0 引言

    高速列車(chē)轉(zhuǎn)向架是保證列車(chē)在高速下運(yùn)行安全、平穩(wěn)的關(guān)鍵部件^[1],。轉(zhuǎn)向架在保證列車(chē)在直線運(yùn)行的穩(wěn)定性和順利通過(guò)曲線的同時(shí)還要產(chǎn)生必要的制動(dòng)力,，以使列車(chē)在預(yù)定的距離內(nèi)以規(guī)定的減速度停車(chē)。因此,，高速轉(zhuǎn)向架關(guān)鍵部件的性能檢測(cè)及故障診斷方法在實(shí)際應(yīng)用中有著重要的意義^[2],。對(duì)關(guān)鍵部件參數(shù)的監(jiān)測(cè)通常是基于動(dòng)力學(xué)模型分析其損傷特性與走行部系統(tǒng)或者車(chē)體振動(dòng)的聯(lián)系，通過(guò)分析其他部位振動(dòng)信號(hào)來(lái)識(shí)別元件狀態(tài)^[3],。

    為完全監(jiān)測(cè)高速列車(chē)各關(guān)鍵部位的全部運(yùn)動(dòng)狀態(tài),，需要對(duì)每個(gè)剛體(如車(chē)體、構(gòu)架等)的6個(gè)運(yùn)動(dòng)自由度都進(jìn)行測(cè)量,。由于實(shí)際的角位移,、角速度、角加速度傳感器測(cè)量精度和速度都不能滿足實(shí)際工程要求,，一般對(duì)單個(gè)剛體前,、中、后3個(gè)部位的各個(gè)方向的位移和加速度進(jìn)行測(cè)量,，因此所布置的傳感器通道間都有較強(qiáng)的相關(guān)性^[4],。而現(xiàn)有文獻(xiàn)[5，6]在對(duì)高速列車(chē)監(jiān)測(cè)數(shù)據(jù)進(jìn)行特征提取時(shí),，往往只能逐個(gè)通道進(jìn)行處理,，再在后期進(jìn)行特征級(jí)別的數(shù)據(jù)融合。而對(duì)于同一物理系統(tǒng)產(chǎn)生的振動(dòng)信號(hào),，上述方法往往不能獲得期望的效果,。因此，Rehman^[7]將經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒ㄍ卣沟蕉嘣?，提出的MEMD方法能夠同時(shí)對(duì)多通道數(shù)據(jù)進(jìn)行多尺度分解，在特征提取的同時(shí)實(shí)現(xiàn)多通道數(shù)據(jù)融合,。

    本文針對(duì)高速列車(chē)運(yùn)動(dòng)自由度數(shù)目多,、非線性特性強(qiáng)的特點(diǎn)，結(jié)合車(chē)輛動(dòng)力學(xué)背景，利用多元經(jīng)驗(yàn)?zāi)B(tài)分解方法對(duì)多通道數(shù)據(jù)進(jìn)行聯(lián)合處理,，提出基于排列熵的故障特征提取方法,，最后利用支持向量機(jī)對(duì)所提取特征進(jìn)行故障識(shí)別?；贛EMD和排列熵的特征提取流程如圖1所示,。

1 多元經(jīng)驗(yàn)?zāi)B(tài)分解

    信號(hào)處理與特征分析是進(jìn)行高速列車(chē)轉(zhuǎn)向架狀態(tài)監(jiān)測(cè)的重要步驟，但傳統(tǒng)的信號(hào)分析方法在處理非平穩(wěn)信號(hào)時(shí)具有一定的局限性,。Rehman^[7]等提出的MEMD方法將傳統(tǒng)EMD算法從一維拓展到多維,，方便多維數(shù)據(jù)的聚類(lèi)融合。該方法首先將多維信號(hào)投影至多個(gè)方向向量,，然后分別在各方向上求取信號(hào)的投影包絡(luò)線,，最后通過(guò)計(jì)算包絡(luò)線均值的方式定義多維信號(hào)的均值。MEMD的提出實(shí)現(xiàn)了多元信號(hào)震蕩模式的多通道同步聯(lián)合分析,，獲得了不同通道的共同模式,，確保了固有模態(tài)函數(shù)(IMF)在數(shù)量和尺度上匹配，解決了多通道信號(hào)的模式校準(zhǔn)問(wèn)題,。

    多元經(jīng)驗(yàn)?zāi)B(tài)分解的算法流程如下^[8]：

    (5)計(jì)算剩余量R(t)=V(t)-M(t),。如果R(t)滿足多維IMF的迭代終值條件，則定義R(t)為IMF,，并對(duì)V(t)-R(t)重復(fù)步驟(2)～(5),，直至分離出下一階IMF；如果R(t)不滿足迭代終止條件,，則對(duì)其重復(fù)執(zhí)行步驟(2)～(5),，直至滿足終止條件。

