基于优化VMD和ELM的行星齿轮箱故障诊断方法研究

杨荣坤; 姜宏; 章翔峰

doi:10.16578/j.issn.1004.2539.2026.03.019

您当前的位置：

首页 >

文章列表页 >

基于优化VMD和ELM的行星齿轮箱故障诊断方法研究

故障诊断与失效分析 | 更新时间：2026-05-27

- 基于优化VMD和ELM的行星齿轮箱故障诊断方法研究
- Study on fault diagnosis method for planetary gearboxes based on optimized VMD and ELM
- 机械传动 2026年50卷第3期页码：172-178
- 作者机构：
  
  新疆大学智能制造现代产业学院，乌鲁木齐 830049
- 作者简介：
  
  杨荣坤，男，1999年生，山东济南人，硕士研究生；主要研究方向为故障诊断；1726846298@qq.com。
  姜宏（通信作者），男，1976年生，新疆库尔勒人，博士，教授；主要研究方向为关键零部件健康评估与寿命预测、机器视觉与图像处理、大数据监测和数字化设计与制造；onlyxjjh@xju.edu.cn。
- 基金信息：
  
  新疆维吾尔自治区自然科学基金项目(51865054)
- DOI：10.16578/j.issn.1004.2539.2026.03.019
  中图分类号： TH132;TP277
- 收稿：2024-12-05，
  
  修回：2025-01-21，
  
  纸质出版：2026-03-15
- 稿件说明：
移动端阅览
杨荣坤，姜宏，章翔峰. 基于优化VMD和ELM的行星齿轮箱故障诊断方法研究［J］. 机械传动，2026，50（3）：172-178.

YANG Rongkun，JIANG Hong，ZHANG Xiangfeng. Study on fault diagnosis method for planetary gearboxes based on optimized VMD and ELM［J］. Journal of Mechanical Transmission，2026，50（3）：172-178.
杨荣坤，姜宏，章翔峰. 基于优化VMD和ELM的行星齿轮箱故障诊断方法研究［J］. 机械传动，2026，50（3）：172-178. DOI： 10.16578/j.issn.1004.2539.2026.03.019.

YANG Rongkun，JIANG Hong，ZHANG Xiangfeng. Study on fault diagnosis method for planetary gearboxes based on optimized VMD and ELM［J］. Journal of Mechanical Transmission，2026，50（3）：172-178. DOI： 10.16578/j.issn.1004.2539.2026.03.019.

摘要

目的

针对行星齿轮箱结构复杂导致振动信号故障特征提取困难，且传统处理方法高度依赖专业经验的问题，提出一种融合白鲸优化（Beluga Whale Optimization

BWO）算法优化变分模态分解（Variational Mode Decomposition

VMD）、多尺度排列熵（Multi⁃scale Permutation Entropy

MPE）与极限学习机（Extreme Learning Machine

ELM）的故障诊断新方法。

方法

首先，利用BWO算法以包络熵最小为目标函数，对VMD的分解层数

、惩罚因子

进行了组合寻优，实现了信号的自适应分解；其次，利用MPE算法提取了各本征模态函数（Intrinsic Mode Function

IMF）分量的非线性特征，构建了包含均值、方差等5项时域指标的特征向量；最后，将特征向量输入ELM进行训练与识别，并在行星齿轮箱试验台上开展了不同工况下的对比试验。

结果

试验结果表明，所提方法在正常、齿根裂纹、缺齿及断齿4种工况下的整体识别准确率达到97.92%，显著优于EMD-ELM、优化VMD-SVM等传统模型。验证了BWO-VMD在信号去噪与自适应分解方面的优势，为行星齿轮箱关键部件的健康监测提供了可靠的技术支撑。

Abstract

Objective

Due to the complex structure of planetary gearboxes

fault features are difficult to extract

and traditional methods rely heavily on professional expertise. To solve these problems

a fault diagnosis method integrating beluga whale optimization (BWO) algorithm optimized variational mode decomposition (VMD)

multi-scale permutation entropy (MPE)

and extreme learning machine (ELM) was proposed.

