齿轮故障信号具有不平稳特性

故障信号特征向量难提取

典型的齿轮故障数据样本少。针对这些问题

提出基于总体平均经验模式分解（EEMD）、模糊熵和支持向量机（SVM）相结合的诊断方法。首先通过传感器采集得到加速度信号

然后

通过EEMD降低模态混叠

并将加速度信号分解成多个稳定的本征模态函数信号（IMFs）。其次

利用模糊熵能够表现信号复杂程度并且稳定的性质

取多个稳定IMFs的前几项计算模糊熵。因为SVM能够在小样本集情况下建立决策规则

所以将IMFs的前几项模糊熵值作为特征向量输入SVM训练。最后

SVM算法与常用神经网络比较

对样本训练、测试并诊断故障

说明SVM算法优于神经网络。齿轮故障诊断实验结果表明

所提出的方法诊断准确率达92.5%

可实现齿轮故障信息提取和齿轮故障的有效诊断。