與聯(lián)合解調(diào)的方法得到了廣泛關(guān)注。

Zhao等［5］應(yīng)用經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）方法分解行星齒輪箱的振動(dòng)信號(hào)，并從中遴選敏感分量提取故障特征進(jìn)行故障診斷。由于EMD方法易產(chǎn)生模態(tài)混疊、過(guò)包絡(luò)、欠包絡(luò)等問(wèn)題，Smith等［6］提出了局部均值分解方法，但其抗干擾能力差，算法不易收斂。Frei 等［7］提出了本征時(shí)間尺度分解方法，消除了邊緣效應(yīng)和負(fù)頻率等的影響，瞬時(shí)頻率的計(jì)算精度較高，適用于非平穩(wěn)非線(xiàn)性信號(hào)，但仍然存在信號(hào)失真等問(wèn)題。李志農(nóng)等［8］應(yīng)用經(jīng)驗(yàn)小波分解方法有效識(shí)別了轉(zhuǎn)子碰摩故障，該方法解決了模態(tài)混疊等難題，但需要指定頻帶數(shù)量，對(duì)于復(fù)雜振動(dòng)信號(hào)來(lái)說(shuō)容易損失含有故障信息的邊頻帶信息。2014 年，Dragomiretskiy 等［9］提出了變分模態(tài)分解（Variational Mode Decomposition，VMD）算法，其廣泛應(yīng)用于機(jī)械故障診斷領(lǐng)域［10-11］，該方法是一種非遞歸的分解算法，不存在端點(diǎn)效應(yīng)，可有效分離頻率接近的諧波信號(hào)，且具有較好的噪聲魯棒性。

針對(duì)直升機(jī)行星輪系故障監(jiān)測(cè)中復(fù)雜信號(hào)背景帶來(lái)的難題，本文提出了基于差分進(jìn)化變分模態(tài)分解（Differential Evolution Variational Mode Decomposition，DEVMD）的直升機(jī)行星輪系故障監(jiān)測(cè)方法。本方法集成了重疊組收縮（Overlapping Group Shrinkage，OGS）算法作為前置濾波對(duì)背景噪聲進(jìn)行抑制，結(jié)合DEVMD方法高性能的模態(tài)分解能力剝離出振動(dòng)信號(hào)中其他旋轉(zhuǎn)部件的信號(hào)分量，獲得行星輪系的故障敏感信號(hào)分量并提取故障指示因子，實(shí)現(xiàn)了直升機(jī)行星傳動(dòng)輪系的故障監(jiān)測(cè)。

1 故障監(jiān)測(cè)理論與方法

1.1 基于OGS的前置降噪

由于傳感器測(cè)量的故障信號(hào)微弱，低速重載的運(yùn)行條件和惡劣的工作環(huán)境導(dǎo)致信號(hào)容易受到背景噪聲的干擾，盡管相比于其他信號(hào)分解方法，VMD 算法的噪聲魯棒性較好，但噪聲增大到一定程度后，用該方法進(jìn)行信號(hào)分解仍然會(huì)出現(xiàn)模態(tài)混疊、中心頻率偏移等現(xiàn)象，導(dǎo)致模態(tài)分解錯(cuò)誤，因此在進(jìn)行后續(xù)的信號(hào)處理之前，須進(jìn)行前置降噪。

近年來(lái)，基于稀疏性的信號(hào)去噪、去卷積、恢復(fù)、重構(gòu)等算法得到了廣泛的應(yīng)用。2014 年，Chen 等［12］提出了OGS算法，該算法適應(yīng)于具有成組稀疏特性（即大幅值數(shù)據(jù)以組的形式存在）的信號(hào)，非常適用于對(duì)故障引起的周期性沖擊信號(hào)的降噪。OGS 算法基于重疊組的收縮，將具有相同組特性的稀疏信號(hào)進(jìn)行等比例處理，因此具備平移不變性，避免了塊效應(yīng)，在最大化有用信息的同時(shí)抑制了噪聲信號(hào)。OGS 算法的優(yōu)點(diǎn)包括：①轉(zhuǎn)化信號(hào)降噪問(wèn)題為最優(yōu)化問(wèn)題進(jìn)行求解，得到的稀疏解中大幅值信號(hào)成分得到有效保留，在抑制噪聲的同時(shí)有效保留了信號(hào)中的有用成分；②計(jì)算復(fù)雜度低且不需要調(diào)節(jié)算法參數(shù)。因此本文引入OGS算法作為前置降噪方法，抑制背景噪聲，降低噪聲方差，提高了VMD算法的分解性能。