Methods

Firstly

the BWO algorithm was employed to optimize the decomposition layers

and penalty factor

of VMD using the minimum envelope entropy as the objective function to achieve adaptive signal decomposition. Secondly

the MPE algorithm was used to compute the non-linear features of the intrinsic mode function (IMF) components

and a feat

ure vector consisting of five time-domain indexes was constructed. Finally

the vectors were fed into the ELM for training and diagnosis. Comparative tests were conducted on a planetary gearbox test bench under four working conditions.

Results

The testing results show that the overall accuracy of the proposed method reaches 97.92%

which is significantly higher than that of EMD-ELM and optimized VMD-SVM models. The findings verify that the BWO-VMD effectively improves signal de-noising and adaptive decomposition. This research provides a reliable basis for the health monitoring and precision design of planetary gearboxes.

关键词

Keywords

references

张宁，魏秀业，徐晋宏 . 基于LMD样本熵与ELM的行星齿轮箱故障诊断［J］. 机械传动， 2020 ， 44 （ 4 ）： 152 - 157 .

ZHANG Ning ， WEI Xiuye ， XU Jinhong . Planetary gearbox fault diagnosis based on LMD sample entropy and ELM ［J］. Journal of Mechanical Transmission ， 2020 ， 44 （ 4 ）： 152 - 157 .

张旭龙，姜宏，章翔峰，等 . 时变路径行星齿轮箱太阳轮故障响应周期特性［J］. 振动.测试与诊断， 2023 ， 43 （ 5 ）： 1011 - 1017 .

ZHANG Xulong ， JIANG Hong ， ZHANG Xiangfeng ， et al . Fault response of sun gear in time varying path planetary gearbox periodic characteristics ［J］. Journal of Vibration ，Measurement & Diagnosis， 2023 ， 43 （ 5 ）： 1011 - 1017 .

高素杰，巫世晶，周建华，等 . 基于LMD排列熵和BP神经网络的行星齿轮箱故障诊断方法［J］. 机械传动， 2022 ， 46 （ 10 ）： 10 - 16 .

GAO Sujie ， WU Shijing ， ZHOU Jianhua ， et al . Fault diagnosis method of planetary gearboxes based on LMD permutation entropy and BP neural network ［J］. Journal of Mechanical Transmission ， 2022 ， 46 （ 10 ）： 10 - 16 .

王敏娟，贾茜，汪友明，等 . 基于IMSE和参数优化VMD的滚动轴承故障诊断方法［J］. 西安邮电大学学报， 2024 ， 29 （ 4 ）： 111 - 118 .

WANG Minjuan ， JIA Qian ， WANG Youming ， et al . Rolling bearing fault diagnosis method based on IMSE and parameter optimized VMD ［J］. Journal of Xi'an University of Posts and Telecommunications ， 2024 ， 29 （ 4 ）： 111 - 118 .

杨韬，李芃，王银花 . 基于STEKF和VMD-SVD的电能质量扰动信号去噪方法［J］. 淮北师范大学学报（自然科学版）， 2023 ， 44 （ 3 ）： 46 - 53 .

YANG Tao ， LI Peng ， WANG Yinhua . A denoising method for power quality disturbance signals based on STEKF and VMD-SVD ［J］. Journal of Huaibei Normal University （Natural Science）， 2023 ， 44 （ 3 ）： 46 - 53 .

司呈鑫，章翔峰，姜宏，等 . 自适应VMD-FSK对低速重载下的转轴裂纹诊断［J］. 组合机床与自动化加工技术， 2021 （ 10 ）： 111 - 114 .

SI Chengxin ， ZHANG Xiangfeng ， JIANG Hong ， et al . Fault diagnosis of rotating shaft crack under low speed and heavy load by adaptive VMD-FSK ［J］. Modular Machine Tool & Automatic Manufacturing Technique ， 2021 （ 10 ）： 111 - 114 .

吕品德，齐明思，时彦浩 . 基于改进VMD和HP的滚动轴承故障诊断方法［J］. 机械设计与制造工程， 2024 ， 53 （ 2 ）： 93 - 99 .

LÜ Pinde ， QI Mingsi ， SHI Yanhao . A fault diagnosis method for rolling bearings based on improved VMD and HP ［J］. Machine Design and Manufacturing Engineering ， 2024 ， 53 （ 2 ）： 93 - 99 .

