基于EEMD排列熵的高速列車輪對軸承故障診斷方法

施 瑩，莊 哲，林建輝

（西南交通大學 牽引動力國家重點實驗室，四川 成都 610031）

基于EEMD排列熵的高速列車輪對軸承故障診斷方法

施 瑩，莊 哲，林建輝

（西南交通大學 牽引動力國家重點實驗室，四川 成都 610031）

高速列車輪對軸承的可靠度對高速列車的安全運行具有重要意義，其故障特征主要體現在軸箱振動信號中。該文提出基于聚合經驗模態分解排列熵的輪對軸承特征分析方法，提取高速列車輪對軸承振動信號的非線性特征參數，并用于故障狀態的分類識別。首先，對高速列車輪對軸箱振動信號進行聚合經驗模態分解，得到一系列窄帶本征模態函數；然后，對原信號和主要本征模態函數分別計算，得到多組排列熵，形成多尺度的表征信息復雜性高維特征向量；最后，將高維特征向量輸入最小二乘支持向量機分類識別出輪對軸承的故障狀態。臺架試驗分析結果表明：該方法針對高速列車輪對軸承故障尤其是軸承復合故障具有較高的識別率，驗證通過聚合經驗模態分解排列熵對高速列車輪對軸承故障診斷的有效性。

高速列車輪對軸承；故障診斷；聚合經驗模態分解；排列熵；特征提取；最小二乘支持向量機

0 引 言

隨著我國高鐵的蓬勃發展，路網建設的迅速推進，高速列車運行安全已成為學者研究、工程建設和相關運營單位關注的重點。輪對軸承是列車轉向架關鍵的旋轉部件，它既承擔了由列車自重及載重合成的垂向靜態、動態力，還承擔了列車輪軌間特有的橫向非穩定力，對列車行車安全有最為直接的影響。隨著我國高速列車運行速度不斷提升，輪對軸承的振動特性隨輪軌間的動載荷加劇也變得更加復雜、惡劣，輪對軸承的磨損、擦傷等故障日趨嚴重；因此，針對高速列車輪對軸承開展故障檢測與診斷研究并及時發現輪對軸承故障十分必要。

對此，國內外學者開展了廣泛而深入的研究，取得了豐碩的研究成果。基于時域統計分析和傅里葉分析的診斷是一種有效的故障檢測方法，然而該方法是基于信號平穩、線性的假設[1]。實際上，因輪對軸承的故障使得軸承元件的沖擊超過了材料的線彈性范圍，從而造成軸承振動信號呈現非線性非平穩的特性[2]。應用傅里葉變換擬合非線性振動需要許多諧波成分，然而這些諧波成分只滿足分解的數學關系，而對發現故障沒有任何的物理意義[3]。實際情況中輪對軸承故障信號并不明顯，而且采集時產生的噪聲及傳遞過程中出現的信號失真問題使得傳統時頻分析方法的適用性存在限制[4]。為了有效處理非線性非平穩信號，時-頻分析得到了充分應用，其中小波變換相對于Wigner-Ville分布而言，因其具有無交叉項，小波函數選擇靈活的特點，在軸承、齒輪等故障檢測中得到了充分應用[5-7]。但是小波分析不是信號的自適應分析，僅當小波函數的波形特性與信號的波形特性良好匹配時，才能產生高質量的小波分解系數。而經驗模態分解（empirical mode decomposition，EMD）是一種不依賴于基函數的自適應信號處理方法，十分適合處理非線性非平穩信號，已經成功應用到機械設備、結構的健康檢測中[8]。

然而在應用EMD分析高速列車輪對軸承故障數據時，發現其分解產生的本征模態函數（intrinsic mode functions，IMFs）的包絡譜雜亂，難以識別反映軸承故障特性的故障頻率，為輪對的故障模式識別、故障嚴重性評價帶來了一定的困難。聚合經驗模態分解（ensemble empirical mode decomposition，EEMD）的提出，有效解決了上述模態混疊問題[9]，并在軸承故障診斷領域得到了廣泛應用[10]。

針對高速列車輪對軸承故障振動信號成分復雜，包含軌道激勵振動、故障狀態振動、車體固有頻率振動的特點，首次利用將EEMD和排列熵相結合的方法，提取與高速列車輪對軸承故障原振動信號最相關的IMFs排列熵，用于多尺度特征提取，克服了僅提取原始振動信號排列熵無法全面反映信號故障特征的缺點，最后利用最小二乘支持向量機（least squares support vector machine，LSSVM）開展模式辨識，證明了該方法可有效應用于輪對軸承故障診斷尤其是復合故障診斷。