2 實(shí)驗(yàn)數(shù)據(jù)處理與分析

2.1 數(shù)據(jù)介紹及預(yù)處理

    數(shù)據(jù)來(lái)源于某型號(hào)高速列車(chē)安裝在轉(zhuǎn)向架上不同位置的58個(gè)傳感器采集到的試驗(yàn)監(jiān)測(cè)數(shù)據(jù),。數(shù)據(jù)的采樣頻率為243 Hz,，共采樣3.5 min。工況狀態(tài)包括列車(chē)正常工況,、空氣彈簧失氣工況,、抗蛇行減振器全拆工況和橫向減振器全拆工況這4種單一工況，以及由3種單故障兩兩混合得到的3種混合故障,，包括空氣彈簧失氣+抗蛇行減振器全拆工況,、空氣彈簧失氣+橫向減振器全拆工況、抗蛇行減振器全拆+橫向減振器全拆工況,。通過(guò)模擬列車(chē)故障,，根據(jù)安裝在列車(chē)走行部不同位置上的傳感器監(jiān)測(cè)到的振動(dòng)信號(hào)數(shù)據(jù)來(lái)反映列車(chē)正常狀態(tài)和故障狀態(tài)的振動(dòng)信號(hào)特征差異。

    高速列車(chē)轉(zhuǎn)向架故障振動(dòng)的有效信號(hào)集中于15 Hz以內(nèi),，本文采用小波包變換將振動(dòng)信號(hào)進(jìn)行4層小波包分解,，每個(gè)子頻帶寬度大約在15 Hz,，所以選擇db2小波基函數(shù)和自適應(yīng)閾值法對(duì)信號(hào)數(shù)據(jù)進(jìn)行去噪預(yù)處理。

2.2 信號(hào)的多元經(jīng)驗(yàn)?zāi)B(tài)分解

    對(duì)經(jīng)小波包去噪后的多通道信號(hào)數(shù)據(jù)進(jìn)行MEMD分解,，得到多通道獨(dú)立的多元IMF結(jié)果,。由于MEMD分解會(huì)得到一些虛假分量，這些分量會(huì)對(duì)后續(xù)的特征提取造成影響,，因此通過(guò)計(jì)算各個(gè)分量與原信號(hào)的互相關(guān)系數(shù)來(lái)選擇合適有效的IMF分量作為分析對(duì)象,。表1是車(chē)體加速度在200 km/h速度下各工況分解后中間8個(gè)IMF與原信號(hào)的相關(guān)系數(shù)。

    從表1中可以看出,，7種工況的IMF8~IMF13 6個(gè)分量的互相關(guān)系數(shù)要比其他幾個(gè)分量的大,，它們包含了原信號(hào)的大部分信息，故選擇這6個(gè)分量作為特征分量,。通過(guò)提取這6個(gè)分量的復(fù)雜度特征,，構(gòu)成六維向量特征集，以此來(lái)表征原信號(hào)的局部特性,。

    圖2所示為構(gòu)建一架加速度（通道7,、通道8、通道9,、通道10,、通道11、通道12）橫向減振器全拆工況中振動(dòng)信號(hào)的MEMD分解圖,，可見(jiàn)其各通道分解的IMF層數(shù)相同,，通道間同頻率成分的波形對(duì)齊且存在差異。

    MEMD分解多通道信號(hào)可得到一系列的多元固有模態(tài)函數(shù)（IMF）,，每個(gè)IMF都代表原信號(hào)一定的特征尺度,，而且每層的IMF尺度不同，各通道在同一頻率尺度的特征波形相對(duì)應(yīng),，能反映通道間多尺度特征模式相關(guān)信息^[9],。既通過(guò)多通道信號(hào)同步處理實(shí)現(xiàn)多尺度特征校準(zhǔn)與分解，又最大程度保證了通道間互信息,，為進(jìn)一步特征提取提供了極大方便,。

2.3 排列熵特征提取

    排列熵用于分析信號(hào)的復(fù)雜性和不規(guī)律程度[10]。其計(jì)算方便,，計(jì)算值穩(wěn)定,，有很好的抗噪能力，對(duì)信號(hào)數(shù)據(jù)微小的變化也較為敏感,，所以排列熵廣泛適用于各種時(shí)間序列,。排列熵的計(jì)算中，參數(shù)的選擇對(duì)熵值的計(jì)算結(jié)果會(huì)產(chǎn)生一定的影響,。重構(gòu)空間維數(shù)m的值越大,，越能體現(xiàn)信號(hào)動(dòng)態(tài)演化的過(guò)程,。由互信息法和偽近鄰法得到時(shí)間延遲,，嵌入維數(shù)m=4,，時(shí)間延遲τ=10。

