李亚兰, 金炜东

(西南交通大学电气工程学院 成都,611756)

引 言

高速列车转向架是列车的重要组成部分,其故障将会严重影响车辆的动力学性能和安全运行[1],因此对转向架关键部件的故障检测尤为重要。为了保证高速列车在长期服役过程中的稳定性和安全性,通常在车体和构架的前、中、后3个部位放置传感器来监测各个方向的位移和加速度信号,由此对列车的运行状态进行评估,给列车的安全预警和健康维护工作提供基础。如何利用采集到的信号数据精确评估高速列车的运行状态是很有研究价值的工作。

Rehman等[2]提出多元经验模态分解(multivariate empirical mode decomposition,简称 MEMD)方法是将传统的经验模态分解(empirical mode decomposition,简称EMD)方法从一维拓展到多维,可对多通道信号进行处理,很大程度上改善了使用EMD方法带来的模态混叠问题,并将MEMD应用到脑电信号[3]、超声波[4]及多普勒雷达[5]等多通道信号的处理分析上,取得了较好的效果。张浩等[6]利用MEMD对管道阻塞声信号进行多通道同步自适应分解,通过计算筛选出的本征模态函数(intrinsic mode functions,简称IMFs)的能量占比作为特征向量,有效识别出管道的运行状态和阻塞程度。刘源[7]针对脑机接口信号提出了MEMD和区间最大功率相结合的特征提取方法,验证了MEMD算法在处理多通道非平稳脑电数据的有效性。

样本熵是由Richman等[8]提出的一种系统复杂度的测度方法,是取条件概率的自然对数,该方法不进行自我匹配度计算,可以克服在计算近似熵时会出现的偏差[9],其优点是较少依赖数据长度,计算速度更快且精度更高,非常适合机械振动信号的分析。……