基于MSE与PSO−SVM的机车轮对轴承智能诊断方法
2021-10-20张龙彭小明熊国良王良黄婧胡俊锋
铁道科学与工程学报 2021年9期
张龙,彭小明,熊国良,王良,黄婧,胡俊锋
(1. 华东交通大学 机电与车辆工程学院,江西 南昌 330013;2. 中国铁路南昌局集团有限公司 科学技术研究所,江西 南昌 330002)
机车轮对轴承的工作环境复杂,非平稳载荷和系统内部非线性因素会导致轴承振动信号表现出非平稳性和非线性。振动信号的特征可以在时域、频域以及时频域进行提取,然而传统的信号处理方法难以有效地处理这种随时间变化的非平稳信号[1]。经验模态分解(Empirical Mode Decom‐position, EMD)和小波变换等时频分析虽然可以处理振动信号中的非平稳性,但并不能提取信号的非线性特征信息。许多非线性参数如近似熵、分形维数等被广泛应用于机械设备的故障诊断,然而,近似熵的一致性较差[2];分形维数的计算依赖数据的长度,且比较耗时,不适合在线监测[3]。RICHMAN 等[4]提出了另一种表征时间序列复杂性的测度方法—样本熵(Sample Entropy),样本熵是一种通过非负数来度量时间系列的非线性和复杂度,其对于自身数据的匹配程度要优于近似熵,且度量准确度远高于近似熵。然而样本熵只能反映时间序列在单一尺度上的复杂度,对振动信号特征提取的效果不理想。在样本熵的基础上,COSTA 等[5−6]提 出 了 多 尺 度 熵(Multiscale Entropy,MSE)的概念,用来反映时间序列在不同尺度下的自相似性和复杂程度。机车轮对轴承不同故障类型会导致振动信号的复杂度不同,而信号的复杂度体现在不同尺度上。因此,多尺度熵可作为特征参数表征信号在不同尺度上的复杂性,能有效解决单一尺度下振动信号特征提取的局限性问题。……
登录APP查看全文