韩丹 . 基于卷积神经网络的铁路货车轴承故障诊断研究［D］. 大连：大连交通大学， 2024 ： 28 - 32 .

HAN Dan . Research on fault diagnosis of railway freight car bearing based on convolutional neural network ［D］. Dalian ： Dalian Jiaotong University ， 2024 ： 28 - 32 .

傅闽豪 . 基于机器学习的变压器故障诊断及预警研究［D］. 南昌：南昌大学， 2024 ： 55 - 57 .

FU Minhao . Research on transformer fault diagnosis and early warning based on machine learning ［D］. Nanchang ： Nanchang University ， 2024 ： 55 - 57 .

万里瑞，王康康，王辉 . 利用增强多尺度模糊熵的齿轮故障诊断方法［J］. 机械设计与研究， 2021 ， 37 （ 5 ）： 73 - 77 .

WAN Lirui ， WANG Kangkang ， WANG Hui . Gear fault diagnosis method based on enhanced multi-scale fuzzy entropy ［J］. Machine Design & Research ， 2021 ， 37 （ 5 ）： 73 - 77 .

康怡泽，姚颖康，董润龙，等 . 基于ICEEMDAN-多尺度排列熵的拆除爆破振动信号降噪研究［J］. 振动与冲击， 2024 ， 43 （ 13 ）： 275 - 287 .

KANG Yize ， YAO Yingkang ， DONG Runlong ， et al . De-noising of demolition blasting vibration signals based on ICEEMDAN-multiscale permutation entropy ［J］. Journal of Vibration and Shock ， 2024 ， 43 （ 13 ）： 275 - 287 .

DRAGOMIRETSKIY K ， ZOSSO D . Variational mode decomposition ［J］. IEEE Transactions on Signal Processing ， 2014 ， 62 （ 3 ）： 531 - 544 .

ZHONG C T ， LI G ， MENG Z . Beluga whale optimization：a novel nature-inspired metaheuristic algorithm ［J］. Knowledge-Based Systems ， 2022 ， 251 （ 5 ）： 109215 .

王泽，王红军 . 基于多尺度排列熵的滚动轴承故障特征提取［J］. 组合机床与自动化加工技术， 2020 （ 8 ）： 30 - 34 .

WANG Ze ， WANG Hongjun . Fault feature extraction of rolling bearings based on multi-scale entropy ［J］. Modular Machine Tool & Automatic Manufacturing Technique ， 2020 （ 8 ）： 30 - 34 .

贺飞，张雪霞，陈维荣 . 基于P-L双重特征提取的PEMFC系统故障诊断方法［J］. 太阳能学报， 2024 ， 45 （ 1 ）： 492 - 499 .

HE Fei ， ZHANG Xuexia ， CHEN Weirong . Fault diagnosis method of PEMFC system based on P-L dual feature extraction ［J］. Acta Energiae Solaris Sinica ， 2024 ， 45 （ 1 ）： 492 - 499 .

栾孝驰，汤捷中，沙云东 . 基于蜣螂算法优化深度极限学习机的中介轴承故障诊断方法［J］. 振动与冲击， 2024 ， 43 （ 21 ）： 96 - 106 .

LUAN Xiaochi ， TANG Jiezhong ， SHA Yundong . Inter-shaft fault diagnosis method based on deep extreme learning machine optimized with dung beetle optimizer ［J］. Journal of Vibration and Shock ， 2024 ， 43 （ 21 ）： 96 - 106 .

彭智慧，崔宝珍，任川，等 . 基于VMD能量熵与SVM的行星齿轮箱故障诊断［J］. 机械设计与研究， 2021 ， 37 （ 6 ）： 78 - 82 .

PENG Zhihui ， CUI Baozhen ， REN Chuan ， et al . Fault diagnosis of planetary gearbox based on VMD energy entropy and SVM ［J］. Machine Design & Research ， 2021 ， 37 （ 6 ）： 78 - 82 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于麻雀搜索算法的RV减速器故障诊断

基于IAO优化VMD和DHKELM的滚动轴承故障诊断方法

基于优化VMD-NLM与1DDRSN的齿轮箱故障诊断方法

基于扭振调制信号双谱复合谱特征的行星齿轮箱故障诊断

基于参数优化VMD和改进GoogLeNet的滚动轴承故障诊断