假定信號(hào)表達(dá)式為

式中：y（i）為振動(dòng)傳感器測(cè)量的含噪信號(hào)；x（i）為具有成組稀疏性的有用信號(hào)；w（i）為環(huán)境背景噪聲；I ＝｛0，1，…，N-1｝，N為數(shù)據(jù)點(diǎn)數(shù)量。

為從y（i）中最大程度估計(jì)出x（i），OGS算法將式（1）表達(dá)的信號(hào)降噪問(wèn)題轉(zhuǎn)化為最優(yōu)化問(wèn)題：

罰函數(shù)R［x（i）］的定義為

式中：J ＝｛0，1，…，M-1｝，M為組數(shù)。

因此，最終的代價(jià)函數(shù)為

OGS算法流程如下。

①確定輸入信號(hào)和參數(shù)：y、λ、M。

②確定輸出信號(hào)：x。

③初始化：x（i）＝y(tǒng)（i），x（i）≠0。

⑥重復(fù)步驟④和步驟⑤，直到滿(mǎn)足收斂條件。

⑦得到降噪后的信號(hào)x。

1.2 基于DEVMD方法的故障敏感信號(hào)分量提取

在直升機(jī)行星輪系的振動(dòng)信號(hào)頻譜中，除了有與行星輪系故障相關(guān)的信號(hào)分量外，還包括一級(jí)減速主從動(dòng)齒輪、二級(jí)減速主從動(dòng)齒輪、尾傳動(dòng)齒輪和各附件齒輪等部件的嚙合振動(dòng)信號(hào)分量。為了消除其他無(wú)關(guān)信號(hào)分量的影響，有效提取行星輪系的故障敏感信號(hào)分量，本文提出了基于DEVMD 方法的故障敏感信號(hào)分量提取方法。該方法結(jié)合VMD 算法與差分進(jìn)化（Differential Evolution，DE）算法對(duì)振動(dòng)信號(hào)進(jìn)行自適應(yīng)分解，從分解后的模態(tài)分量中遴選出最優(yōu)故障敏感信號(hào)分量進(jìn)行包絡(luò)譜分析與故障識(shí)別。

相比于其他模態(tài)分解方法，VMD算法避免了模態(tài)混疊與端點(diǎn)效應(yīng)，具有可分解頻率相近成分等優(yōu)點(diǎn)，其分解的精度主要受到以下兩個(gè)參數(shù)影響。

①模態(tài)數(shù)量K。K確定了要分解的模態(tài)分量的數(shù)量，并可根據(jù)K 采用均勻分布、隨機(jī)取值和賦值零等方式初始化中心頻率。K 取值過(guò)小，模態(tài)分量之間會(huì)產(chǎn)生混疊；K 取值過(guò)大，模態(tài)分量的完整性會(huì)受到影響，同時(shí)會(huì)增加計(jì)算復(fù)雜度。

②懲罰因子α。α 實(shí)現(xiàn)了對(duì)帶寬的約束：α 取值過(guò)小，分解得到的模態(tài)分量的帶寬過(guò)大，對(duì)噪聲的魯棒性就較差，且各模態(tài)分量間可能出現(xiàn)交叉；α 取值過(guò)大，分解得到的模態(tài)分量的帶寬過(guò)小，就容易出現(xiàn)中心頻率偏移的情況，導(dǎo)致分解失敗。

針對(duì)K與α的選擇，文獻(xiàn)［13］以包絡(luò)譜熵為目標(biāo)函數(shù)，采用粒子群算法對(duì)VMD 算法的最佳參數(shù)組合進(jìn)行搜索，實(shí)驗(yàn)結(jié)果表明該方法的分析效果準(zhǔn)確有效。文獻(xiàn)［14］為了自適應(yīng)確定變分模態(tài)分解的模態(tài)數(shù)量，以互信息為判據(jù)對(duì)原方法進(jìn)行了迭代停止條件的改進(jìn)，結(jié)合Teager 能量算子對(duì)單分量信號(hào)解調(diào)速度快、精度高的優(yōu)點(diǎn)，提出了Teager-VMD時(shí)頻分析方法。上述方法針對(duì)VMD 算法的參數(shù)選取，主要采用智能算法進(jìn)行多次迭代優(yōu)化選取，存在計(jì)算時(shí)間長(zhǎng)、效率低等缺陷。另外，VMD算法的中心頻率采用隨機(jī)和均勻分配兩種方法，當(dāng)中心頻率誤差較大時(shí)，無(wú)法正確實(shí)現(xiàn)信號(hào)分解。