1 輪對軸承的EEMD排列熵分析法

1.1 聚合經驗模態分解

EEMD通過在原始信號中加入高斯白噪聲，利用白噪聲在分解中呈現為自適應二進濾波器的特性，克服了EMD方法的模態混疊問題[11]。

其計算方法[12]為：

1）令原始信號為x（t），并使N為聚合次數，同時記m=1。

2）在x（t）中加入幅值系數為k的高斯白噪聲，生成的新試驗信號xm（t）：

3）利用經驗模態分解方法，將xm（t）分解為一系列本征模態函數（intrinsic mode functions，IMFs）。

4）當m＜N時，重復步驟2）和 3），但新加入的高斯白噪聲均需要與前幾次有所區別，同時，令m=m+1。

5）經過上述N次分解后，共產生多組IMFs，其均值為

式中：N——聚合次數；

ci，m——由第m次分解得到的第i個IMF。

最后的EEMD本征模態函數即為上述每個IMF的N次分解的均值。

1.2 排列熵特征提取

信息熵是最早由C.E.Shannon提出的表征信源不確定度的度量概念，其值正比于信息復雜程度。排列熵是Bandt等[13]學者近年來提出的一種新的信息熵計算方法，現已廣泛適用于醫療、工程等各類時間序列分析，并且具有算法執行效率高，所需時間序列短，對噪聲不敏感，計算值穩定等優點[14-15]。

排列熵計算步驟[16]如下：

針對一個時間序列{X（i），i=1，2，…，N}進行相空間重構，得到相空間矩陣Y：

式中：j=1，2，…，K；

d——嵌入維數；

K——重構向量個數

將相空間矩陣Y中的第j個重構向量數據按照從小到大的順序排列，得到各元素在重構向量中的位置索引j1，j2，…，jd，即：

因此，重構相空間中的所有重構向量都可以得到一個符號序列S（l）={j1，j2，…，jd}，用以反映其元素大小順序，其中，l=1，2，…，k且k≤d！。

在一個d維重構相空間中形成的符號序列{j1，j2，…，jd}總共有d！種形式，S（l）是其中的一種。構造序列P1，P2，…，Pk；Pk為第k種符號序列出現的概率大小。按照Shannon熵的形式，一個由時間序列X（i）的第k個重構向量對應的符號序列的排列熵的定義式為

1.3 最小二乘支持向量機

為了實現高速列車輪對軸承故障的自動分類識別，并且考慮到臺架試驗條件，獲取的樣本數有限，采用基于統計學習理論和結構風險最小化原則且針對小樣本分類問題非常有效的支持向量機（support vector machine，SVM）方法。最小二乘支持向量機[12]將SVM中的二次規劃問題轉換為線性方程組運用二次損失函數求解問題，降低了算法復雜度，提升了運算速度，且計算準確度并未損失，現已被廣泛地應用于模式識別、故障診斷及信息預測等方面，并取得了很好的效果[12]。

LSSVM的優化目標為

式中：ξi——松弛因子；

ω——權向量；

γ——懲罰系數，其作用為對JLS（ω，ξ）進行

綜上所述，我們提出了三類算法求解有限族非空閉凸集交上的投影問題(2.1)。我們對三類算法在參數和初始值選擇及收斂性進行比較。見表1。從表1可以看出，Dykstra算法4相比其他兩類算法無需選擇參數，但需要指定初始值以保證收斂，而其他兩類算法初始值可以任意。

控制。

為方便求解，令上述優化問題變換為線性方程組求解，引入拉格朗日函數，其中ai為拉格朗日乘子：

其中：

I∈Rn×n是單位矩陣。消去ω和ξ，上面的方程組可以簡化為

K（xixj）為徑向基核函數：

利用最小二乘法求解式（8），得到線性分類器：

采用最小二乘支持向量機的一對多算法，可實現針對高速列車輪對軸承多故障的分類識別。

2 輪對軸承故障檢測模型

1）將原始振動信號進行預處理，主要是利用小波閾值方法進行消噪。

2）對消噪后的信號進行EEMD分解，獲取相應的一系列IMFs。

3）得到的一系列IMFs并非全部的有效成分，因此利用相關系數法選取和原始數據最為相關的IMFs。

4）對原始信號和挑選后的IMFs選取合適的延遲時間及嵌入維數進行相空間重構，計算各尺度信號的排列熵測度值，并組成高維特征向量。

5）將該高維特征向量分為兩組，一組作為訓練樣本輸入LSSVM得到訓練模型，一組作為待測樣本輸入訓練模型中獲得最終的高速列車輪對軸承的故障狀態識別結果。圖1為信號處理流程圖。

