2013120076基于小波包特征熵的高速列车监测数据的特征分析.doc

基于小波包特征熵的高速列车监测数据的特征分析 郑晓龙,杨贵营，黄晗 （西南交通大学 电气工程学院，成都 610031） 摘 要：将高速列车在不同工况和速度下的监测数据首先进行傅里叶分析用来确定各种不同工况信号的频率范围，再对不同工况和速度下的信号进行小波包分解，并重构通频范围内前几个低频带信号，进而建立信号的小波包特征熵向量，不同频带信号的小波包特征熵变化反映了列车运行状态的改变，最后将得到的小波包特征熵向量输入支持向量机进行故障识别。经过实验数据仿真分析，结果表明该方法对高速列车故障状态识别是有效、可行的。 关键词：高速列车；监测数据；小波包特征熵；支持向量机；状态估计 The characteristics analysis of high-speed train monitoring data based on wavelet packet characteristic Entropy ZHENG Xiao-long,YANG Gui-ying,HUANG Han ( School of Electrical Engineering，Southwest Jiaotong University，Chengdu 610031，China) Abstract: Firstly Fourier analysis was used to determine the frequency range of the high-speed train monitoring data under different conditions and the speed.Then the signal under different conditions and speed in the first few low frequency band were decomposed and reconstructed by wavelet.thereby the wavelet packet characteristic entropy were established.The changes of wavelet packet characteristic entropy in different frequency bands reflect a change in the status of the train running.Finally，wavelet packet characteristic entropy vectors were input in SVM（support vector machine）for detecting fault.After simulation analysis of experimental data, the results show that the method for high-speed train fault state identification is valid and feasible. Key words: high-speed train;monitoring data;wavelet packet characteristic entropy; support vector machine( SVM) ; state estimation 0 引言 随着我国铁路的高速化、重载化对列车的安全性和可靠性提出了更严格要求。为了保证列车的安全运行，世界各国铁路行业相继引入了状态监测和故障诊断技术，在列车的安全性、可靠性、维修经济性等方面发挥了极大的作用[1-4]。我们可以通过传感器来监测高速列车运行过程中的振动数据，列车在不同运行状态监测的数据会表现出不同的数据特征，因此基于监测数据提取特征来表征高速列车安全性态，并进行状态估计对高速列车的安全性和可靠性具有重要的意义。 对于列车的振动加速度信号[5]有学者作过时域波形FFT变换和Hilbert-Huang变换处理,传感器监测的振动信号[6,7]，大多是非线性非平稳信号，小波分析有较好的时频局部特性，相比Fourier分析和短时傅里叶变换有更显著的优点[8-10]。通过小波基函数的平移和伸缩来调整时频窗，提高分别率。 高速列车故障时的监测数据，与正常运行状态相比主要频率会发生变化，通过小波分析可以用来提取不同频带上的信息，不同的频带和故障状态会存在某种映射关系。因此，采用小波包特征熵特征提取方法和支持向量机进行状态估计，总体结构框图如图1所示。 Figure 1 block diagram 1 小波包特征熵特征提取 1.1 小波包理论 高速列车振动信号u(t)可用下面的递归式(1)进行小波包分解[11]