針對(duì)上述情況，本文提出了自適應(yīng)參數(shù)的DEVMD方法，利用功率譜密度先驗(yàn)知識(shí)初始化中心頻率，并基于正交能量差采用DE 算法搜尋最佳的K與α的組合，詳細(xì)處理流程如圖1 所示。該方法既保證了模態(tài)分解的準(zhǔn)確性，又保證了分解的模態(tài)分量具有一定的物理意義。

圖1 DEVMD方法處理流程

DEVMD方法的詳細(xì)處理流程如下。

①輸入原始信號(hào)x（t）。

②計(jì)算信號(hào)的功率譜密度，按照功率譜密度峰值由大到小搜索前Kmax個(gè)峰值，并記錄其相對(duì)應(yīng)的頻率，組成中心頻率初始值集合｛ωinitial｝。

③初始化DE算法的參數(shù)，包括種群規(guī)模N、縮放比例因子F和交叉概率CR。

④初始化種群pi＝（pi，1，pi，2，…，pi，D），i ＝1，2，…，N，D為維數(shù)；初始化種群個(gè)體對(duì)應(yīng)的中心頻率，從｛ωinitial｝中抽取前K個(gè)頻率作為初始化中心頻率。

⑤在當(dāng)前種群所有個(gè)體對(duì)應(yīng)的（K，α）組合下，對(duì)輸入原始信號(hào)進(jìn)行VMD分解。

⑥計(jì)算個(gè)體適應(yīng)度值。由于輸入振動(dòng)信號(hào)所分解的各模態(tài)分量具有各自的物理意義，彼此獨(dú)立，具備正交性，根據(jù)帕塞瓦爾定理，分解的正交模態(tài)分量的能量之和與原始信號(hào)的能量相等，因此本文選取正交能量差作為DE算法優(yōu)化的適應(yīng)度函數(shù)：

⑦若個(gè)體適應(yīng)度值滿(mǎn)足收斂閾值的要求，即Ediff≤（0.01 ～0.02）Ex，則停止尋優(yōu)，否則進(jìn)行種群進(jìn)化。

⑧對(duì)當(dāng)前種群進(jìn)行差分進(jìn)化，產(chǎn)生新一代種群。

a.變異操作。

式中：g為進(jìn)化的代數(shù)；r1，r2，r3∈（1，2，…，N），與i 均互不相同。

b.交叉操作。

式中：j∈（1，2，…，D）；r為［0，1］的隨機(jī)整數(shù)。

c.選擇操作。

基于貪婪機(jī)制在父代個(gè)體與交叉后向量中選擇子代個(gè)體，通過(guò)式（8）確定。

式中：f為個(gè)體的適應(yīng)度函數(shù)。

⑨若當(dāng)前進(jìn)化代數(shù)滿(mǎn)足中止條件，則停止尋優(yōu)，否則繼續(xù)進(jìn)行尋優(yōu)。

⑩停止尋優(yōu)，得到最優(yōu)適應(yīng)度值個(gè)體所對(duì)應(yīng)的（K，α）組合。

1.3 基于峭度-包絡(luò)譜熵的故障監(jiān)測(cè)

從分解的BIMF分量中選取中心頻率在行星傳動(dòng)輪系嚙合頻率附近的分量作為故障敏感信號(hào)分量，選取峭度-包絡(luò)譜熵（Kurtosis-Envelope Spectrum Entropy，KE）作為故障指示因子實(shí)現(xiàn)故障監(jiān)測(cè)。

峭度是反映隨機(jī)變量分布特性的數(shù)值統(tǒng)計(jì)量，是歸一化4 階中心矩。峭度是無(wú)量綱參數(shù)，定義為

包絡(luò)譜熵計(jì)算公式為

式中：（ρ1，ρ2，…，ρn）為包絡(luò)譜信號(hào)的幅值概率密度。

由于峭度對(duì)沖擊信號(hào)特別敏感，通常作為早期故障信號(hào)的篩選指標(biāo)。另外，包絡(luò)譜熵用于衡量嚴(yán)重故障情況下信號(hào)的周期性特征。綜合峭度、包絡(luò)譜熵分別對(duì)早期故障、嚴(yán)重故障更加敏感的特點(diǎn)，本文提出了峭度-包絡(luò)譜熵，定義為

周期性沖擊信號(hào)是齒輪局部故障的主要特征，SKE既考慮了峭度對(duì)于沖擊特征的敏感性，也考慮了包絡(luò)譜熵對(duì)于周期信號(hào)的敏感性，σ 用于平衡兩者的變化率。當(dāng)σ ＜1 時(shí)，SKE隨著周期性沖擊分量的增強(qiáng)而逐漸增加。

