基于聚合经验模态分解和样本熵的高速列车转向架故障特征提取.docxVIP

基于聚合经验模态分解和样本熵的高速列车转向架故障特征提取 护送是高速列车的重要组成部分，其机械性能对整个高速列车系统的可靠性和安全性有非常重要的影响。因此，高速列车保障侧的性能认证和故障排除方法在实际应用中发挥着重要作用。 经验模式分解 ( empirical mode decomposition, EMD) 根据信号本身的特点, 自适应地选择滤波频带和在不同频段内的分辨率, 克服了传统包络分析方法需要预先确定滤波器中心频率和带宽的问题 在对转向架关键部件常见故障模式的特点进行分析的基础上, 本文采用经验模态分解的改进方法聚合经验模态分解 ( ensemble empirical mode decomposition, EEMD) 与样本熵相结合提取故障特征信号. 通过小波包分解将采集到的转向架各部位的振动信号进行滤波, 消除噪声干扰, 将消噪后的信号进行聚合经验模态分解, 分解成一组固有模态函数 ( intrinsic mode function, IMF) , 对含有主要故障信息的IMFs进行样本熵计算, 得到一个高维的特征向量. 最后将提取到的特征通过支持向量机进行分类, 判断转向架的工作状态和故障类型. 振动信号处理流程如图1所示. 1 自适应二进滤波器的eemd分解算法 列车振动与行车速度、轨道激励有关, 存在复杂的耦合关系, 属于非平稳随机信号. 经验模态分解不需要依赖于基函数的选择, 根据信号自身的特点自适应地将复杂的非平稳信号分解为一组完备的正交信号分量IMFs, 是一种数据驱动的自适应信号分析方法 对原始振动信号进行EMD分解后得到 式中: x ( t) 为原始振动信号; c r 由于信号的间歇性, 使得EMD分解总是伴有模式混叠现象. 为了有效地抑制模态混叠现象, 文献[9]中提出了聚合经验模态分解, 在每个原始信号中加入有限幅值的高斯白噪声, 基于白噪声的统计特性在分解中呈现为自适应二进滤波器 EEMD算法的步骤如下 ( 1) 初始化聚合次数N, 高斯白噪声的幅值系数k, 并且使计算次数m = 1. ( 2) 计算第m次时, 在信号中加入高斯白噪声n ( 3) 利用经验模态分解将加入白噪声后的信号分解为一组IMFs. ( 4) 当m N时, 重复步骤 ( 2) 和步骤 ( 3) , 每次加入不同的白噪声信号, 并使m = m + 1. ( 5) 计算N次分解出的各个IMFs均值 式中: N为经验模态分解的聚合次数; c ( 6) 取每个IMF的N次分解的均值作为最终的本征模态函数. EEMD方法有效地克服了模式混叠问题, 对传统的经验模态分解进行了改进. 2 基于线性范围的样本熵 样本熵是一种关于系统复杂度的度量方法 计算时间序列样本熵的步骤为 ( 1) 对于一个拥有N ( 2) 定义两个m维的矢量X ( i) 与X ( j) 之间的最大距离为 ( 3) 对于给定的阈值r, 从1 ~ N 其平均值定义为 ( 4) 对m + 1, 重复上面的步骤 ( 1) ~ ( 3) , 可以得到B珔 ( 5) 对于给定的阈值r, 此序列的样本熵定义为 序列长度N 3 结果分析 3.1 主体横向和纵向振动加速度信号 文中所用数据均来自西南交通大学牵引动力国家重点实验室研制的机车车辆整车滚动振动试验台. 在机车走行部各关键部位装设传感器, 采集车体和转向架各个部位的横向、纵向和垂向3个方向的位移或振动加速度, 共得到64个通道数据. 数据实验部分选取的是车体后 ( 枕梁上地板) 的横向振动加速度信号, 实验所加轨道激扰为武广线轨道谱. 每种工况下运行速度为40, 80, …, 160, 200 km / h等, 直至失稳后停机. 每种速度下运行1 min并记录传感器数据, 采样频率为243 Hz. 3.2 横向减振器故障信号的eemd分解 ( 1) 小波包阈值降噪 数据采集系统的传感器在测量过程中不可避免地引入了大量的随机噪声干扰, 这些噪声绝大多数为中高频信号, 严重影响了特征提取的效果. 小波分析具有良好的时频局部性, 通过小波包变换将信号分解成不同的频率成分, 进而实现信号滤波和强噪声背景下的微弱信号特征提取. 高速列车转向架故障振动的有效信号集中在15 Hz以下, 根据小波包阈值去噪的原理, 将原始信号进行4层的小波包分解后, 每个子频带宽度大约在15 Hz左右. 因此, 选取db2小波基进行4层小波包分解, 采用自适应阈值法对样本信号进行消噪预处理. 图2为横向减振器故障信号的原始振动信号和小波包阈值消噪后的信号. 由图2可以看出, 原始振动信号的幅值谱包含了大量的高频干扰成分. 经小波阈值去噪后, 信号中绝大多数的高频噪声得以去除, 仅有少量的谐波成分, 幅值谱上信号主要集中在15