圖1 信號處理流程

3 試驗驗證

3.1 數據來源及試驗方案

為了獲得高速列車輪對軸承振動信號，采用高速列車輪對跑合試驗臺進行臺架試驗，如圖2所示。圖3為高速列車輪對軸承，該軸承為密封型雙列圓錐滾子軸承。

圖2 高速列車輪對跑合試驗臺

圖3 高速列車輪對軸承

列車輪對軸承最常見的故障表現為內圈、外圈、保持架及滾動體的裂縫、點蝕等[17]。為了進一步研究輪對軸承故障特性分析方法，試驗對輪對軸承設置了外圈、保持架與滾柱3種人工傷，如圖4所示。

跑合試驗在不同速度級下針對單一故障及組合故障等共7類故障狀態進行模擬。試驗工況如表1所示，其中8號軸承為健康軸承。

表1 軸承故障編號及工況條件

100km/h速度級下的8種試驗工況垂向振動加速度信號時域圖如圖5所示。

3.2 信號的聚合經驗模態分解

圖4 輪對軸承故障試驗故障類型

圖5 8種工況的原始振動時域信號

消噪后的振動信號采用EEMD進行分解，圖6為1#軸承在外圈故障狀態下振動信號的EEMD分解得到的IMFs分量。理想狀態下，每個IMF分量都是一個簡單的平穩信號，代表了原信號中的特征成分之一，但分解結果由于受到包絡估計函數、白噪聲幅值系數和聚合迭代次數等參數選擇的影響，難免存在虛假成分。為了消除這些虛假成分，計算各IMFs與原信號的相關系數，并從中選取相關系數大于0.01的IMFs分量，最終確定，前6個IMFs滿足上述要求，可對其開展進一步排列熵特征提取。

3.3 排列熵特征提取

在排列熵的計算中，嵌入維數d及延遲時間 的選擇尤為重要。按照經驗[18]，選取d=5，=4計算原始數據和前6個IMFs的排列熵值，每個故障狀態各獲得7組計算值，如表2所示。

針對臺架試驗獲取的數據，以每組3000個采樣點的長度，截取90組樣本，結合8種工況條件，計算各尺度排列熵特征，計算對象包括原始數據及前6個IMFs，取其中30組數據，構成8×30×7的特征矩陣，將該特征矩陣繪于三維特征空間中，其分布情況如圖7、圖8所示。

3.4 最小二乘支持向量機故障狀態識別

受客觀因素影響，跑合試驗臺試驗時間較短，采集的數據比較有限，為了實現對高速列車輪對軸承故障狀態智能分類的目標，采用運算速度高、所需樣本少、分類精度高的LSSVM作為分類器。取60組7維數據排列熵特征向量作為LSSVM的訓練樣本獲得訓練模型，再取30組數據作為測試樣本輸入訓練模型中，得到運行速度100 km/h下識別率如表3所示。

圖6 信號EEMD分解結果

表2 8種工況的排列熵計算值

圖7 1、2、3維排列熵特征

圖8 4、5、6維排列熵特征

表3 不同位置的故障識別率

可以看出，基于EEMD排列熵的診斷方法可以有效地實現不同軸承故障狀態的智能識別，針對復合故障識別率較高，這是由于復合故障振動復雜性較高，排列熵恰恰可以反映這些特征。同時與近似熵識別結果進行比較，結果表明，相對于EEMD近似熵特征識別率得到了大幅提升。

4 結束語

針對高速列車輪對軸承故障診斷問題，采用EEMD分解高速列車輪對軸承故障振動數據，獲得一系列IMFs，利用相關系數法選取了與原始振動信號最相近的前6個IMFs，聯合原始數據及前6個IMFs分量，運用排列熵對其進行信號不確定度分析，構成信號各尺度下的復雜度高維特征向量，最終利用LSSVM獲得故障狀態分類模型，實踐表明實測數據的模型驗證結果良好，該方法可以作為高速列車輪對軸承故障分析的一種有效途徑。

[1]YANG C Y，WU T Y.Diagnostics of gear deterioration using EEMD approach and PCA process[J].Measurement，2015（61）：75-87.

[2]LOUTRIDIS S J.Damage detection in gear systems using empirical mode decomposition[J].Engineering，2004（26）： 1833-1841.

[3]HUANG N E， SHEN Z， LONG S R.The Empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proceedings of the Royal Society of London，1998（454）：903-995.

[4]王晗，何劉.最小熵解卷積法輪對軸承故障診斷[J].中國測試，2016，42（1）：114-120.