2 方法流程

基于DEVMD方法的直升機(jī)行星輪系故障監(jiān)測(cè)方法流程如下。

①采用加速度傳感器采集原始振動(dòng)信號(hào)。

②采用OGS算法進(jìn)行前置降噪。

③基于DEVMD方法對(duì)故障敏感信號(hào)進(jìn)行提取。

a.采用DEVMD方法對(duì)信號(hào)進(jìn)行模態(tài)分解，得到BIMF分量。

b.從分解的BIMF分量1 ～K 中提取故障敏感信號(hào)分量。

④對(duì)提取的故障敏感信號(hào)分量進(jìn)行包絡(luò)譜分析。

⑤提取SKE故障指示因子進(jìn)行故障監(jiān)測(cè)。

⑥輸出故障監(jiān)測(cè)結(jié)果。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)采用直升機(jī)行星輪系實(shí)驗(yàn)平臺(tái)采集的樣本數(shù)據(jù)進(jìn)行驗(yàn)證，采用安裝在齒圈殼體處的加速度傳感器進(jìn)行信號(hào)采集，采樣頻率為10 kHz，如圖2 所示。故障模式涵蓋正常狀態(tài)和3 種不同裂紋長(zhǎng)度的故障狀態(tài)，如圖3 所示。

圖2 直升機(jī)行星輪系實(shí)驗(yàn)平臺(tái)

圖3 正常狀態(tài)與3種不同裂紋長(zhǎng)度的故障狀態(tài)

3.2 實(shí)驗(yàn)結(jié)果分析

3.2.1 基于OGS算法的前置降噪效果評(píng)估

信號(hào)降噪前后波形如圖4 所示。由圖4 中的消噪效果可見(jiàn)，默認(rèn)閾值降噪與全局閾值降噪在消除噪聲的同時(shí)也大幅削減了高頻信號(hào)，保留了低頻信號(hào)；高頻系數(shù)降噪利用尺度向量與閾值向量對(duì)高頻系數(shù)進(jìn)行閾值處理后重構(gòu)降噪，在消除噪聲的同時(shí)也削減了信號(hào)幅值。相比小波閾值降噪，信號(hào)通過(guò)OGS算法進(jìn)行前置降噪后，大幅值的沖擊信號(hào)更加突出，小幅值且分散的信號(hào)得到了收縮，降低了信號(hào)中噪聲的幅值，整體提高了信噪比。

圖4 信號(hào)降噪前后波形

為了定量評(píng)價(jià)本文方法的降噪效果，采用信噪比（Signal-to-Noise Ratio，SNR）與均方根誤差（Root-Mean Square Error，RMSE）作為評(píng)價(jià)指標(biāo)，結(jié)果如表1所示。由表1 可見(jiàn)，與小波各閾值降噪方法相比，OGS算法降噪SNR最大，RMSE 最小，說(shuō)明基于OGS算法的前置降噪更適用于這種具有成組稀疏特性的信號(hào)形式，其對(duì)噪聲的濾除和對(duì)原有信號(hào)的保持效果更優(yōu)。

表1 OGS算法與小波各閾值降噪效果對(duì)比

3.2.2 基于DEVMD 方法的故障敏感信號(hào)分量提取效果評(píng)估

對(duì)OGS 算法前置降噪后的信號(hào)進(jìn)行DEVMD 分解，根據(jù)經(jīng)驗(yàn)值，帶寬因子δ選擇為5 倍太陽(yáng)輪旋轉(zhuǎn)頻率，采用滑動(dòng)平均功率譜密度極值點(diǎn)確定的模態(tài)數(shù)量K為5，中心頻率｛｝＝｛5fib，fm，2fm，3fm，fsr｝。圖5 分別為故障狀態(tài)（太陽(yáng)輪齒根裂紋）下，DEVMD 分解的各BIMF分量的頻譜分布。由圖5 可見(jiàn)，DEVMD方法準(zhǔn)確地將信號(hào)分解為以主要齒輪部件的嚙合頻率或其倍頻為中心頻率的調(diào)制信號(hào)分量，中心頻率分別為輸入錐齒輪旋轉(zhuǎn)頻率5 倍頻、行星傳動(dòng)輪系嚙合頻率及其2 倍頻、3 倍頻和二級(jí)減速齒輪嚙合頻率。由此可見(jiàn)，DEVMD方法有效地將各齒輪部件嚙合振動(dòng)形成的模態(tài)信號(hào)進(jìn)行了分離，消除了齒輪部件嚙合振動(dòng)信號(hào)之間的耦合干擾，有利于單獨(dú)對(duì)各齒輪部件的健康狀態(tài)進(jìn)行識(shí)別。

