全矢样本熵在高速列车故障诊断中的应用

发布时间：2021-01-01 22:31

　　为了有效提取高速列车转向架振动信号的故障特征以及针对单通道采集的信息难以完善地反映出列车运行状态的问题,提出了一种基于全矢样本熵（full vector sample entropy,简称FVSE）算法的故障特征提取方法。首先,使用噪声辅助多元经验模态分解（noise assisted multivariate empirical mode decomposition,简称NAMEMD）方法对振动信号进行分解,得到一系列多元本征模态函数;其次,根据相关系数法选择与原始信号最相关的本征模态函数分别进行样本熵和全矢样本熵特征提取;最后,将得到的特征向量分别作为支持向量机的输入对列车状态进行识别。实验结果表明,采用全矢样本熵算法的故障识别率普遍比采用样本熵算法提高了6个百分点,最高达到了98%以上,验证了噪声辅助多元经验模态分解方法结合全矢样本熵算法对高速列车故障诊断的有效性。 

【文章来源】：振动.测试与诊断. 2020年04期 北大核心

【文章页数】：8 页

【部分图文】：

全矢样本熵算法流程图

图1 全矢样本熵算法流程图经NAMEMD分解后得到一系列多元IMFs，为了从中选取出有效的IMFs，采用相关系数法求出各IMF分量与原始信号的互相关系数。表1为8种工况的IMF分量与原始信号的互相关系数。可以看出，8种工况的前6个IMF分量与原始信号的互相关系数比其他分量大，因此选取IMF1～IMF6这6个分量做进一步特征提取，可以反映出原始信号的大部分信息。

将8种工况在200km/h速度下的数据分为100组，每组486个采样点，分别采用样本熵算法和FVSE算法得到8种工况IMF1～IMF6这6个分量的特征值。分别提取2种算法下得到的IMF1～IMF3分量和IMF4～IMF6分量的特征值作为三维特征向量集的取值。图3为8种工况下两种特征的三维空间散点图。图3(a）和图3(b）分别为采用2种算法得到IMF1～IMF3分量的特征值构成的特征空间分布图。可以看出，根据其特征分布可以较好地分辨出前转向架抗蛇形减振器左一失效、左二失效和右一失效工况，且采用全矢样本熵算法得到的特征值组成的特征空间能更好的聚类，各工况特征也分得更开。图3(c）和图3(d）分别为采用2种算法得到IMF4～IMF6分量的特征值构成的特征空间分布图。可以看出，根据其特征分布可以较好地分辨出前转向架抗蛇形减振器右二失效、后转向架抗蛇形减振器左一失效、左二失效工况，且采用FVSE算法得到的特征值还可以较好地区分后转向架抗蛇形减振器右一失效、右二失效工况。可见，采用FVSE算法在三维空间中能看到更好的类内聚集性和类间分离性。支持向量机是针对有限的样本训练和分类的机器学习方法，是根据结构风险最小化的原则而提出的[17]。统计学习理论在传统统计学上做了补充，可以有效解决小样本量和高维模式识别等问题，广泛应用于数据挖掘、人脸识别及回归分析等领域。实验分别提取IMF1～IMF6这6个分量的样本熵特征和全矢样本熵特征作为支持向量机的输入，截取48 600个采样点，每486个采样点为一组，共分为100组。对每种工况都选择100组样本，其中80组用来训练，20组用来测试。8种工况一共得到800组样本，640组用来训练，160组用来测试。实验选择的核函数为径向基核函数。表2为两种特征提取算法的正确识别率。

【参考文献】：
期刊论文
[1]90°弯管存在下的供水管道泄漏定位研究[J]. 文静,张敏姿,张恒.  振动与冲击. 2018(06)
[2]基于MEMD的管道阻塞声信号特征提取与识别方法[J]. 张浩,邹金慧,冯早.  传感器与微系统. 2017(12)
[3]基于小波包变换与样本熵的滚动轴承故障诊断[J]. 赵志宏,杨绍普.  振动.测试与诊断. 2012(04)
[4]基于样本熵快速算法的心音信号动力学分析[J]. 王新沛,杨静,李远洋,刘常春,李丽萍.  振动与冲击. 2010(11)
[5]旋转机械的全信息能量谱分析方法研究[J]. 韩捷,石来德.  机械强度. 2003(04)

博士论文
[1]基于全矢谱的设备故障预测方法研究[D]. 陈磊.郑州大学 2018
[2]高速列车转向架故障的信息熵测度特征分析方法研究[D]. 秦娜.西南交通大学 2014

硕士论文
[1]基于MEMD的高速列车安全性态评估应用研究[D]. 吴志丹.西南交通大学 2017
[2]基于分形理论的高速列车状态分析与故障诊断研究[D]. 李潭.西南交通大学 2015
[3]基于多元EMD的BCI信号处理研究[D]. 刘源.燕山大学 2013



本文编号：2952106