CN106596149A - 基于vmd的轨道车辆平轮状态的监测与诊断方法 - Google Patents

Abstract

本发明公开了一种基于VMD的轨道车辆平轮状态的监测与诊断方法，包括如下步骤：通过安装于轨道内的传感器采集平轮的振动信号；对所述振动信号进行VMD变分模态分解，得到多个不同频率下的模态；对多个所述模态构建包络谱熵特征；在包络谱熵特征中选取与所述振动信号一致性强的包络谱熵值；将选取的多个包络谱熵值输入训练支持向量机中进行识别，识别平轮的工况。本发明的所述的基于VMD的轨道车辆平轮状态的监测与诊断方法，具有识别平轮工况准确率高的特点。

Description

基于VMD的轨道车辆平轮状态的监测与诊断方法

技术领域

本发明属于平轮故障监测技术领域，具体涉及一种基于VMD的轨道车辆平轮状态的监测与诊断方法。

背景技术

车轮是轨道车辆的关键部件，在列车频繁提速、载重不断加大的背景下，车体故障变得复杂多样，平轮故障就是其中之一。平轮的产生会导致车辆轴承损伤、轴温升高、钢轨波磨等问题，需要监测的工况包括有四种，具体为踏面正常、踏面擦伤、踏面剥离和圆周磨耗。实现平轮故障的非接触在线监测方法有很多，国内外常见的方法有位移检测法、电信号检测法、振动分析法等。由于振动分析法技术较成熟，成本低，广泛应用高低车速的在线实时检测分析。

其中经验模态分解(EMD)是一种较为不便的振动分析法，其是一种自适应信号的处理方法，在机械故障诊断中得到了广泛应用，《振动工程学报》中发表的“有关滚动轴承故障EMD诊断方法研究”，利用EMD将滚动轴承局部损伤产生的高频调幅信号分离出来，利用Hilbert变换计算包络谱，提取滚动轴承的内外圈故障特征频率。为实现平轮故障诊断，《振动与冲击》该书中关于“车轮踏面擦伤识别方法”，是结合改进的EMD方法与小波包变换实现踏面擦伤程度的定量判别。同时还有将EEMD和近似熵应用于列车转向架关键部件的故障诊断中，得到了较好的故障分类效果。但是EMD容易引起模态混叠，从而导致遗漏重要的特征信息。

发明内容

为了解决上述问题，本发明的目的在于：提供一种基于VMD的轨道车辆平轮状态的监测与诊断方法，具有识别平轮工况准确率高的特点。

为实现上述目的，本发明按以下技术方案予以实现的：

本发明所述基于VMD的轨道车辆平轮状态的监测与诊断方法，包括如下步骤：

通过安装于轨道内的传感器采集平轮的振动信号；

对所述振动信号进行VMD变分模态分解，得到多个不同频率下的模态；

对多个所述模态构建包络谱熵特征；

在包络谱熵特征中选取与所述振动信号一致性强的包络谱熵值；

将选取的多个包络谱熵值输入训练支持向量机中进行识别，识别平轮的工况。

进一步地，对所述振动信号进行VMD变分模态分解采用乘法算子方向法，得到多个不同频率下的模态u_k。

进一步地，所述乘法算子方向法具体为：

对所述振动信号的模态分量中心频率算子进行初始化；

更新u_k、ω_k和λ，具体公式为：

其中ω为中心频率，α为二次乘法因子，λ为拉格朗日乘法算子；

确定判定精度e，根据判定公式，对于满足该判定公式的情况，停止迭代输出分解模态u_k。

进一步地，所述判定公式具体为：其中取e＝1×10^-6。

进一步地，对多个模态构建包络谱熵特征的步骤，具体是：

对模态u_k进行希尔伯特变换H[U_k(t)]，求取包络信号Z(t)，具体公式为：

对所述包络信号Z(t)进行傅里叶变换，求取包络谱Q_i，具体公式为H_i(w)＝FFT(z(t))、Q_i＝|H_i(w)|，其中Hi(w)对包络信号Z(t)进行傅里叶变换的函数；

对所述包络谱进行归一化处理，求取包络谱熵值R，具体公式为：其中E_i为第i(i＝1、2、3、4....)个包络谱在整体包络谱中所占的比例，所述包络谱熵值R的集合为包络谱熵特征。

