基于自适应EEMD和分层分形维数的风电机组行星齿轮箱故障检测
上海电力学院电气工程学院、上海高校高效电能应用工程研究中心、上海电力学院自动化工程学院的研究人员李东东、周文磊、郑小霞、王浩，在2017年第22期《电工技术学报》上撰文，针对传统平均经验模态分解（EEMD）中添加白噪声参数需依据人工经验设定的缺陷，在研究引起模态混叠原因的基础上提出一种自适应EEMD方法。
该方法可以根据信号本身特性，自适应设定白噪声标准差以达到最优分解效果。首先使用奇异值差分谱法对信号进行分解、重构，然后利用提取得到的高频冲击分量和噪声分量的复合分量对所需添加白噪声标准差大小进行自适应整定，最后通过自适应EEMD将信号分解为一系列本征模态函数（IMF）。分形维数对信号特征评价性能良好，所以用分形维数来识别不同类型振动信号是十分有效的。
本文提出分层分形维数方法，可提高信号识别、分类效率和准确度。使用该复合方法处理仿真信号、风电机组传动系统实验平台信号均取得良好效果，证明了本文所提方法的有效性。
行星齿轮箱是风电机组中的重要部件。由于其本身结构复杂，且经常处在复杂多变的运行工况下，导致风电机组的行星齿轮箱是风电机组中故障率最高的部件之一，且其故障引起停机时间最长。所以对于该部件实现准确、及时的故障定位具有极大研究意义。在众多振动故障诊断方法中，经验模态分解（Ensemble ModeDecomposition, EMD）是其中的重要组成部分，并在应用中取得了重大进展和良好的表现。
EMD是1998年N. E. Huang在美国宇航局与其他科研人员一起提出的一种全新的、创造性的信号时频分析方法，对于非线性、非平稳信号的分析的效果显著[1]。该方法被认为是近年来以Fourier变换为基础的线性和稳态信号频谱分析领域之外的一个重大突破。
EMD方法与FFT、小波分解完全不同，其无须预先设定基函数，整个分解过程是基于信号本身的极值分布特性，通过若干次筛选，将信号分解为多个本征模态函数（Intrinsic ModeFunction，IMF），从而在分解过程中达到一定程度的自适应性。
鉴于EMD的诸多优点，所以一经提出就在很多工程领域得到了迅速的应用，例如在地理信息[2,3]、医学[4]、电力系统检测与故障诊断[5-8]以及机械故障检测[9,10]等方面均由大量应用实例，其中机械方面的应用最为广泛，而且成果显著。
但当信号的极值点分布不均匀时，EMD分解易导致“过冲”、“欠冲”现象，进而造成模态混叠现象。为了解决模态混叠问题，Wu Zhaohua等[11]于2009年提出了平均经验模态分解（EnsembleEmpirical Mode Decomposition, EEMD）方法，从解决极值点分布问题出发，通过在初始信号中添加高斯白噪声来使极值点分布均匀化，以达到减小模态混叠影响提高分解效果的目的。
但添加噪声所需两个重要参数即白噪声标准差和总体平均次数均需人为经验选择。由于掺杂了人为经验干预，大大降低了该方法的自适应性。在此基础上众多研究人员提出了多种不同的关于参数整定的改进方法。
2011年陈略等[12]提出在EEMD中加入的高斯白噪声用于平滑低频分量极值点分布的同时，不能改变原始信号高频成分的极值点分布，然而该方法中添加的高斯白噪声参数严重依赖于EMD的分解效果，当EMD分解得到的第一个IMF分量存在严重的模态混叠时将直接影响EEMD分解的准确性。
2014年雷亚国等[13]以有色噪声替代高斯白噪声，一定程度上改善了极值点分布，但该研究未确立高斯白噪声的添加准则。2015年孔德同等[14]通过变态历经，以极值点分布特性为评价参数。一定程度上避免了人为选择参数的盲目性，但该方法中噪声区间选择仍需人为设定，且前期预处理选择参数处理时间较长。
由于添加白噪声标准差大小对于EEMD分解效果影响显著，当添加噪声过小时，达不到拉动高频成分以解决模态混叠的效果；当添加噪声过大时，则会破坏低频成分极值点分布造成低频成分出现模态混叠。所以对于不同信号采用不同标准差的白噪声，可以保证EEMD能达到最佳分解效果。
在此基础上本文提出一种不需人为干预、通过提取信号特征自动整定白噪声标准差的自适应EEMD方法，该方法极大程度地消除了人为因素干扰，并提高了计算速度，保证了分解精度。使用本文所提自适应EEMD对信号进行分解后，求取每个IMF分量对应的分形维数，形成信号的分形维数曲线。最后，使用分层分形维数曲线对比，实现故障位置和严重程度的诊断与分析。
图4 行星齿轮箱模拟实验平台
结论
EEMD是为了解决EMD的模态混叠问题提出的一种噪声辅助的非线性、非平稳信号处理方法。但添加噪声的参数设定过程具有盲目性，导致在处理不同信号时分解效果不能得到保证。本文通过奇异值差分谱法提取冲击信号分量和噪声信号分量的复合信号方法，然后利用提取得到的复合分量来整定噪声幅值标准差，从而使改进的EEMD方法具有自适应性，解决了参数设定的盲目性问题。
在此基础上通过分层分形维数来进行故障的分类以达到故障的精确定位目的，并分别通过仿真信号及模拟实验平台信号进行了实验验证，最终证明了该方法可以准确有效地定位故障位置和故障类型，是一种有效的风电机组行星齿轮箱故障处理方法。