高速列车横向减振器性能退化的特征提取

井 波，金炜东，秦 娜，吴旭东

（西南交通大学 电气工程学院，成都市 610031）

高速列车横向减振器性能退化的特征提取

井 波，金炜东，秦 娜，吴旭东

（西南交通大学 电气工程学院，成都市 610031）

横向减振器是转向架中的重要部件，对其性能退化评估可以更为有效地服务于设备主动维护。为此提出了基于聚合经验模态分解的经验模态互相关分析方法，并定义了经验模态互相关系数，用于描述两信号在时频域上的互相关关系。利用该方法对高速列车转向架的横向减振器性能退化数据（90%～10%）进行了特征提取及分析。将退化程度分为四个退化区间进行分类，平均准确率为95.2%，在一定程度上实现了对待测样本退化程度的定量评估，验证了所提出方法的可行性和有效性。

振动与波；高速列车；经验模态互相关系数；经验模态互相关分析；性能退化；特征提取

高速列车技术的大力研究与发展，使得列车的运行时速不断提高。与此同时，对于列车的平稳性与舒适性的要求也愈加严格。研究表明[1-3]，高速列车转向架的横向减振器是影响列车平稳运行的关键部件，能够有效抑制列车在横向方向的振动，保证列车的平稳行驶与乘坐的舒适性。横向减振器在使用过程中，会因各种内外界因素导致其经历由正常到退化最后失效的一个过程。在这期间，横向减振器处于一系列连续的不同的性能退化状态。因此，如果能在设备性能退化的过程中监测到退化的程度，便可以针对其不同的退化程度而制定合理的维修方案。

设备性能退化评估是故障诊断的新兴领域，与现有的故障诊断技术有着很大差异。性能退化评估是一种主动维护技术[4]，用于度量设备在整个寿命周期的性能退化程度。文献[5]提出了小波包—支持向量数据描述的轴承性能退化评估方法，在一定程度上实现了对待测样本退化程度的定量评估；文献［6］，［7］将信号互相关分析应用到结构损伤识别检测和轴承故障诊断中，取得了一定效果；文献［8］，［9］提出EEMD和熵结合用于高速列车的故障特征分析；文献[10]提出小波互相关分析方法并用于水纹序列分析。

本文根据高速列车横向减振器不同性能退化阶段振动信号的特点，提出了经验模态互相关分析方法；同时定义了定量指标—经验模态互相关系数，用于描述两时间序列在整体时间域上的互相关关系。最后结合高速列车横向减振器不同性能退化阶段的仿真数据分析，以验证经验模态互相关分析方法用于估计性能退化程度的适用性和优越性。

1 经验模态互相关分析方法

1.1 基于聚合经验模态分解经验模态互相关分析

聚合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）[11]是由Wu等在经验模态分解（Empirical Mode Decomposition，EMD）[12]的基础上提出的一种新的信号处理方法，可以有效地抑制模态混叠[13]。EEMD分解方法的基本原理是：通过将白噪声添加在整个时频空间的各个不同尺度中，当信号被添加了这种频率均匀分布的高斯白噪声背景时，信号不同尺度的组成成分就会被自动地投影到一个由白噪声背景建立的合适的尺度空间，利用白噪声多次试验相抵消的统计特性，可以采取求平均值的方法来抑制分解结果中噪声的影响。

聚合经验模态分解的实质是可以自适应地根据信号本身的特点将复杂的非平稳信号分解为一系列正交信号分量，即固有模态函数，每个IMF都是单一成分的平稳信号。因此可满足序列时频局部化分析的要求。通过研究两时间序列对应固有模态函数之间的关系，同样可以刻画和描述两序列之间的互相关关系。

1.2 经验模态互相关系数求解方法

EEMD算法的步骤如下：

（1）初始化聚合次数N与高斯白噪声的幅值系数k，设m=1。

（2）计算第m次在信号中加入高斯白噪声。

①按照给定的幅值添加高斯白噪声序列到被研究的信号x(t)中，得到带有噪声的信号xm(t)

式中nm(t)为第t时第m次添加的白噪声序列。

② 利用经验模态分解将加入白噪声后的信号xm(t)分解为一组IMFs。

③当m＜N时，重复步骤①和②，每次加入不同的白噪声信号，并使m=m+1。

（3）计算N次分解出的第i个IMF均值ci(t)