进一步地，所述与所述振动信号一致性强的包络谱熵值，具体为获取皮尔逊相关系数大的包络谱熵值。

进一步地，所述皮尔逊相关系数大的包络谱熵值位于包络谱熵特征的前端位置。

进一步地，所述训练支持向量机是通过将现有的多个已知工况对应的包络谱熵值输入，然后将各个工况下的包络谱熵值分开，形成的固定思维定式的参考模型。

进一步地，所述传感器所在轨道的检测区域长度大于平轮周长的两倍。

进一步地，所述传感器包括至少8个振动加速度传感器和至少3个车轮速度传感器；所述振动加速度传感器分别对称设于轨道的两内侧；两个所述车轮速度传感器设于振动加速度传感器的前方，剩余1个所述车轮速度传感器设于振动加速度传感器的后方，并且三个所述车轮速度传感器都位于轨道的同一侧。

与现有技术相比，本发明的有益效果是：

(1)利用变分模态分解VMD和包络谱熵分析车辆平轮故障，可以有效提取故障的特征频率；

(2)在应用变分模态分解VMD后，根据分量和原始信号的相关性，选取合适的模态分量，从而提高特征的关联性；

(3)利用支持向量机SVM对故障进行识别，采用VMD-包络谱熵作为提取特征，识别准确率可达100％，实现平轮故障的准确判别。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明，其中：

图1是本发明所述的基于VMD的轨道车辆平轮状态的监测与诊断方法的流程示意图；

图2是本发明所述的基于VMD的轨道车辆平轮状态的监测与诊断方法中乘法算子方向法的流程示意图；

图3是本发明所述的基于VMD的轨道车辆平轮状态的监测与诊断方法中构件包络谱熵特征的流程示意图；

图4是本发明所述的基于VMD的轨道车辆平轮状态的监测与诊断方法中安装传感器的结构示意图；

图5是本发明所述的基于VMD的轨道车辆平轮状态的监测与诊断方法中采用的仿真信号及VMD的分解效果图；

图6是采用的进行EMD经验模态分解方式采用的仿真信号及分解效果图；

图7是本发明所述的基于VMD的轨道车辆平轮状态的监测与诊断方法中采用的仿真信号VMD分解中U₁的频谱图；

图8是采用的进行EMD经验模态分解中的IMF1的频谱图；

图9是本发明所述的基于VMD的轨道车辆平轮状态的监测与诊断方法中采用的实测信号及VMD的分解效果图；

图10本发明所述的基于VMD的轨道车辆平轮状态的监测与诊断方法中VMD分解中U₁的包络谱图；

图11是本发明所述的基于VMD的轨道车辆平轮状态的监测与诊断方法中不同工况下VMD-包络谱熵值的分布图；

图12是采用EMD经验模态方式获取的EMD-包络谱熵值的分布图；

图13是发明所述的基于VMD的轨道车辆平轮状态的监测与诊断方法中测试集分类效果图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

如图1～图13所示，本发明所述的基于VMD的轨道车辆平轮状态的监测与诊断方法，通过采用变分模态分解VMD的方法，其是一种新的模态估计方法，通过迭代搜索变分问题最优解，从而分解分量的频率中心和带宽。同时将变分模态分解VMD应用到平轮碰撞故障诊断中，通过与EMD的对比分析，得出变分模态分解VMD在诊断该故障类型中的优越性。本发明首次把变分模态分解VMD引入到地铁等车辆的平轮故障诊断中，实验结果证明，该方法能很好的实现地铁车辆平轮故障诊断。

如图1所示，本发明所述的基于VMD的轨道车辆平轮状态的监测与诊断方法，具体包括如下步骤：

S1：通过安装于轨道内的传感器采集平轮的振动信号；

其中，所述传感器包括至少8个振动加速度传感器和至少3个车轮速度传感器；所述振动加速度传感器分别对称设于轨道的两内侧；两个所述车轮速度传感器设于振动加速度传感器的前方，剩余1个所述车轮速度传感器设于振动加速度传感器的后方，并且三个所述车轮速度传感器都位于轨道的同一侧。

