一种基于MEEMD排列熵的高速列车轮对轴承故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108254179A(43)申请公布日2018.07.06(21)申请号201710672709.X(22)申请日2017.08.08(71)申请人常州路航轨道交通科技有限公司地址213100江苏省常州市武进区常武中路18号常州市科教城天鸿科技大厦B座503-505(72)发明人施莹庄哲林建辉黄衍刘泽潮陈谢祺(74)专利代理机构成都顶峰专利事务所(普通合伙)51224代理人赵正寅(51)Int.Cl.G01M13/04(2006.01)权利要求书1页说明书8页附图10页(54)发明名称一种基于MEEMD排列熵的高速列车轮对轴承故障诊断方法(57)摘要本发明提供了本发明针对EMD、EEMD的缺点，提出了一种基于MEEMD排列熵的高速列车轮对轴承故障诊断方法。一种基于MEEMD排列熵的高速列车轮对轴承故障诊断方法，依次包括以下步骤：信号采集；对原始振动信号进行滤波消噪；MEEMD分解；排列熵特征提；高维特征向量分为两组；训练模型；诊断结果。在特征提取环节，MEEMD的引入使得信号特征在多个尺度上得到了体现，相对于EMD排列熵特征识别率相比，相对单一故障模式识别率得到了明显提升。基于MEEMD排列熵的分析方法所需数据较短，抗噪、扛干扰能力较强，可以有效的应用于高速列车轮对轴承故障分析。CN108254179ACN108254179A权利要求书1/1页1.一种基于MEEMD排列熵的高速列车轮对轴承故障诊断方法，其特征是：依次包括以下步骤：1)信号采集：采集的原始振动信号；2)预处理：对原始振动信号进行滤波消噪；3)MEEMD分解：采用MEEMD方法对进行预处理之后的信号分解，获取一系列窄带本征模态函数IMFs，确定MEEMD过程的高斯白噪声幅值系数和EEMD的分解次数；4)排列熵特征提取：利用相关系数法选取和原始数据最为相关的IMFs，根据预处理后的振动信号和选定的IMFs的分量选择相应的嵌入维数与延迟时间并进行相空间重构，计算各尺度信号的排列熵测度值，用排列熵测度值组成高维特征向量；5)分组：将高维特征向量分为两组，一组作为训练样本输入至LSSVM得到LSSVM分类模型，另一组作为待测样本输入至训练模型；6)训练模型：通过训练样本对LSSVM分类模型进行训练，获得训练好的LSSVM分类模型；7)诊断结果：利用训练好的LSSVM分类模型对待测样本进行诊断。2.根据权利要求1所述的一种基于MEEMD排列熵的高速列车轮对轴承故障诊断方法，其特征是：通过小波包变换对原始振动信号进行滤波消噪。3.根据权利要求1所述的一种基于MEEMD排列熵的高速列车轮对轴承故障诊断方法，其特征是：MEEMD步骤如下：1)原始振动信号进行滤波消噪，得到待分析信号x(t)；2)在待分析信号x(t)中加入绝对值相等的正负两组白噪声信号n(t)，分别进行集总平均次数相等的EEMD分解，如式(1)和式(2)：式中：ci+(t)和ci-(t)(i＝1,2,…,m)代表分解得到的两组结果；3)对分解获得的两组结果里相应IMF分量求均，如式(3)：ci(t)＝0.5(ci+(t)+ci-(t)),i＝1,2,…,m(3)4)将ci(t)定义为pro-IMF，对ci(t)进行EMD分解，如式(4)和式(5)：式中：d1(t)表示第一个pro-IMF分量；c1(t)经EMD分解得到的第1个IMF分量，q1(t)表示剩下的残余分量的叠加；hk(t)表示第k个pro-IMF分量，hk(t)是由第k－1个残余分量qk-1(t)和第k个分量ck(t)所组成，dk(t)表示由hk(t)分解得到的第1个IMF分量，qk(t)表示hk(t)残余分量的叠加，其中k＝2,…,m；5)则ci(t)表示如式(6)：式中：dl(t)表示最终得到的IMF分量，r(t)表示残余分量。2CN108254179A说明书1/8页一种基于MEEMD排列熵的高速列车轮对轴承故障诊断方法技术领域[0001]本发明涉及列车安全诊断领域，尤其涉及一种基于MEEMD排列熵的高速列车轮对轴承故障诊断方法。背景技术[0002]随着高铁蓬勃发展，铁路网覆盖面不断扩大，越来越多的高速列车投入运营，如何保障列车的安全运行已成为各专家学者重点研究的内容。车轮对轴承作为列车走行部的关键部件，其功能为承担列车垂向自重及载重力，及列车轮轨间特有的横向非稳定力，对列车行车安全有至关重要的影响。随着车辆行驶速度提高，运营里程增长，轮轨间的动载荷的加剧使得轮对轴承的运行工况越发恶劣，这加剧了轮对轴承异常磨损、擦伤等故障的产生，危及行车安全。因此，开展高速列车轮对轴承的故障检测与诊断研究是十分必要的。[0003]经验模态分解(EmpiricalModeDecomposit