式中ci,m(t)为由第m次经验模态分解得到的第i个IMF。

（4）取M个IMF的N次分解的均值作为最终的本征模态函数，则信号x(t)可表示为

式中r(t)为具有单调性的残余函数。

信号x(t)，y(t)分别进行M层聚合经验模态分解后得到M个IMFs的均值xci(t)和yci(t)，经验模态互相关系数表示为

Rxy定量描述了时间序列x(t)和y(t)之间的互相关程度。愈接近于1,表示近似的相关程度愈大，反之愈小。流程如图1所示。

图1 流程图

2 性能退化经验模态互相关分析

仿真试验数据均来自西南交通大学牵引动力国家重点实验室，基于多体动力学分析软件SIMPACK，建立某动车组车辆系统非线性动力学模型。选取运行速度为200 km/h时，横向减振器性能由正常到逐渐退化（退化程度为正常的90%到10%）的车体横向振动加速度信号，构架横向位移信号和轮对横向位移信号，分别记为A，B，C。

2.1 选择敏感的IMF分量

为了准确的计算出经验模态互相关系数，需要选择能够反映出横向减振器性能退化趋势的IMF分量。以车体横向加速度信号为例，将其90%～10%退化程度的信号进行EEMD分解，得到IMFs分别与各自原信号求解互相关系数如表1所示。

由表1可以看出，退化程度为90%时，互相关系数比较高的为IMF3，IMF4，IMF5和IMF6分量，在减振器处于较为正常的情况下，信号的振动频率是均匀的分布在中高频带，中频带和低频带的。当退化程度为80%时，IMF3和IMF4分量的互相关系数开始减小，而IMF5和IMF6分量的互相关系数开始增加。从整个退化程度来看，IMF3和IMF4分量的互相关系数是呈逐渐减小趋势，IMF5和IMF6分量是逐渐增加的。因此，当横向减振器的性能退化时，它的振动频率是由均匀分布在各个频带到最后集中在低频带的变换，低频带的IMF5和IMF6两个分量反映了其性能退化的变换趋势。而在实际工程中，低频振动是危害高速列车安全运行的主要频率。选择IMF5和IMF6两个频带作为计算经验模态互相关系数的敏感分量。

表1 各个退化程度的IMF分量

2.2 求解经验模态互相关系数

选取性能正常的数据作为基准信号，各个退化程度作为待测信号，按照1.2中的步骤计算不同退化程度经验模态互相关系数。其结果见表2。

表2 不同退化程度的经验模态互相关系数

从表2中可以看出，不同退化程度下的经验模态互相关系数大小是有区别的，随着退化程度的加深，经验模态互相关系数的值也在变小，与前面定义的经验模态互相关系数的物理意义相一致。系数越大，与正常状态越接近，退化程度越浅；系数越小，与正常状态越远，退化程度越深。说明经验模态互相关系数可以很好的反映不同退化程度，如图2，3，4所示。因此，通过经验模态互相关系数的大小来估计横向减振器所处的退化程度，可以针对不同的退化程度而制定合理的维修方案。当退化程度在40%～10%之间，经验模态互相关系数相比前面的退化程度变化很大，此时由于横向减振器的严重退化而影响列车正常的行驶和乘坐的舒适性，经验模态互相关系数是可靠的参考依据。

图2 车体横向加速度信号的经验模态互相关系数

图3 构架横向位移信号的经验模态互相关系数

图4 轮对横向位移信号的经验模态互相关系数

3 横向减振器性能退化评估

由于性能退化的程度是渐变的，不能将其分为固定的若干故障种类，用支持向量机等分类器对性能退化程度进行评估有失合理。因此，对性能退化程度评估需要一定先验知识作为标准。本文采用横向减振器性能退化仿真数据，依据工程实际经验，将渐变程度在100%到70%之间记为阶段1（近似正常），70%～40%记为阶段2（早期轻微退化阶段），40%至10%记为阶段3（性能严重退化阶段），10%以后记为阶段4（接近完全失效）。预先设定了性能退化程度70%，40%，10%三个特定阶段，分别提取这三个阶段的经验模态互相关系数作为临界值，这样可以构成4个退化程度区间。对待测数据进行评估时，首先求出其经验模态互相关系数，找到距离最近的两个临界值，将待测数据的退化程度划入两个临界值构成的退化程度区间。待测数据选择退化程度90%，80%，60%，50%，30%，20%的6个退化程度，每个退化程度10个样本，共60个测试样本。图5为通道3的测试结果。