同时，为保证检测区域至少能够采集到两次平轮的振动信号，需要使检测区域的长度大于平轮周长的两倍。

S2：对所述振动信号进行VMD变分模态分解，得到多个不同频率下的模态；

该步骤具体采用乘法算子方向法，如图2所示，得到多个不同频率下的模态u_k；

所述乘法算子方向法具体为：

S21：对所述振动信号的模态分量中心频率算子进行初始化；

S22：更新u_k、ω_k和λ，具体公式为：

其中ω为中心频率，α为二次乘法因子，λ为拉格朗日乘法算子；

S23：确定判定精度e，根据判定公式其中е＞0，在本实施例中取e＝1×10^-6，对于满足该判定公式的情况，停止迭代输出分解模态u_k。

S3：对多个所述模态构建包络谱熵特征；如图3所示。

S31：对模态u_k进行希尔伯特变换H[U_k(t)]，求取包络信号Z(t)，具体公式为：

S32：对所述包络信号Z(t)进行傅里叶变换，求取包络谱Q_i，具体公式为H_i(w)＝FFT(z(t))、Q_i＝|H_i(w)|，其中Hi(w)对包络信号Z(t)进行傅里叶变换的函数；

S33：对所述包络谱进行归一化处理，求取包络谱熵值R，具体公式为：其中E_i为第i个包络谱在整体包络谱中所占的比例，所述包络谱熵值R的集合为包络谱熵特征。

S4：在包络谱熵特征中选取与所述振动信号一致性强的包络谱熵值；

所述与所述振动信号一致性强的包络谱熵值，指的是位于包络谱熵特征前面的多个包络谱熵值。

具体地，获取包络谱熵特征的皮尔逊相关系数，其中，皮尔逊相关系数越大，则表明说明模态分量和原始信号的一致性越好。所述皮尔逊相关系数是一种度量两个变量间相关程度的方法。它是一个介于1和-1之间的值，其中，1表示变量完全正相关，0表示无关，-1表示完全负相关。

同时，通过统计，位于前端位置的包络谱熵值明显比位于后端位置的包络谱熵值与原始信号的一致性强。

S5：将选取的多个包络谱熵值输入训练支持向量机中进行识别，识别平轮的工况。

所述训练支持向量机是通过现有的多个已知工况数据值输入，然后将各个工况下的数据分开，形成的固定思维定式的参考模型。

具体地，为了让正常数据和故障数据尽可能分开，通过多个已知况对应的包络谱熵值输入到支持向量机中，然后将各个工况下的包络谱熵值分开，使得支持向量机已经形成一种思维定式，从而使得将输入的一个未知包络谱熵值，进入该训练支持向量机，看这个包络谱熵值离正常数据还是故障数据距离近，如果离正常数据近，则把它归为正常数据，否则，则为故障数据。同时，如果是故障数据，又与哪一种故障数据接近，从而判断平轮的具体工况。

为了更好的说明本发明所述的基于VMD的轨道车辆平轮状态的监测与诊断方法的原理，结合如下具体对比实验来描述：

如图4所示的安装示意图，即在轨道的两内侧安装有8个振动加速度传感器，用于采集振动过程中冲击力的大小。其中，每侧各4个，一侧(左侧)为L1、L2、L3、L4，另一侧(右侧)为R1、R2、R3、R4，同时在右侧所在的轨道上安装有车轮速度传感器，用于采集车轮驶过轨道时的速度，其中有两个W1、W2分布于R1的前方，剩余的1个W3分布于R4的后方。

对于以上振动加速度传感器以及车轮速度传感器的数目可以根据实际需求进行调整，但是位于左右两侧的轨道上的振动加速度传感器是对称分布的，同时车路速度传感器也是可以位于左侧所在的轨道上，并且数目也可以根据实际调整。

步骤一：采集振动信号；

在图4所示中，振动加速度传感器之间的间距为1.8m，车轮速度传感器W1与W2之间的间距为1m，W2与R1的间距为5m，R4与W3的间距为5m。对于图示中各个传感器的间距，也是可以做微调，目的只是为了更有效的采集到所需的振动信号。

在以上设置的情况下，试验中的采样频率设为7992Hz，选择车速为40Km/h，每个车轮对应的信号长度就是车轮过10m有效区域的离散点个数，约7193-9590个数据点，为方便信号处理统一取8192个点，即获取的振动信号。

步骤二：VMD变分模态分解

其中采用的仿真信号x(t)设为：x(t)＝sin(80πt)+0.6sin(160πt)+randn(size(t))，仿真信号x(t)的采样频率为1000Hz,采样时间为1s，randn函数是模拟噪声源。仿真结果如下：图5为仿真信号及VMD的分解效果，图7为仿真信号VMD分解中U₁的频谱图。

同时，为了更好的说明本发明采用VMD的变分模态分解方法的优势，结合采用EMD的分解方式进行比较，其仿真信号及分解效果如图6，仿真信号EMD分解中IMF1的频谱图如图8所示。