圖5 故障狀態(tài)下各模態(tài)分量的頻譜分布

故障狀態(tài)下，用DEVMD 方法將信號(hào)分解為主旋翼軸、輸入錐齒輪、液壓泵傳動(dòng)齒輪等各旋轉(zhuǎn)頻率及倍頻成分組成的BIMF分量1、行星傳動(dòng)輪系一階嚙合頻率及其邊頻成分組成的BIMF分量2、行星傳動(dòng)輪系二階嚙合頻率及其邊頻成分組成的BIMF分量3、二級(jí)減速齒輪一階嚙合頻率及其邊頻成分組成的BIMF分量4、行星傳動(dòng)輪系三階嚙合頻率及其邊頻成分組成的BIMF分量5，如圖6 所示。

圖6 故障狀態(tài)下用DEVMD方法分解的BIMF分量

3.2.3 基于峭度-包絡(luò)譜熵的故障監(jiān)測(cè)效果評(píng)估

按照故障敏感信號(hào)分量提取準(zhǔn)則，從BIMF 分量中提取中心頻率分別為行星傳動(dòng)輪系嚙合頻率、其2倍頻和3 倍頻的BIMF信號(hào)分量2、分量3 與分量5 作為故障敏感信號(hào)分量，故障模式下各故障敏感信號(hào)分量的沖擊成分幅值相比正常模式均有所增強(qiáng)。故障敏感信號(hào)分量在正常狀態(tài)與故障狀態(tài)下的包絡(luò)譜如圖7所示，與正常狀態(tài)相比，故障狀態(tài)下包絡(luò)譜中主要峰值譜線(xiàn)的幅值出現(xiàn)了較大幅度的增強(qiáng)，說(shuō)明了行星傳動(dòng)輪系齒輪故障的存在。

圖7 故障敏感信號(hào)分量的包絡(luò)譜

計(jì)算正常狀態(tài)與不同故障狀態(tài)下故障敏感信號(hào)分量的SKE，如表2 所示。由表2 可見(jiàn)，在所有故障敏感信號(hào)分量中，BIMF分量2 的SKE在故障狀態(tài)下最大，且與正常狀態(tài)相比變化最大，不同裂紋長(zhǎng)度對(duì)應(yīng)的SKE不同，且隨著故障程度增加（裂紋長(zhǎng)度增大），SKE相應(yīng)增大，從而實(shí)現(xiàn)故障監(jiān)測(cè)。

表2 故障敏感信號(hào)分量的SKE

3.3 實(shí)驗(yàn)結(jié)果對(duì)比

將本文方法與對(duì)比方法，即組合小波閾值濾波、EMD方法信號(hào)分解和歸一化峭度值作為故障指示因子的故障監(jiān)測(cè)方法進(jìn)行對(duì)比，如圖8 所示。由圖8 可見(jiàn)，本文方法的故障指示因子在正常與故障狀態(tài)下幅度變化的指示性和對(duì)應(yīng)不同故障程度的趨勢(shì)性都優(yōu)于對(duì)比方法，體現(xiàn)了實(shí)驗(yàn)方法在直升機(jī)行星傳動(dòng)輪系故障監(jiān)測(cè)中的優(yōu)異性能。

圖8 DEVMD與對(duì)比方法的實(shí)驗(yàn)結(jié)果

4 結(jié)束語(yǔ)

針對(duì)直升機(jī)行星輪系復(fù)雜信號(hào)背景下故障特征的提取難題，提出了一種新的直升機(jī)行星輪系故障監(jiān)測(cè)方法，該方法首先集成了OGS算法作為前置濾波對(duì)背景噪聲進(jìn)行抑制，然后通過(guò)DEVMD 方法對(duì)濾波信號(hào)進(jìn)行分解并提取故障敏感信號(hào)分量，最后從故障敏感信號(hào)分量中提取SKE作為故障指示因子，實(shí)現(xiàn)了對(duì)直升機(jī)行星傳動(dòng)輪系的故障監(jiān)測(cè)。采用直升機(jī)行星傳動(dòng)輪系實(shí)驗(yàn)平臺(tái)的正常狀態(tài)與3 種不同故障程度狀態(tài)進(jìn)行了本文方法的效果評(píng)估，并將評(píng)估結(jié)果與常用的其他方法進(jìn)行了對(duì)比，驗(yàn)證了本文方法的有效性，解決了復(fù)雜信號(hào)背景下直升機(jī)行星輪系的故障監(jiān)測(cè)難題。