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

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(empiricalmodedecomposition,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(ensembleempiricalmodedecomposition,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(intrinsicmodefunction,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;cr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N3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,…,160,200km/h等,直至失稳后停机.每种速度下运行1min并记录传感器数据,采样频率为243Hz.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15Hz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15Hz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15Hz以下的频段.因此,利用小波包阈值去噪可以有效地去除高频干扰,并尽可能地保留了机械振动信号中的有用信息.经过小波包阈值消噪,绝大多数的高频干扰得以去除,为后续的故障信号特征提取打下基础.(2)振动信号的EEMD分解由于转向架关键部件故障而引起的列车减振失效,会造成转向架各部件不同频段的固有振动,EEMD根据信号本身特点自适应地将不同频段内固有振动成分分解到不同的IMF中,IMF的个数与信号本身的特点有关图3为横向减振器故障振动信号的EEMD分解结果的前6个本征模函数.EEMD方法具有类似正交二进滤波器的特性,每个IMF为不同频带范围内的响应振动由图3可知,IMF1为EEMD方法处理过程中引入的高频噪声成分;IMF2~IMF6为机械信号不同频带范围的固有振动,包含了故障信号的主要特征信息.各IMF没有明显的频率混叠现象,体现了EEMD良好的抑制模态混叠的性能.(3)样本熵特征提取从样本熵的定义,样本熵可以表征信号的不规则性和复杂度.实际应用中,样本熵可用于分析由确定性成分和随机成分组成的复杂信号,适合机械振动信号的分析.在样本熵计算过程中选取每段数据的长度为10,阈值为0.01.图4为转向架常见故障工况下振动信号经过EEMD分解,对前6个IMF提取到的样本熵值的柱状图.从图4中可以看出,4种工况下熵值较大的都集中在第3~6IMF上,说明在这4个本征模函数上振动信号的不规则性和复杂性最高.实验发现同一种工况下样本熵的柱状图具有较为相似的形状,不同工况下差异较为明显.(4)分类器设计及分类结果支持向量机是基于统计学习的VC维理论和结构风险最小化原则的学习机器.支持向量机在高维、小样本、非线性数据空间下,具有很好的泛化能力,实验所用数据来自整车滚动实验台,同种工况、同种速度下,每次实验时间不超过1min,得到的数据长度非常有限,因此,选用支持向量机对所提取的特征信息进行多分类识别.支持向量机的输入为6维特征向量,对应于故障振动信号经EEMD分解后,得到前6个本征模函数的样本熵值.支持向量机的输出为高速列车转向架的4种常见故障工况.实验截取3s的运行数据作为一个样本,4种工况共选取80个样本,随机选取其中50个作为训练样本,30个作为测试样本.为了验证特征提取的有效性,数据实验采用3种方法进行对比,实验结果如表1所示.由表1可以看出,在针对高速列车转向架故障信号的特征提取中,EEMD分解结合样本熵方法比传统方法具有更好的识别效果.随着运行速度的提高,各种数据处理方法的识别率均逐步提高,这说明速度越高,不同故障导致转向架振动信号的规律区别越大,故障特征越明显,对列车机械系统造成的影响也越大.4仿真结果与分析本文提出的基于聚合经验模态分解和样本熵的振动信号特征提取方法,利用EEMD自适应地将信号分解成若干个具有真实物理意义的本征模函数IMFs,避免了小波分解中小波基和分解层数选择所带来的误差,与EMD方法相比,减小了分解过程中模态混叠