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

本发明专利技术提供了本发明专利技术针对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。

【技术实现步骤摘要】
一种基于MEEMD排列熵的高速列车轮对轴承故障诊断方法
本专利技术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。
技术介绍
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。经验模态分解(EmpiricalModeDecomposition，简称EMD)是具有自适应能力的信号分析方法，尤其适用于非线性、非平稳信号的分析过程在分解带有冲击成分的轮对轴承故障振动信号时，易产生模态混叠现象，该现象使得EMD分解获得的本征模态函数(IntrinsicModeFunctions，简称IMFs)包络谱杂乱，难以识别反映轴承故障特性的故障频率，为轮对的故本文档来自技高网...

【技术保护点】
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...

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：施莹，庄哲，林建辉，黄衍，刘泽潮，陈谢祺，
申请(专利权)人：常州路航轨道交通科技有限公司，
类型：发明
国别省市：江苏,32