基于EEMD样本熵的高速列车转向架故障特征提取-论文.pdf

《基于EEMD样本熵的高速列车转向架故障特征提取-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第49卷第1期西南交通大学学报Vo1．49No．12014年2月JOURNALOFSOUTHWESTJIAOTONGUNIVERSITYFeb．2014文章编号：0258—2724(2014)01-0027-06DOI：10．3969／j．issn．0258-2724．2014．01．005基于EEMD样本熵的高速列车转向架故障特征提取秦娜，金炜东，黄进，李智敏，刘景波(西南交通大学电气工程学院，四川成都610031)摘要：为了监测高速列车转向架关键部件的工作状态，提出了采用聚合经验模态分解和样本熵信息测度理论相结合的方法提取信号特征．以转向架正常、空气弹簧失气、横向减振

2、器故障和抗蛇行减振器故障4种典型工况下车体及转向架的振动信号为研究对象，将信号进行聚合经验模态分解，得到～系列成分简单的固有模态函数，分别计算样本熵值构成高维特征矢量，最后采用支持向量机进行故障状态的分类识别．实验结果表明，列车在200km／h速度下，故障识别率可以达到88％，证明了该特征提取算法的有效性．关键词：转向架；阈值消噪；聚合经验模态分解；样本熵；支持向量机中图分类号：TP274；TP391．4文献标志码：AFeatureExtractionofHighSpeedTrainBogieBasedonEnsembleEmpiricalModeDecompositio

3、nandSampleEntropyQmNaJlNWeidong，HUANGJin，LIZhimin，LIUJingbo(SchoolofElectricalEngineering，SouthwestJiaotongUniversity，Chengdu610031，China)Abstract：Tomonitortheworkingconditionofkeycomponentsofhighspeedtrainbogieintime，anovelmethodforfeatureextractionisproposedbycombinationofensembleempiri

4、calmodedecomposition(EEMD)andsampleentropytheory．Vibrationsignalsareobtainedfromtrainbodyandbogieunderfourtypicalworkingconditions，suchasnormalcondition，airspringfault，lateraldamperfault，andyawdamperfault．AfterEEMD，signalshavebeendecomposedintoaseriesofintrinsicmodefunctions(IMFs)，andthes

5、ampleentropiesoftheseIMFsconstituteahighdimensionalcharacteristicvector．Finally，thesupportvectormachineisusedtoidentifythefaultconditionsbased0nthecharacteristicvector．Theexperimentalresultshowsthattherecognitionrateis88％atthespeedof200km／h．Therefore，thisfeatureextractionmethodiseffective

6、forhighspeedtrainbogiefaultsignals．Keywords：bogie；thresholdde—noising；ensembleempiricalmodedecomposition(EEMD)；sampleentropy；supportvectormachine(SVM)转向架是高速列车走行部的重要组成部分，其实际应用中有着重要的意义¨．由于转向架发生机械性能的优劣对整个高速列车系统运行的可靠故障的机理复杂，特征信号不明显，利用常规的信性和安全性都有着非常重要的影响，因此，高速列号处理方法很难有效提取故障信息及对转向架故车转向架关键部件的性能检

7、测及故障诊断方法在障作出正确的判断识别．收稿日期：2O12-09．15基金项目：国家自然科学基金重点项目(61134002)；国家自然科学基金资助项目(61075104)；中央高校基本科研业务费专项资金资助项目(SWJTU11BR039，SWJTU11ZT06)作者简介：秦娜(1978一)，女，博士研究生，研究方向为智能信息处理和模式识别，E-mail：qinna@swjtu．ell28西南交通大学学报第49卷经验模式分解(empiricalmodedecomposition，EEMD算法的步骤如下¨：EMD)根据信号本身的特