[5]SU W， WANG F， ZHU H，et al.Rolling element bearing faults diagnosis based on optimal Morlet wavelet filter and autocorrelation enhancement[J].Mechanical Systemsamp;Signal Processing，2010，24（5）：1458-1472.

[6]CHENG J S， YU D J， YANG Y.Application of an impulse response wavelet to fault diagnosis of rolling bearings[J].Mechanical Systems amp;Signal Processing，2007，21（2）：920-929.

[7]YUAN J， HE Z， ZI Y.Gear fault detection using customized multi wavelet lifting schemes[J].Mechanical Systemsamp;Signal Processing，2010，24（5）：1509-1528.

[8]ZHAO X， PATEL T H， ZUO M J.Multivariate EMD and full spectrum based condition monitoring for rotating machinery[J].Mechanical Systemsamp;Signal Processing，2012，27（1）：712-728.

[9]WU T Y，CHUNG Y L.Misalignment diagnosis of rotating machinery through vibration analysis via the hybrid EEMD and EMD approach[J].Smart Materialsamp;Structures，2009，18（9）：7566-7579.

[10]LEI Y， HE Z， ZI Y.EEMD method and WNN for fault diagnosis of locomotive roller bearings[J].Expert Systems with Applications An InternationalJournal，2011，38（6）：7334-7341.

[11]?VOKELJ M， ZUPAN S， PREBIL I.Non-linear multivariate and multiscale monitoring and signal denoising strategy using kernel principal component analysis combined with ensemble empirical mode decomposition method[J].Mechanical Systemsamp;Signal Processing，2011，25（7）：2631-2653.

[12]秦娜，金煒東，黃進，等.高速列車轉向架故障信號的聚合經驗模態分解和模糊熵特征分析[J].控制理論與應用，2014，31（9）：1245-1251.

[13]BANDT C， POMPE B.Permutation entropy： a natural complexity measure for time series[J].Physical Review Letters，2002，88（17）：174102.

[14]馮輔周，司愛威，饒國強，等.基于小波相關排列熵的軸承早期故障診斷技術[J].機械工程學報，2012，48（13）：73-79.

[15]ZUNINO L， ROSSO O A， SORIANO M C.Characterizing the hyperchaotic dynamics of a semiconductor laser subject to optical feedback via permutation entropy[J].IEEE Journal of Selected Topics in Quantum Electronics，2011，17（5）：1250-1257.

[16]秦娜，蔣鵬，孫永奎，等.基于EEMD排列熵的高速列車轉向架故障特征分析[J].振動、測試與診斷，2015，35（5）：885-891.

[17]易彩.高速列車輪對軸承狀態表征與故障診斷方法研究[D].成都：西南交通大學，2015.

[18]劉永斌，龍潛，馮志華，等.一種非平穩、非線性振動信號檢測方法的研究[J].振動與沖擊，2007，26（12）：131-134.

（編輯：莫婕）

Fault diagnosis method of high speed train axle bearing based on EEMD permutation entropy

SHI Ying， ZHUANG Zhe， LIN Jianhui
（State-key Laboratory of Traction Power，Southwest Jiaotong University，Chengdu 610031，China）

The safety and reliability of high speed train axle bearing is of great significance to the safe operation of high-speed train and its fault feature is mainly reflected in the vibration signal of the axle box.In thispaper， a method based on the ensemble empiricalmode decomposition of permutation entropy is proposed to extract the nonlinear characteristic parameters of the vibration signal of the high speed train， and used to identify the fault state.Firstly， a series of narrow band intrinsic mode functions are obtained by the empirical mode decomposition of vibration signals.Then，the original signal and the instrinsic mode function are calculated respectively and severalgroups ofpermutation entropy are got， and a multi-scale high dimensional feature vector is formed.Finally，the high dimensional feature vector is input to the least squares support vector machine to classify the fault state of the axle bearing.The results of bench test showed that the method has high recognition rate for the axle bearing fault of highspeed train， especially axle bearing compound fault， and the effectives of the method on the high-speed train axle bearing faultdiagnosis by ensemble empiricalmode decomposition permutation entropy are verified.

high speed train axle bearing； fault diagnosis； ensemble empirical mode decomposition； permutation entropy； feature extraction； least squares support vector machine

A

1674-5124（2017）11-0089-07

10.11857/j.issn.1674-5124.2017.11.018

2017-04-23；

2017-05-29

四川省科技計劃項目（2016JY0047）

施 瑩（1987-），女，天津市人，博士研究生，主要從事故障診斷及可靠性方面研究。