2013120076-基于小波包特征熵的高速列车监测数据的特征分析

基于小波包特征熵的高速列车监测数据的特征分析郑晓龙,杨贵营，黄晗（西南交通大学电气工程学院，成都610031）摘要：将高速列车在不同工况和速度下的监测数据首先进行傅里叶分析用来确定各种不同工况信号的频率范围，再对不同工况和速度下的信号进行小波包分解，并重构通频范围内前几个低频带信号，进而建立信号的小波包特征熵向量，不同频带信号的小波包特征熵变化反映了列车运行状态的改变，最后将得到的小波包特征熵向量输入支持向量机进行故障识别。经过实验数据仿真分析，结果表明该方法对高速列车故障状态识别是有效、可行的。关键词：1高速列车；监测数据；小波包特征熵；支持向量机；状态估计Thecharacteristicsanalysisofhigh-speedtrainmonitoringdatabasedonwaveletpacketcharacteristicEntropyZHENGXiao-long,YANGGui-ying,HUANGHan(SchoolofElectricalEngineering，SouthwestJiaotongUniversity，Chengdu610031，China)Abstract:FirstlyFourieranalysiswasusedtodeterminethefrequencyrangeofthehigh-speedtrainmonitoringdataunderdifferentconditionsandthespeed.Thenthesignalunderdifferentconditionsandspeedinthefirstfewlowfrequencybandweredecomposedandreconstructedbywavelet.therebythewaveletpacketcharacteristicentropywereestablished.Thechangesofwaveletpacketcharacteristicentropyindifferentfrequencybandsreflectachangeinthestatusofthetrainrunning.Finally，waveletpacketcharacteristicentropyvectorswereinputinSVM（supportvectormachine）fordetectingfault.Aftersimulationanalysisofexperimentaldata,theresultsshowthatthemethodforhigh-speedtrainfaultstateidentificationisvalidandfeasible.Keywords:high-speedtrain;monitoringdata;waveletpacketcharacteristicentropy;supportvectormachine(SVM);stateestimation0引言随着我国铁路的高速化、重载化对列车的安全性和可靠性提出了更严格要求。为了保证列车的安全运行，世界各国铁路行业相继引入了状态监测和故障诊断技术，在列车的安全性、可靠性、维修经济性等方面发挥了极大的作用[1-4]。我们可以通过传感器来监测高速列车运行过程中的振动数据，列车在不同运行状态监测的数据会表现出不同的数据特征，因此基于监测数据提取特征来表征高速列车安全性态，并进行状态估计对高速列车的安全性和可靠性具有重要的意义。收稿日期：2013-12-20；作者简介：郑晓龙（1988-），男，硕士，主要研究方向信号处理；杨贵营（1987-），男，硕士，研究方向电机控制；黄晗（1987-），男，硕士，研究方向膜计算对于列车的振动加速度信号[5]有学者作过时域波形FFT变换和Hilbert-Huang变换处理,传感器监测的振动信号[6,7]，大多是非线性非平稳信号，小波分析有较好的时频局部特性，相比Fourier分析和短时傅里叶变换有更显著的优点[8-10]。通过小波基函数的平移和伸缩来调整时频窗，提高分别率。高速列车故障时的监测数据，与正常运行状态相比主要频率会发生变化，通过小波分析可以用来提取不同频带上的信息，不同的频带和故障状态会存在某种映射关系。因此，采用小波包特征熵特征提取方法和支持向量机进行状态估计，总体结构框图如图1所示。Figure1blockdiagram1小波包特征熵特征提取1.1小波包理论高速列车振动信号u(t)可用下面的递归式(1)进行小波包分解[11]其中,h(k)为高通滤波器组,g(k)为低通滤波器组。从多分辨分析的角度看,小波包分解的实质是让信号u(t)通过高低通组合滤波器组,每次分解总是把原信号分解到高低两个频率通道内,接着对高低频部分分别进行同样的分解直到满足需要为止。1.2小波包特征熵对高速列车振动信号u(t)进行j层小波包分解得到小波包分解序列12,...,1,0,jkjkS）（在此可以把信号u(t)的小波包分解看成对信号的一种划分,定义这种划分的测度[11]：NikjFkjFkjiSiSi1,,,（2）式中：iSkjF,为12,...,1,0,jkjkS的傅里叶变换序列的第i个值；N是原始信号长监测数据小波分析特征提取支持向量机故障识别度。根据信息熵的基本理论，定义小波包特征熵：NkjkiiH1i,,jkjlg，（3）式中：12,...,1,0jk；kjH,为高速列车振动信号u(t)第j层第k个小波包特征熵。小波包特征熵算法步骤如下：1）设u代表高速列车原始振动信号，用ijU表示小波包分解树中第i层第j个结点的小波包分解系数，其中12,...,2,1,0,,...,2,1,0mjmi。2）重构最后一层小波包分解系数，得到各频带范围的信号mjU。3）计算各频带信号mjU的小波包特征熵mjH。