全矢样本熵在高速列车故障诊断中的应用

摘要：

为了有效提取高速列车转向架振动信号的故障特征以及针对单通道采集的信息难以完善地反映出列车运行状态的问题,提出了一种基于全矢样本熵(full vector sample entropy,简称FVSE)算法的故障特征提取方法.首先,使用噪声辅助多元经验模态分解(noise assisted multivariate empirical mode decomposition,简称NAMEMD)方法对振动信号进行分解,得到一系列多元本征模态函数;其次,根据相关系数法选择与原始信号最相关的本征模态函数分别进行样本熵和全矢样本熵特征提取;最后,将得到的特征向量分别作为支持向量机的输入对列车状态进行识别.实验结果表明,采用全矢样本熵算法的故障识别率普遍比采用样本熵算法提高了6个百分点,最高达到了98％以上,验证了噪声辅助多元经验模态分解方法结合全矢样本熵算法对高速列车故障诊断的有效性.

关键词：高速列车转向架、全矢样本熵、噪声辅助多元经验模态分解、本征模态函数、支持向量机

所属期刊栏目：40

分类号：TH165+.3;TP206+.3

资助基金：国家自然科学基金重点资助项目61134002

在线出版日期：2020-09-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：794-799