岸桥常作业于高速、重载、大冲击的工作环境中，其起升减速箱由于传动力矩大，且长时间受到强烈动载的振动冲击，是岸桥中最容易出现故障的部件之一[1]。因此，诊断监测岸桥减速箱的状态变得尤其重要。本质上,对减速箱进行故障诊断是一种模式识别问题，为了更准确地识别减速箱的状态，需要对减速箱振动信号进行有效的特征提取和更准确的分类。

起升减速箱振动信号为非平稳、非线性、非周期信号，传统的时域、频域以及时频域方法缺乏对非平稳和非线性信号的多分辨率分析和自适应处理能力[2]。HUANG N E等[3]提出的经验模态分解(Empirical Mode Decomposition，EMD)由于其良好的自适应分解特性在处理非线性和非平稳信号时具有很大的优势。然而，EMD分解会产生模态混叠现象。WU Z等[4]通过改进EMD分解方法得到一种新的法，能够有效解决该问题。王玉静等[5]通过EEMD分解得到滚动轴承振动信号的固有模态函数，并结合峭度值、相关系数提取信号的初始特征，能够很好地提取故障特征信息；魏文军等[6]采用EEMD多尺度样本熵提取特征对S700K转辙机进行故障诊断，通过EEMD分解提取转辙机不同状态下的特征参数并进行聚类分析，验证了该方法对故障诊断的精度和效率有明显的提高。

通过EEMD分解提取到的减速箱故障特征维数较高，会导致故障诊断效率降低，故选取PCA法对故障特征降维。PCA能较好融合减速箱的多个典型故障特征，将高维故障特征集映射到低维空间中，减少特征参数信息冗余[7]。故障特征参数的提取和选择是机器诊断的关键，而状态识别则是诊断的核心。FCM算法作为一种无监督学习算法，可以根据特征参数样本的相似性进行分类，使处于同一类的相似度最大，并保证不同类间的差异性较大[8]。王印松等[9]将FCM应用在控制系统的故障诊断中，不仅可以较好地识别不同部件的故障，还可以对同一部件不同类型的故障进行诊断。樊红卫等[10]针对电主轴转子不平衡故障，提出一种对称极坐标图像和FCM相结合的失衡故障诊断方法，结果显示具有较高的分类准确率。

本文结合EEMD分解和PCA-FCM聚类算法对岸桥减速箱进行故障诊断。首先，将减速箱振动信号进行EEMD分解并提取故障特征，然后利用PCA对高维特征参数进行约简，最后使用FCM算法对减速箱的状态进行聚类，并通过实验分析验证了该方法的有效性。

作者信息:

顾能华1，侯银银2，韩雪龙1

(1.衢州学院 电气与信息工程学院，浙江 衢州324000；

2.国网浙江省电力有限公司衢州供电公司，浙江 衢州324000)