[發明專利]一種基于MEEMD排列熵的高速列車輪對軸承故障診斷方法

在審

• 申請號: 201710672709.X
• 申請日: 2017-08-08
• 公開（公告）號: CN108254179A
• 公開（公告）日: 2018-07-06
• 發明（設計）人: 施瑩;莊哲;林建輝;黃衍;劉澤潮;陳謝祺
• 申請（專利權）人: 常州路航軌道交通科技有限公司
• 主分類號: G01M13/04
• 分類號: G01M13/04
• 代理公司: 成都頂峰專利事務所(普通合伙) 51224
• 代理人: 趙正寅

本發明提供了本發明針對EMD、EEMD的缺點，提出了一種基于MEEMD排列熵的高速列車輪對軸承故障診斷方法。一種基于MEEMD排列熵的高速列車輪對軸承故障診斷方法，依次包括以下步驟：信號采集；對原始振動信號進行濾波消噪；MEEMD分解；排列熵特征提；高維特征向量分為兩組；訓練模型；診斷結果。在特征提取環節，MEEMD的引入使得信號特征在多個尺度上得到了體現，相對于EMD排列熵特征識別率相比，相對單一故障模式識別率得到了明顯提升。基于MEEMD排列熵的分析方法所需數據較短，抗噪、扛干擾能力較強，可以有效的應用于高速列車輪對軸承故障分析。

技術領域

本發明涉及列車安全診斷領域，尤其涉及一種基于MEEMD排列熵的高速列車輪對軸承故障診斷方法。

背景技術

隨著高鐵蓬勃發展，鐵路網覆蓋面不斷擴大，越來越多的高速列車投入運營，如何保障列車的安全運行已成為各專家學者重點研究的內容。車輪對軸承作為列車走行部的關鍵部件，其功能為承擔列車垂向自重及載重力，及列車輪軌間特有的橫向非穩定力，對列車行車安全有至關重要的影響。隨著車輛行駛速度提高，運營里程增長，輪軌間的動載荷的加劇使得輪對軸承的運行工況越發惡劣，這加劇了輪對軸承異常磨損、擦傷等故障的產生，危及行車安全。因此，開展高速列車輪對軸承的故障檢測與診斷研究是十分必要的。

經驗模態分解(Empirical Mode Decomposition，簡稱EMD)是具有自適應能力的信號分析方法，尤其適用于非線性、非平穩信號的分析過程在分解帶有沖擊成分的輪對軸承故障振動信號時，易產生模態混疊現象，該現象使得EMD 分解獲得的本征模態函數(Intrinsic Mode Functions，簡稱IMFs)包絡譜雜亂，難以識別反映軸承故障特性的故障頻率，為輪對的故障模式識別、故障嚴重性評價帶來了一定的困難。

聚合經驗模態分解(Ensemble Empirical Mode Decomposition，簡稱EEMD) 的出現，很好的解決了上述問題，但是EEMD方法也有一些缺陷，其一，如果 EEMD添加的白噪聲的幅值很小將導致其分解不能抑制信號中的模態混疊，如果添加白噪聲的幅值較大，將導致集總平均的計算量大幅增加，同時也將導致信號中的高頻成分難于分解，其分解結果也將包含大量的殘余白噪聲。其二，信號采用EEMD方法分解獲得的結果可能不是標準的IMF分量，甚至還會有模態分裂的問題，即同一個物理過程被分解到兩個或者多個IMF分量里。

發明內容

本發明針對EMD、EEMD的缺點，提出了一種基于MEEMD排列熵的高速列車輪對軸承故障診斷方法。

為了解決以上技術問題，本發明通過以下技術方案實現：

一種基于MEEMD排列熵的高速列車輪對軸承故障診斷方法，依次包括以下步驟：

1)信號采集：采集的原始振動信號。

2)預處理：對原始振動信號進行濾波消噪。

3)MEEMD分解：采用MEEMD方法對進行預處理之后的信號分解，獲取一系列窄帶本征模態函數IMFs，確定MEEMD過程的高斯白噪聲幅值系數和 EEMD的分解次數。

4)排列熵特征提?。豪孟嚓P系數法選取和原始數據最為相關的IMFs，根據預處理后的振動信號和選定的IMFs的分量選擇相應的嵌入維數與延遲時間并進行相空間重構，計算各尺度信號的排列熵測度值，用排列熵測度值組成高維特征向量。

5)分組：將高維特征向量分為兩組，一組作為訓練樣本輸入至LSSVM得到LSSVM分類模型，另一組作為待測樣本輸入至訓練模型。

6)訓練模型：通過訓練樣本對LSSVM分類模型進行訓練，獲得訓練好的 LSSVM分類模型。

7)診斷結果：利用訓練好的LSSVM分類模型對待測樣本進行診斷。