4）构造特征向量，并归一化，得到一个特征向量T，即：12022,1,0,/],...,,[1mmjmjmmmHHHHT2实验数据处理分析2.1构架垂向加速度利用安装在高速列车试验台的1架1位传感器所采集的构架垂向加速度监测数据，来验证该方法的有效性，采集车辆正常状态、空簧失气故障、横向减振器失效故障和抗蛇行减振器失效故障四种工况的信号，采样频率为243Hz，采样时间为60s。图2和3分别是四种工况在160km/h时的时域和频域图。由于高速列车振动时的信号大部分处于是低频段，所以对信号先进行预处理，选择巴特沃斯滤波器过滤掉大于15Hz的信号，这样可以在频域上减少高频信号的干扰，有利于特征提取。图2和3是信号预处理后的时频域图。由图可知，高速列车空簧失气故障构架垂向加速度最大，含有较多的脉冲成分，高速列车横向减振器失效故障和抗蛇行减振器失效故障与列车正常状态在频域上不能看出明显的差异。0255075-10-50510时间/s垂向加速度/m/s2正常状态0255075-10-50510时间/s垂向加速度/m/s2横向减振器失效（a）（b）01020300200400600频率/Hz振幅01020300200400600800频率/Hz振幅(c)(d)Figure2normalandlateralplotsfailuredamperoftrainfrequencyandtimedomainfigure0255075-10-50510时间/s垂向加速度/m/s2空簧失气0255075-10-50510时间/s垂向加速度/m/s2抗蛇行减振器失效(a)(b)01020300200400600800频率/Hz振幅01020300200400600800频率/Hz振幅(c)(d)Figure3airspringlossofgasandyawdamperfailureoftrainfrequencyandtimedomainfigure为进一步提取高速列车各工况特征并用于状态估计，根据前面的频域图可知各工况信号的频率主要集中在15Hz以内，选择db3小波进行6层小波包分解，然后重构第六层分解的前8个频带的小波包系数，前8个频带各自所对应的频率范围如表1所示Table1signalfrequencyrangeof6layerswaveletpacketbeforeeightbands频带12345678频率范围（Hz)0~1.8751.875~3.753.75~5.6255.625~7.57.5~9.3759.375~11.2511.25~13.12513.125~15通过仿真高速列车不同速度下的各种工况的信号得到前8个频带和小波包特征熵的对应图如图4～7所示。0246800.20.40.60.81小波包6层分解的前8个频带小波包特征熵1234Figure4waveletpacketcharacteristicentropyat140km/h0246800.20.40.60.81小波包6层分解的前8个频带小波包特征熵1234Figure5waveletpacketcharacteristicentropyat160km/h0246800.20.40.60.81小波包6层分解的前8个频带小波包特征熵1234Figure6waveletpacketcharacteristicentropyat200km/h0246800.20.40.60.81小波包6层分解的前8个频带小波包特征熵134Figure7waveletpacketcharacteristicentropyat220km/h图中数字1～4分别表示列车正常状态、列车横向减振器失效故障、列车空簧失气故障和列车抗蛇行减振器失效故障四种工况。列车横向减振器失效故障在220km/h时发生失稳，所以在220km/h时没有该工况。由图可知，不同工况在不同速度下的小波包特征熵特征变化趋势有一定的差别，尤其是处于第二频带和第四频带的各工况的熵值较其它频带有一定的差异，根据信息熵的物理意义可知，各工况在频率为4Hz和8Hz附近的振动有较大的混乱性，也即有较多敏感频率和脉冲冲击响应成分。因此，打算从各工况振动的差异性特征来进行故障状态的识别。2.2状态识别支持向量机[12-14]具有解决小样本问题、高维模式识别和较好的泛化能力的优势,因此选用支持向量机进行故障识别。由于RBF核函数每个基函数的中心对应一个支持向量,且输出权值由算法本身确定,因此选择RBF核函数，惩罚参数C选为0.5。因为有四种工况要进行分类，采用“一对多”方法，用一个分类器将一种类别的工况与剩下的所有工况区分开，将多分类问题逐步转化为两类分类问题。四种工况各提取40组样本，共160组，其中一半用来训练，另一半用来测试。每组是经小波包6层分解后的最后一层前8个频带的小波包特征熵组成的一个8维特征向量，本实验有四种工况信号，需建立4个二类SVM。最后识别结果如表2所示。Table2correctrecognitionrateundertwodifferentspeedsofthefourconditions速度/km/h正常状态/%横向减振器失效/%空簧失气/%抗蛇行减振器失效/%1604060955020075801008522085+1006025075+100+28095+100+30095+100+330100+100+平均识别率80709965表2中，+号表示该种工况处于失稳状态，各种工况的正确识别率随着速度的增大而增大。其中列车构架垂向加速度空簧失气故障在200km/h以上的正确识别率为100%;列车横向减振器失效故障在速度大于200km/h发生失稳，此时最高正确识别率为80%；列车抗蛇行减振器失效在速度大于220km/h发生失稳，在200km/h时识别率最高，为85%。3结论1）对于采集的高速列车构架垂向加速度监测信号，本文采用小波包特征熵的特征提取方法，并使用支持向量机进行故障识别。实验结果表明，该方法能