《计算机应用研究》|Application Research of Computers

高速列车转向架故障信号的小波熵特征分析

Wavelet entropy used in feature analysis of high speed train bogie fault signal

免费全文下载 (已被下载 次)  
获取PDF全文
作者 秦娜,金炜东,黄进,苟先太,蒋鹏
机构 西南交通大学 电气工程学院,成都 610031
统计 摘要被查看 次,已被下载
文章编号 1001-3695(2013)12-3657-03
DOI 10.3969/j.issn.1001-3695.2013.12.035
摘要 为了对转向架关键部件进行及时的性能检测和故障诊断, 实验选用高速列车转向架典型故障振动信号, 先进行小波分解, 在各个子频带上提取小波熵特征, 用于反映振动信号在各尺度上的复杂程度。在多个小波熵特征张成的高维特征空间中对四种转向架典型故障工况进行支持向量机分类识别, 实验结果表明识别率随运行速度逐步提高, 在速度达到200 km/h时得到了90%以上的识别率, 验证了小波熵特征对于高速列车故障信号分析的有效性。
关键词 故障诊断;特征提取;转向架;小波熵;支持向量机
基金项目 国家自然科学基金重点资助项目(61134002)
国家自然科学基金资助项目 (61075104)
中央高校基本科研业务费专项资金资助项目(SWJTU11BR039,SWJTU11ZT06)
本文URL http://www.arocmag.com/article/01-2013-12-035.html
英文标题 Wavelet entropy used in feature analysis of high speed train bogie fault signal
作者英文名 QIN Na, JIN Wei-dong, HUANG Jin, GOU Xian-tai, JIANG Peng
机构英文名 School of Electrical Engineering, Southwest Jiaotong University, Chengdu 610031, China
英文摘要 Performance monitoring and fault diagnosis for the critical component of bogie is very important. Simulation data of high speed train bogie fault signal was selected in the data experiment. Based on multiresolution analysis, wavelet entropies were extracted to reflect the complexity level of the vibration signal on scales. In the high dimension composed by several wavelet entropy features, the dates from four fault patterns were classified and recognition rate is above 90% when the speed over 200 km/h. The wavelet entropy feature is effective for fault signal analysis of high speed train bogie.
英文关键词 fault diagnosis; feature extraction; bogie; wavelet entropy; support vector machine(SVM)
参考文献 查看稿件参考文献
  [1] 哈大雷, 王乾, 蒋涛, 等. 新型轴温监测系统在高速动车组上的应用[J] . 大连交通大学学报, 2013, 34(1):89-94.
[2] 贾璐, 曾京, 池茂儒. 车辆系统横向运动稳定性评判的数值仿真研究[J] . 铁道车辆, 2011, 49(9):1-6.
[3] 城取岳夫, 彭惠民. 利用转向架加速度的故障检测[J] . 国外机车车辆工艺, 2012(5):38-41.
[4] 孙惠琴, 钟原. 小波分析与Hilbert变换在25T型客车故障诊断中的应用[J] . 铁道机车车辆, 2010, 30(2):38-42.
[5] 何正友, 蔡玉梅, 钱清泉. 小波熵理论及其在电力系统故障检测中的应用研究[J] . 中国电机工程学报, 2005, 25(5):38-43.
[6] 孙鹏, 郑志成, 闫荣妮, 等. 采用小波熵的串联型故障电弧检测方法[J] . 中国电机工程学报, 2010(S1):232-236.
[7] 陈继开, 李浩昱, 吴建强, 等. 非广延小波熵在电力系统暂态信号特征提取中的应用[J] . 中国电机工程学报, 2010, 30(28):25-32.
[8] HUANG Jian, HU Xiao-guang, GENG Xin. An intelligent fault diagnosis method of high voltage circuit breaker based on improved EMD energy entropy and multi-class support vector machine[J] . Electric Power Systems Research, 2011, 81(2):400-407.
[9] 张建伟, 宋艳芳. 撞击流反应器流场速度时间序列的结构复杂性研究[J] . 机械工程学报, 2011, 47(22):174-180.
[10] 冯辅周, 司爱威, 饶国强, 等. 基于小波相关排列熵的轴承早期故障诊断技术[J] . 机械工程学报, 2012, 48(13):73-79.
[11] 孙增寿, 范科举. 结构损伤识别的小波熵指标研究[J] . 西安建筑科技大学学报:自然科学版, 2009, 41(1):18-23.
[12] 张兵. 列车关键部件安全监测理论与分析研究[D] . 成都:西南交通大学, 2008.
[13] BLANCO S, FIGLIOSA A, QUIAN Q R, et al. Time-frequency analysis of electroencephalogram series (Ⅲ) :information transfer function and wavelets packets[J] . Physical Review E, 1998, 57(1):932-940.
[14] ZHANG Lai-bin, CUI Hou-xi, WANG Zhao-hui, et al. Fault diagnosis of wind turbine based on information entropy and neural network[J] . Journal of Mechanical Strength, 2009, 31(1):132-135.
收稿日期
修回日期
页码 3657-3659,3663
中图分类号 TP206.3
文献标志码 A