《基于EEMD样本熵和SVDD的在役锚固螺杆故障诊断研究》-工学论文，软件工程论文-论文范文参考-科学狗论文网

标题

基于EEMD样本熵和SVDD的在役锚固螺杆故障诊断研究

范文

常贵春+叶俊勇+李阳

摘要：为了实现对重庆市轻轨轨道梁的在役锚固螺杆的健康检测并且能够及时发现故障螺杆，本文提出了一种基于集合经验模态分解（EEMD）的样本熵与支持向量数据描述（SVDD）相结合的诊断方法。首先，利用EEMD方法将得到的正常锚固螺杆振动信号分解为若干个平稳的本征模态函数（IMF）分量，然后计算得到每个分量的样本熵，最后把得到的样本熵作为特征集输入到SVDD分类器进行训练和分类。大量实验结果表明，该方法不仅解决了故障样本缺乏的难题而且对锚固螺杆故障识别的错分率可以控制在5%以下，因此可以作为锚固螺杆是否处于正常工作状态的重要检测方法。

关键词：锚固螺杆；集合经验模态分解；支持向量数据描述；样本熵

中图分类号：TP393 文献标识码：A DOI：10.3969/j.issn.1003-6970.2015.02.005

0 引言

重庆市的轻轨交通系统是一个典型的城市高架轨道梁系统。其中锚固螺杆是整个系统的关键受力结构，连接着轨道梁和墩台，他们的健康状况至关重要。但是由于特殊的结构，一旦安装不便于拆卸，所以锚固螺杆在锚箱内的安全情况很难掌握。另外由于锚固螺杆需要长期服役，天气变化，气候潮湿，以及复杂的受力状况等多种因素都会对他们的健康状况产生很大的影响。锚固螺杆故障如若被遗漏，可能会导致轨道梁结构发生安全事故，其导致的后果是不可想象的。因此，有效的锚固螺杆检测手段对重庆市整个轻轨的健康安全运行至关重要。

重庆是国内首次引进跨座式单轨交通的城市，因此在国内对轨道梁中锚固螺杆健康状况诊断的研究还处于不成熟阶段。以往的方法主要分为两类：一类方法主要是对信号进行特征提取，如时频特征提取，小波包分解。然后用传统识别分类方法分类，但是由于传统识别分类方法需要大量故障样本，而锚固螺杆的故障样本又极度匮乏，使得现实诊断效果极度不理想。另一类方法是不进行特征提取，直接对振动脉冲响应信号的原始数据（数据长度约2000数据点）用支持向量数据描述方法（SVDD）进行单值分类，此方法虽然解决了故障样本匮乏的难题，但是一方面由于原始信号中并不是所有的信息对诊断有一定的帮助作用，甚至有的会降低检测的精度，比如噪声。另一方面SVDD的分类算法需要解决二次规划问题的求解问题，导致随着数据维数的增多，其求解的计算量会急剧增长，而且随着维数越高，准确描述目标类需要的样本就越多。所以直接利用SVDD分类器对其训练和分类，现实诊断结果非常不理想。提取并且选择能够最大限度反映故障本质的敏感特征作为目标样本来降低数据维数，可以提高训练和分类效果，快速准确地将故障锚固螺杆检测出来。本文针对锚固螺杆检测存在的问题，在EEMDTM和SVDD方法基础上提出了一种新的单值分类模型，并且证明了它的可行性。

1 振动信号的EEMD分解

EEMD是针对EMD（经验模态分解）方法的不足，所提出了一种噪声辅助数据分析方法。EMD（经验模态分解）是一种自适应的信号处理方法，被认为是对以傅里叶变换为基础的线性、稳态频谱分析的一个重大突破，且具有自适应的信号分解和降噪能力，目前已成功应用于图像处理和旋转机械故障诊断等领域。但EMD方法的缺陷是会产生模态混叠，为了解决这些问题，Wu等提出了集合经验模态分解方法（EEMD）。将一个非平稳非线性的信号通过EEMD分解，可得到若干个平稳的本征模态函数（IMFS），此方法分解的本征模态函数混叠现象轻，且信号稳定，非常适合本文要处理的非线性非平稳的锚固螺杆信号。本文通过其算法对实验得到的振动信号进行分解。

（1）在原始振动信号x（t）中重复并且多次加入标准差为常数且幅值均值为0的白噪声ni（t）（一般来说取白噪声的标准差为原始振动信号标准差的0 1～0.4倍），即

2 样本熵表征IMF复杂性

样本熵表示时间序列复杂度的一个非负数，越杂乱的时间序列样本熵越大，越规则的时间序列样本熵越小。对各组信号分解得到的IMF分量计算样本熵。限于篇幅有限只给出几个典型数据的样本熵的值和78组信号各个IMF样本熵值随力矩的变化情况。

通过观察得出正常时（紧固力矩大于560Nm）EEMD样本熵较低，当发生故障时（紧固力矩小于560Nm）样本熵变大。因为由熵原理可知当锚固螺杆发生故障时产生的振动信号的时间序列复杂度增强，样本熵相应也会增大。因此EEMD的样本熵可以有效提取锚固螺杆的故障信息，作为SVDD分类器的特征集。

3 SVDD分类器设计原理

然后对训练样本和测试样本分别进行EEMD样本熵特征提取，然后输入到SVDD单值分类器中进行试验，得到测试结果如图6。由上图可知不经过特征提取和经过特征提取的分类结果如下表所示

由上图和上表知不对数据进行特征提取直接输入到分类器中得到的分类准确率远远低于提取数据的EEMD样本熵特征后再输入到分类器中得到的分类准确率。这是因为原始数据往往含有大量的噪声，影响分类器的效果，而进行EEMD样本熵特征提取后可以抑制噪声对分类效果的影响，从而提高分类准确率。一般来说分类错误有两种，一种是正常样本被拒绝，另一种是故障样本被接受。前一种分类错误还可以接受，后一种分类错误是绝对不可以忍受的，它的发生可能会对轨道交通带来无法估量的灾难。

以上实验验证了此方法的可行性，当训练样本数量为30个，测试样本为45个时，测试准确率几乎达到了100%。而且随着训练样本数量的增多，分类器的准确率会得到进一步的提高，分类的可靠性能够得到保证。在训练分类器时只需要正常样本，不需要任何故障样本，解决了锚固螺杆故障样本缺乏的难题。所以在实际的在役锚固螺杆故障检测中，只需要到现场采集正常的锚固螺杆信号直接输入到训练好的SVDD分类器中，就可以根据分类情况来判断是否存在故障。

5 总结

在役锚固螺杆故障检测需要解决的关键问题是故障样本的极度缺乏和特征提取效果不良。支持向量数据描述改变了神经网络和支持向量机必须需要一定故障样本的缺陷，只需要正常锚固螺杆信号训练分类器就可以很好地分辨出待检信号中的故障信号和正常信号。通过EEMD方法对得到的正常锚固螺杆进行自适应的分解，然后计算能够反映信号本质特征的前三个IMF的样本熵值，作为表征信号时间序列复杂度的指标，能准确反映信号正常与故障情况并且大大降低了信号数据的维数。本文将两者结合在一起，应用于重庆市在役轻轨锚固螺杆健康检测，有效地解决了故障样本缺乏检测准确率较低的难题。本方法的唯一不足就是只能区分出故障和正常信号，无法检测出是何种故障问题。因此这也将是下一步的研究方向。

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。