    對(duì)運(yùn)行速度在200 km/h時(shí)的7種工況的仿真數(shù)據(jù)各截取了108個(gè)樣本,，以459個(gè)樣本點(diǎn)為一個(gè)樣本,。提取7種工況的IMF8、IMF9,、IMF10分量和IMF11,、IMF12、IMF13分量的排列熵,，構(gòu)成三維特征向量集,。圖3是7種工況在3個(gè)通道（通道7、通道9,、通道11）融合下的排列熵值空間分布,。

    從圖3(a）中可以看出，IMF8,、IMF9和IMF10這3個(gè)IMF分量的排列熵構(gòu)成的三維特征值空間分布能完全地分離出正常工況,、空簧失氣工況、抗蛇形減振器全拆工況和抗蛇形減振器全拆+橫向減振器全拆工況,；而圖3(b)中,，IMF11、IMF12和IMF13這3個(gè)IMF分量的排列熵構(gòu)成的三維特征空間分布可以很好地對(duì)橫向減振器全拆工況,、抗蛇形減振器全拆工況以及空氣彈簧失氣+抗蛇行減振器全拆工況,、空氣彈簧失氣+橫向減振器全拆工況這兩種混合工況進(jìn)行分類(lèi)。所以結(jié)合兩個(gè)圖的三維特征空間,，IMF8~IMF13這6個(gè)IMF分量的排列熵特征值足以使7種工況的樣本在三維特征空間中展現(xiàn)出良好的類(lèi)內(nèi)聚集性和類(lèi)間分離性,。說(shuō)明排列熵作為特征可以對(duì)7種工況進(jìn)行分類(lèi)識(shí)別，而且具有很好的穩(wěn)定性和抗噪性,。

2.4 分類(lèi)結(jié)果

    支持向量機(jī)是基于統(tǒng)計(jì)學(xué)習(xí)的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的學(xué)習(xí)機(jī)器,，在高維、小樣本,、非線性數(shù)據(jù)空間下,，具有很好的泛化能力^[11]，實(shí)驗(yàn)所用數(shù)據(jù)來(lái)自整車(chē)滾動(dòng)試驗(yàn)臺(tái),，同種工況,、同種速度下，每次實(shí)驗(yàn)時(shí)間不超過(guò)1 min,，得到的數(shù)據(jù)長(zhǎng)度有限,，因此,，本文使用支持向量機(jī)對(duì)所提取的特征信息進(jìn)行多分類(lèi)識(shí)別。

    支持向量機(jī)的輸入為6維特征向量,，對(duì)應(yīng)于7種工況信號(hào)經(jīng)MEMD分解后,，得到的IMF8~IMF13這6個(gè)固有模態(tài)函數(shù)的排列熵。支持向量機(jī)的輸出為高速列車(chē)轉(zhuǎn)向架的7種工況,。實(shí)驗(yàn)截取459個(gè)樣本點(diǎn)數(shù)據(jù)為一個(gè)樣本,，7種工況各選取108個(gè)樣本，在訓(xùn)練和測(cè)試分類(lèi)器時(shí)采用4折交叉驗(yàn)證,。為了驗(yàn)證本文方法的有效性,，數(shù)據(jù)試驗(yàn)采用兩種方法進(jìn)行對(duì)比，其結(jié)果見(jiàn)表2,。

    通過(guò)分析表2中可知,，在針對(duì)高速列車(chē)轉(zhuǎn)向架故障信號(hào)的特征提取中，基于MEMD 的排列熵特征提取方法總體上比傳統(tǒng)方法具有更好的識(shí)別效果,。融合通道數(shù)量包括2通道,、3通道和6通道的7種工況識(shí)別率基本上都能達(dá)85%以上，最高能達(dá)到96%,，對(duì)于故障工況的檢測(cè)有很高的可行性,，也驗(yàn)證了本文方法在識(shí)別高速列車(chē)轉(zhuǎn)向架常見(jiàn)7種工況上的有效性。無(wú)論是安裝在車(chē)體或構(gòu)架的加速度和位移傳感器數(shù)據(jù),，3通道的工況識(shí)別率相比于其他通道個(gè)數(shù)的識(shí)別率是最高的,，說(shuō)明了用于MEMD分解的融合通道的數(shù)量對(duì)于最后的特征熵值有一定的影響，所以在實(shí)際應(yīng)用中,，應(yīng)根據(jù)信號(hào)數(shù)據(jù)間的內(nèi)在模式關(guān)系來(lái)選擇合適的變量和參數(shù),。而傳統(tǒng)EMD方法不能得到好的識(shí)別效果，是因?yàn)樘卣魈崛r(shí)是從單通道逐個(gè)進(jìn)行處理,，而單個(gè)通道不能對(duì)車(chē)體運(yùn)動(dòng)的狀態(tài)做一個(gè)完備描述,，多個(gè)通道則可以做一個(gè)完備描述。對(duì)于全拆的單,、混故障類(lèi)型,，單個(gè)測(cè)點(diǎn)的橫垂兩個(gè)方向即可做相對(duì)比較完備的描述。所以研究基于多通道的信號(hào)特征提取方法對(duì)于故障定位診斷有現(xiàn)實(shí)意義,。