图5 通道3测试结果

表3中的1—28通道分别是安装在车体、构架、轮对等不同位置的传感器，采集的信号为横向加速度信号和横向位移信号。可以从表中看出，各个通道均有较高的准确率，整体平均准确率为95.2%，验证了经验模态互相关系数在评估横向减振器性能退化的有效性和可行性。

表3 不同位置传感器的退化评估准确率

4 结语

为准确深入地分析横线减振器性能退化程度与正常状态之间的互相关关系，本文提出经验模态互相关分析方法，通过求解经验模态互相关系数，实现了对横向减振器性能退化渐变趋势的定量描述。利用高速列车横向减振器性能退化的仿真数据，取得了较为满意的评估准确率，验证了该方法的适用性和有效性。

[1]刘建新，王开云，封全保，赵怀耘.横向减振器对机车运行平稳性能影响[J].交通运输工程学报，2006，6(3)：1-4.

[2]郭世明.动车组检测与故障诊断技术[M].2008，10.

[3]王文静.动车组转向架[M].北京：北京交通大学出版社，2012，6.

[4]Djurdjanovic D,J Lee,J Ni,Watchdog Agentan infotronics-based prognostics approach for product performance degradation assessment and prediction[J].Advanced Engineering Informatics,2003,17(3-4):109-125.

[5]潘玉娜，陈进.小波包—支持向量数据描述在轴承性能退化评估中应用研究[J].振动与冲击，2009，28(4)：164-167.

[6]雷家艳，姚谦峰，雷鹰，等.基于随机振动响应互相关函数的结构损伤识别试验分析[J].振动与冲击，2011，30 (8)：221-224.

[7]佟雨燕，陆森林.信号相关性和EEMD-Hilbert包络在滚动轴承故障诊断中的应用[J].噪声与振动控制，2013，33 (5)：144-149.

[8]秦娜，王开云，金炜东，等.高速列车转向架故障的经验模态熵特征分析[J].交通运输工程学报，2014，14(1)：57-64.

[9]秦娜，金炜东，黄进等.基于EEMD样本熵的高速列车转向架故障特征提取[J].西南交通大学学报，2014，49(1)：27-32.

[10]桑燕芳，王栋，吴吉春，等.水文时间序列小波互相关分析方法[J].水利学报，2010，41，(11)：1272-1279.

[11]WU Z H,HUANG N E.Ensemble empirical mode decomposition:a noise-assisted data analysis method[R].Calverton:Center for Ocean-Land-Atmosphere Studies,2009.

[12]WU Z H,HUANG N E.A study of characteristics of white noise using the empirical mode decomposition method[C].The Royal Society.Proceedings of the Royal Society,Series A:Mathematical,Physical and EngineeringScience.London:TheRoyalsociety,2004:1597-1611.

[13]AN Xue-li,JIANG Dong-xiang,LI Shao-hua,et al.Application of the ensemble empirical mode decomposition and Hilbert transform to pedestal looseness study of directdrive wind turbine[J].Energy,2011,36(9):5508-5520.

Feature Extraction of Lateral Damper Performance Degradation of High-speed Trains

JING Bo,JIN Wei-dong,QIN Na,WU Xu-dong
(School of Electric Engineering,Southwest Jiaotong University,Chengdu 610031,China)

Lateral dampers are important components in the bogies of high-speed trains.Assessment of the performance degradation of the lateral dampers is very helpful for active maintenance of equipment.In this paper,the empirical mode cross-correlation method(EMCC)was developed based on Ensemble Empirical Mode Decomposition(EEMD),and the EMCC coefficient was defined to describe the cross-correlation between any two signals in the time domain.The proposed method was applied to extract and analyze the feature of vibration signals of the lateral damper performance degradation(from 90%to 10%)of high-speed train bogies.The lateral damper performance degradation were divided into four degeneration intervals,the average precision was 95.2%.Thus,quantitative degradation assessment of sample data was realized.And the feasibility and validity of this method was verified.

vibration and wave;high-speed train;empirical mode cross-correlation coefficient;empirical mode cross-correlation method;performance degradation;feature extraction

TP391

A

10.3969/j.issn.1006-1335.2015.02.014

1006-1355(2015)02-0057-04

2014－09－28

国家自然科学基金重点项目(61134002)

井波（1988－），男，河北省保定市人，硕士研究生，主要研究方向模式识别。E-mail:375160170@qq.com。

金炜东(1959－)，男，西南交通大学电气学院，教授，主要研究智能信息处理。