通过对比，对比图5和图6，可以看出相比较于EMD的分解效果，VMD对仿真信号分解出三个分量，比较完成的重现了原信号的组成，而EMD分解出四个分量，出现了模态混叠的现象，其中IMF3为虚假模态。对比图7和图8，可以看出相对于EMD对含噪仿真信号的分解，VMD分解受噪声影响小，能够较好的分解出40Hz和80Hz的信号频率。

地铁平轮常见的四种工况为：踏面正常、踏面擦伤、踏面剥离和圆周磨耗。本文采用VMD分解对圆周磨耗进行分析，并对模态的高频成分进行包络谱分析，实验结果如下：图9为实测信号及VMD的分解效果，图10为实测信号VMD分解中U₁的包络谱图。

地铁平轮故障通常能激发高频固有频率，因此分别对两种分解方法的高频模态，进行包络谱分析。从图7可以看出，在U₁中有一个明显的峰值，对应的圆周磨耗故障引起的轮轨振动频率。

从图9和图10的对比，地铁平轮故障通常能激发高频固有频率，因此分别对两种分解方法的高频模态，进行包络谱分析。从图9可以看出，在U₁中有一个明显的峰值，对应的圆周磨耗故障引起的轮轨振动频率。

步骤三：构建包络谱熵特征

皮尔逊相关系数是一种反映变量之间相关密切程度的统计指标它他的值越大，说明两个信号之间相关度越大。综合考虑筛选每个样本，分解产生的5个相关系数较大的模态分量U_k进行后续的特征提取，计算原始振动信号和VMD分解的模态分量U_k之间的皮尔逊相关系数，如表一所示。

表一 VMD分解后的U模态分量U_k与原始信号的相关系数

由表一可以看出VMD分解后的前三个U_k分量与原始信号的相关度高，计算前三个分量的包络谱熵值，并做归一化处理作为特征向量，其结果如表二所示。

表二 VMD分解后的前三个U_k分量的包络谱熵值

为对比VMD-包络谱熵值的特征提取效果，再对轮轨振动信号进行EMD经验模态分解，构造EMD-包络谱熵值特征向量，进行对比。四种踏面工况各统一取40个样本，为可视化两种特征提取的效果，取特征向量前三个维度的熵值，展示结果如图11和12所示。

根据以上展示结构，可以表明VMD-包络谱熵值特征向量代表的样本，类内聚性比较好，类内边界清晰，能提高自动识别的准确率。

步骤四：包络谱熵值的选取

为验证VMD-包络谱熵值在轨道车辆故障诊断中的良好效果，按照上述方法在故障特征提取阶段计算原始振动信号的3层小波包分解第三层8个信号频带能量作为特征向量。

步骤五：输入支持向量机中识别

根据熵理论，构造不同工况下的故障特征向量，每种工况取40组数据，然后将其作为支持向量机分类器的输入进行训练，通过对训练集的训练得到分类器的模型，对测试集进行分类预测，每种工况随机取10组测试集样本，分类效果如下图，根据图13可以看出，所有测试集都被正确分类，取得了较好的分类效果。

通过将步骤四中获取的8个信号频带能量，用支持向量机进行识别，得到的分类准确率，如表三所示。

表三 不同特征提取方法的分类准确率

对比试验结果可以发现，采用支持向量机进行分类判别时，用VMD-包络谱熵值作为特征向量，能获得更好的分类效果。

本发明所述的基于VMD的轨道车辆平轮状态的监测与诊断方法，通过与传统的EMD经验模态分解方式进行比对，可以非常明显的获得如下特点：

(1)地铁平轮故障振动信号具有非平稳性，仿真和和实测信号的分析结果表明，利用变分模态分解和包络谱熵分析地铁平轮故障，可以有效提取故障的特征频率。需要注意的是，在应用VMD分解后，应该根据分量和原始信号的相关性，选取合适的模态分量，以提高特征的关联性。

(2)本文分别采用EMD和VMD进行特征提取，再利用SVM对故障进行识别，实验表明，采用VMD-包络谱熵作为提取特征，识别准确率可达100％，实现平轮故障的准确判别。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，故凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何修改、等同变化与修饰,均仍属于本发明技术方案的范围内。

Claims (10)

