丁国荣,王文波

(武汉科技大学 理学院，武汉 430065)

0 引言

自动扶梯是地铁车站内必不可少的大型公共交通设备，已成为了人们生活中广泛使用的特种设备之一。自动扶梯设备常年处于工作状态，当维保人员进行日常巡查时，只能知道当前自动扶梯的状态，对于此前的情况却无法得知，这对于自动扶梯的安全性有很大隐患，一旦发生故障，小则影响运营，大则引发安全事故。自动扶梯故障主要有轴承故障、主机故障、梯级故障、扶手带故障以及链条故障等。近年来，随着数据挖掘技术的快速发展，可以在特定位置通过传感器实时采集海量的数据，基于海量的数据提取故障类型特征，通过提取的故障类型特征进行故障诊断以及分类。

梯级作为自动扶梯的关键部位，其固定螺栓发生松动必然会导致自动扶梯运行故障。当梯级固定螺栓发生松动时，其振动信号会表现出明显的非平稳性。对于非平稳振动信号，需要采用合适的时频分析方法来提取故障特征分量[1-2]。加窗傅里叶变换(short time fourier transform,STFT)和小波变换(wavelet transform，WT)是比较常见的时频分析方法，邢蓉等人采用SFFT对滚动轴承信号进行频谱分析，通过多尺度卷积神经网络中分析可以有效提升故障的诊断精度[3]。但是在实际应用的其他方面，由于STFT和WT的窗函数选取对分析结果影响较大，在整个过程中都不能替换，所以不具备自适应性在应用中有所限制[4]。Huang 等[5-6]提出的经验模态分解(empirical mode decomposition,EMD)是一种自适应分解的方法，兰夏……