[发明专利]基于VMD的轨道车辆平轮状态的监测与诊断方法

说明书

技术领域

本发明属于平轮故障监测技术领域，具体涉及一种基于VMD的轨道车辆平轮状态的监测与诊断方法。

背景技术

车轮是轨道车辆的关键部件，在列车频繁提速、载重不断加大的背景下，车体故障变得复杂多样，平轮故障就是其中之一。平轮的产生会导致车辆轴承损伤、轴温升高、钢轨波磨等问题，需要监测的工况包括有四种，具体为踏面正常、踏面擦伤、踏面剥离和圆周磨耗。实现平轮故障的非接触在线监测方法有很多，国内外常见的方法有位移检测法、电信号检测法、振动分析法等。由于振动分析法技术较成熟，成本低，广泛应用高低车速的在线实时检测分析。

其中经验模态分解(EMD)是一种较为不便的振动分析法，其是一种自适应信号的处理方法，在机械故障诊断中得到了广泛应用，《振动工程学报》中发表的“有关滚动轴承故障EMD诊断方法研究”，利用EMD将滚动轴承局部损伤产生的高频调幅信号分离出来，利用Hi lbert变换计算包络谱，提取滚动轴承的内外圈故障特征频率。为实现平轮故障诊断，《振动与冲击》该书中关于“车轮踏面擦伤识别方法”，是结合改进的EMD方法与小波包变换实现踏面擦伤程度的定量判别。同时还有将EEMD和近似熵应用于列车转向架关键部件的故障诊断中，得到了较好的故障分类效果。但是EMD容易引起模态混叠，从而导致遗漏重要的特征信息。

发明内容

为了解决上述问题，本发明的目的在于：提供一种基于VMD的轨道车辆平轮状态的监测与诊断方法，具有识别平轮工况准确率高的特点。

为实现上述目的，本发明按以下技术方案予以实现的：

本发明所述基于VMD的轨道车辆平轮状态的监测与诊断方法，包括如下步骤：

通过安装于轨道内的传感器采集平轮的振动信号；

对所述振动信号进行VMD变分模态分解，得到多个不同频率下的模态；

对多个所述模态构建包络谱熵特征；

在包络谱熵特征中选取与所述振动信号一致性强的包络谱熵值；

将选取的多个包络谱熵值输入训练支持向量机中进行识别，识别平轮的工况。

进一步地，对所述振动信号进行VMD变分模态分解采用乘法算子方向法，得到多个不同频率下的模态u_k。

进一步地，所述乘法算子方向法具体为：

对所述振动信号的模态分量中心频率算子进行初始化；

更新u_k、ω_k和λ，具体公式为：

其中ω为中心频率，α为二次乘法因子，λ为拉格朗日乘法算子；

确定判定精度e，根据判定公式，对于满足该判定公式的情况，停止迭代输出分解模态u_k。

进一步地，所述判定公式具体为：其中取e＝1×10^-6。

进一步地，对多个模态构建包络谱熵特征的步骤，具体是：

对模态u_k进行希尔伯特变换H[U_k(t)]，求取包络信号Z(t)，具体公式为：

对所述包络信号Z(t)进行傅里叶变换，求取包络谱Q_i，具体公式为H_i(w)＝FFT(z(t))、Q_i＝|H_i(w)|，其中Hi(w)对包络信号Z(t)进行傅里叶变换的函数；

对所述包络谱进行归一化处理，求取包络谱熵值R，具体公式为：其中E_i为第i(i＝1、2、3、4....)个包络谱在整体包络谱中所占的比例，所述包络谱熵值R的集合为包络谱熵特征。

进一步地，所述与所述振动信号一致性强的包络谱熵值，具体为获取皮尔逊相关系数大的包络谱熵值。

进一步地，所述皮尔逊相关系数大的包络谱熵值位于包络谱熵特征的前端位置。

进一步地，所述训练支持向量机是通过将现有的多个已知工况对应的包络谱熵值输入，然后将各个工况下的包络谱熵值分开，形成的固定思维定式的参考模型。

进一步地，所述传感器所在轨道的检测区域长度大于平轮周长的两倍。

进一步地，所述传感器包括至少8个振动加速度传感器和至少3个车轮速度传感器；所述振动加速度传感器分别对称设于轨道的两内侧；两个所述车轮速度传感器设于振动加速度传感器的前方，剩余1个所述车轮速度传感器设于振动加速度传感器的后方，并且三个所述车轮速度传感器都位于轨道的同一侧。