為了有效提取高速列車(chē)轉(zhuǎn)向架振動(dòng)信號(hào)的故障特征以及針對(duì)單通道采集的信息難以完善地反映出列車(chē)運(yùn)行狀態(tài)的問(wèn)題,提出了一種基于全矢樣本熵（full vector sample entropy,簡(jiǎn)稱(chēng)FVSE）算法的故障特征提取方法。首先,使用噪聲輔助多元經(jīng)驗(yàn)?zāi)B(tài)分解（noise assisted multivariate empirical mode decomposition,簡(jiǎn)稱(chēng)NAMEMD）方法對(duì)振動(dòng)信號(hào)進(jìn)行分解,得到一系列多元本征模態(tài)函數(shù);其次,根據(jù)相關(guān)系數(shù)法選擇與原始信號(hào)最相關(guān)的本征模態(tài)函數(shù)分別進(jìn)行樣本熵和全矢樣本熵特征提取;最后,將得到的特征向量分別作為支持向量機(jī)的輸入對(duì)列車(chē)狀態(tài)進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明,采用全矢樣本熵算法的故障識(shí)別率普遍比采用樣本熵算法提高了6個(gè)百分點(diǎn),最高達(dá)到了98%以上,驗(yàn)證了噪聲輔助多元經(jīng)驗(yàn)?zāi)B(tài)分解方法結(jié)合全矢樣本熵算法對(duì)高速列車(chē)故障診斷的有效性。 

【文章來(lái)源】：振動(dòng).測(cè)試與診斷. 2020年04期 北大核心

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

全矢樣本熵算法流程圖

圖1 全矢樣本熵算法流程圖經(jīng)NAMEMD分解后得到一系列多元IMFs，為了從中選取出有效的IMFs，采用相關(guān)系數(shù)法求出各IMF分量與原始信號(hào)的互相關(guān)系數(shù)。表1為8種工況的IMF分量與原始信號(hào)的互相關(guān)系數(shù)�？梢钥闯�，8種工況的前6個(gè)IMF分量與原始信號(hào)的互相關(guān)系數(shù)比其他分量大，因此選取IMF1～I(xiàn)MF6這6個(gè)分量做進(jìn)一步特征提取，可以反映出原始信號(hào)的大部分信息。

將8種工況在200km/h速度下的數(shù)據(jù)分為100組，每組486個(gè)采樣點(diǎn)，分別采用樣本熵算法和FVSE算法得到8種工況IMF1～I(xiàn)MF6這6個(gè)分量的特征值。分別提取2種算法下得到的IMF1～I(xiàn)MF3分量和IMF4～I(xiàn)MF6分量的特征值作為三維特征向量集的取值。圖3為8種工況下兩種特征的三維空間散點(diǎn)圖。圖3(a）和圖3(b）分別為采用2種算法得到IMF1～I(xiàn)MF3分量的特征值構(gòu)成的特征空間分布圖�？梢钥闯�，根據(jù)其特征分布可以較好地分辨出前轉(zhuǎn)向架抗蛇形減振器左一失效、左二失效和右一失效工況，且采用全矢樣本熵算法得到的特征值組成的特征空間能更好的聚類(lèi)，各工況特征也分得更開(kāi)。圖3(c）和圖3(d）分別為采用2種算法得到IMF4～I(xiàn)MF6分量的特征值構(gòu)成的特征空間分布圖�？梢钥闯�，根據(jù)其特征分布可以較好地分辨出前轉(zhuǎn)向架抗蛇形減振器右二失效、后轉(zhuǎn)向架抗蛇形減振器左一失效、左二失效工況，且采用FVSE算法得到的特征值還可以較好地區(qū)分后轉(zhuǎn)向架抗蛇形減振器右一失效、右二失效工況�？梢�(jiàn)，采用FVSE算法在三維空間中能看到更好的類(lèi)內(nèi)聚集性和類(lèi)間分離性。支持向量機(jī)是針對(duì)有限的樣本訓(xùn)練和分類(lèi)的機(jī)器學(xué)習(xí)方法，是根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原則而提出的[17]。統(tǒng)計(jì)學(xué)習(xí)理論在傳統(tǒng)統(tǒng)計(jì)學(xué)上做了補(bǔ)充，可以有效解決小樣本量和高維模式識(shí)別等問(wèn)題，廣泛應(yīng)用于數(shù)據(jù)挖掘、人臉識(shí)別及回歸分析等領(lǐng)域。實(shí)驗(yàn)分別提取IMF1～I(xiàn)MF6這6個(gè)分量的樣本熵特征和全矢樣本熵特征作為支持向量機(jī)的輸入，截取48 600個(gè)采樣點(diǎn)，每486個(gè)采樣點(diǎn)為一組，共分為100組。對(duì)每種工況都選擇100組樣本，其中80組用來(lái)訓(xùn)練，20組用來(lái)測(cè)試。8種工況一共得到800組樣本，640組用來(lái)訓(xùn)練，160組用來(lái)測(cè)試。實(shí)驗(yàn)選擇的核函數(shù)為徑向基核函數(shù)。表2為兩種特征提取算法的正確識(shí)別率。

【參考文獻(xiàn)】：
期刊論文
[1]90°彎管存在下的供水管道泄漏定位研究[J]. 文靜,張敏姿,張恒.  振動(dòng)與沖擊. 2018(06)
[2]基于MEMD的管道阻塞聲信號(hào)特征提取與識(shí)別方法[J]. 張浩,鄒金慧,馮早.  傳感器與微系統(tǒng). 2017(12)
[3]基于小波包變換與樣本熵的滾動(dòng)軸承故障診斷[J]. 趙志宏,楊紹普.  振動(dòng).測(cè)試與診斷. 2012(04)
[4]基于樣本熵快速算法的心音信號(hào)動(dòng)力學(xué)分析[J]. 王新沛,楊靜,李遠(yuǎn)洋,劉常春,李麗萍.  振動(dòng)與沖擊. 2010(11)
[5]旋轉(zhuǎn)機(jī)械的全信息能量譜分析方法研究[J]. 韓捷,石來(lái)德.  機(jī)械強(qiáng)度. 2003(04)

博士論文
[1]基于全矢譜的設(shè)備故障預(yù)測(cè)方法研究[D]. 陳磊.鄭州大學(xué) 2018
[2]高速列車(chē)轉(zhuǎn)向架故障的信息熵測(cè)度特征分析方法研究[D]. 秦娜.西南交通大學(xué) 2014

碩士論文
[1]基于MEMD的高速列車(chē)安全性態(tài)評(píng)估應(yīng)用研究[D]. 吳志丹.西南交通大學(xué) 2017
[2]基于分形理論的高速列車(chē)狀態(tài)分析與故障診斷研究[D]. 李潭.西南交通大學(xué) 2015
[3]基于多元EMD的BCI信號(hào)處理研究[D]. 劉源.燕山大學(xué) 2013



本文編號(hào)：2952106