3 結(jié)論

    本文使用的基于MEMD的排列熵特征提取方法利用MEMD自適應(yīng)地將多通道數(shù)據(jù)信號(hào)分解成一系列頻率成分不同的IMF分量,，各個(gè)分量都包含了信號(hào)的不同局部特性。以各IMF與原始信號(hào)的互相關(guān)系數(shù)為依據(jù),，選擇了合適的6個(gè)IMF分量,，進(jìn)行排列熵計(jì)算并構(gòu)建了六維特征向量集，實(shí)現(xiàn)了以局部復(fù)雜度為判斷依據(jù)的特征提取方法。本文方法在提取特征的同時(shí),，完成了多通道數(shù)據(jù)的融合分析,，包括兩通道、三通道,、六通道融合,，分析不同通道的共同模式有助于尋找精確物理意義的振動(dòng)模式，不僅能夠同時(shí)分析任意數(shù)量通道的數(shù)據(jù),，而且能夠準(zhǔn)確分析多信道系統(tǒng)的復(fù)雜度,。排列熵作為識(shí)別高速列車(chē)轉(zhuǎn)向架關(guān)鍵部位失效的特征時(shí)，比傳統(tǒng)方法能夠更準(zhǔn)確地反演識(shí)別出高速列車(chē)轉(zhuǎn)向架關(guān)鍵部件的工作狀態(tài),，和判斷出各種工況對(duì)列車(chē)運(yùn)行的危害程度的大小，對(duì)于在實(shí)際中的檢測(cè)具有重要的意義,。

參考文獻(xiàn)

[1] 鄭循皓.轉(zhuǎn)向架對(duì)高速列車(chē)空氣動(dòng)力學(xué)性能的影響研究[D].成都：西南交通大學(xué),，2012.

[2] 秦娜.高速列車(chē)轉(zhuǎn)向架故障的信息熵測(cè)度特征分析方法研究[D].成都：西南交通大學(xué)，2014.

[3] 秦娜,，金煒東,，黃進(jìn)，等.高速列車(chē)轉(zhuǎn)向架故障信號(hào)的聚合經(jīng)驗(yàn)?zāi)B(tài)分解和模糊熵特征分析[J].控制理論與應(yīng)用,，2014(9)：1245-1251.

[4] 曹曉寧.高速列車(chē)轉(zhuǎn)向架測(cè)試臺(tái)3-六自由度平臺(tái)運(yùn)動(dòng)學(xué)及工作空間研究[D].長(zhǎng)春：吉林大學(xué),，2013.

[5] 秦娜，金煒東,，黃進(jìn),，等.高速列車(chē)轉(zhuǎn)向架故障信號(hào)的小波熵特征分析[J].計(jì)算機(jī)應(yīng)用研究，2013(12)：3657-3659,，3663.

[6] 段旺旺,，金煒東.基于AR功率譜的高速列車(chē)轉(zhuǎn)向架故障信號(hào)分析[J].噪聲與振動(dòng)控制，2015(2)：51-56.

[7] REHMAN N,，MANDIC D P.Multivariate empirical mode decomposition[J].Proceedings of the Royal Society A,，2010，466(2117)：1291-1302.

[8] 劉源.基于多元EMD的BCI信號(hào)處理研究[D].秦皇島：燕山大學(xué),，2013.

[9] 包紅燕.基于MEMD和條件熵相空間重構(gòu)的滾動(dòng)軸承故障診斷[D].秦皇島：燕山大學(xué),，2014.

[10] 孫克輝，談國(guó)強(qiáng),，盛利元.基于排列熵算法的混沌偽隨機(jī)序列復(fù)雜性分析[J].計(jì)算機(jī)工程與應(yīng)用,，2009，44(3)：47-49.

[11] 丁世飛,，齊丙娟,，譚紅艷.支持向量機(jī)理論與算法研究綜述[J].電子科技大學(xué)學(xué)報(bào)，2011(1)：2-10.