1.一种基于VMD的轨道车辆平轮状态的监测与诊断方法，其特征在于，包括如下步骤：

通过安装于轨道内的传感器采集平轮的振动信号；

对所述振动信号进行VMD变分模态分解，得到多个不同频率下的模态u_k；

对多个所述模态构建包络谱熵特征；

在包络谱熵特征中选取与所述振动信号一致性强的包络谱熵值；

将选取的多个包络谱熵值输入训练支持向量机中进行识别，识别平轮的工况。

2.根据权利要求1所述的基于VMD的轨道车辆平轮状态的监测与诊断方法，其特征在于：

对所述振动信号进行VMD变分模态分解采用乘法算子方向法，得到多个不同频率下的模态u_k。

3.根据权利要求2所述的基于VMD的轨道车辆平轮状态的监测与诊断方法，其特征在于：

所述乘法算子方向法具体为：

对所述振动信号的模态分量中心频率算子进行初始化；

更新u_k、ω_k和λ，具体公式为：

${\hat{u}}_k^{n+1}\left(\mathrm{\ω}\right)=\frac{\hat{f}\left(\mathrm{\ω}\right)-\underset{i\≠k}{\mathrm{\Σ}}\widehat{u_i}\left(\mathrm{\ω}\right)+\frac{\widehat{\mathrm{\λ}}\left(\mathrm{\ω}\right)}{2}}{1+2\mathrm{\α}{(\mathrm{\ω}-{\mathrm{\ω}}_k)}^2},$

${\mathrm{\ω}}_k^{n+1}=\frac{{\∫}_0^{\mathrm{\∞}}\mathrm{\ω}|\widehat{u_k}\left(\mathrm{\ω}\right){|}^{2}d\mathrm{\ω}}{{\∫}_0^{\mathrm{\∞}}|\widehat{u_k}\left(\mathrm{\ω}\right){|}^{2}d\mathrm{\ω}},$

其中ω为中心频率，α为二次乘法因子，λ为拉格朗日乘法算子；

确定判定精度e，根据判定公式，对于满足该判定公式的情况，停止迭代输出分解模态u_k。

4.根据权利要求3所述的基于VMD的轨道车辆平轮状态的监测与诊断方法，其特征在于：

所述判定公式具体为：其中取e＝1×10^-6。

5.根据权利要求3或4所述的基于VMD的轨道车辆平轮状态的监测与诊断方法，其特征在于：

对多个模态构建包络谱熵特征的步骤，具体是：

对模态u_k进行希尔伯特变换H[U_k(t)]，求取包络信号Z(t)，具体公式为：

$Z\left(t\right)=\sqrt{{\[U_k\left(t\right)\]}^2+\left\{H{\[U_k\left(t\right)\]}^2\right\}};$

对所述包络信号Z(t)进行傅里叶变换，求取包络谱Qi，具体公式为H_i(w)＝FFT(z(t))、Q_i＝|H_i(w)，其中Hi(w)对包络信号Z(t)进行傅里叶变换的函数；

对所述包络谱进行归一化处理，求取包络谱熵值R，具体公式为：其中E_i为第i(i＝1、2、3、4….)个包络谱在整体包络谱中所占的比例，所述包络谱熵值R的集合为包络谱熵特征。

6.根据权利要求5所述的基于VMD的轨道车辆平轮状态的监测与诊断方法，其特征在于：

所述与所述振动信号一致性强的包络谱熵值，具体为获取皮尔逊相关系数大的包络谱熵值。

7.根据权利要求6所述的基于VMD的轨道车辆平轮状态的监测与诊断方法，其特征在于：

所述皮尔逊相关系数大的包络谱熵值位于包络谱熵特征的前端位置。

8.根据权利要求1所述的基于VMD的轨道车辆平轮状态的监测与诊断方法，其特征在于：

所述训练支持向量机是通过将现有的多个已知工况对应的包络谱熵值输入，然后将各个工况下的包络谱熵值分开，形成的固定思维定式的参考模型。

9.根据权利要求1所述的基于VMD的轨道车辆平轮状态的监测与诊断方法，其特征在于：

所述传感器所在轨道的检测区域长度大于平轮周长的两倍。

10.根据权利要求1或8所述的基于VMD的轨道车辆平轮状态的监测与诊断方法，其特征在于：

所述传感器包括至少8个振动加速度传感器和至少3个车轮速度传感器；

所述振动加速度传感器分别对称设于轨道的两内侧；

两个所述车轮速度传感器设于振动加速度传感器的前方，剩余1个所述车轮速度传感器设于振动加速度传感器的后方，并且三个所述车轮速度传感器都位于轨道的同一侧。