基于时频谱和集总经验模式分解(EEMD)包络谱分析的地铁车辆故障分析

基于EEMD和PSO-SVM的滚动轴承故障诊断陈园艺;孙建平【摘要】为实现滚动轴承故障的精确诊断，提出一种基于集成经验模态分解与粒子群算法优化的支持向量机的故障诊断方法。

利用EEMD方法分解振动信号，依据经验选取合适的内禀模态函数进行能量值及包络谱特征幅值比等故障特征参量的计算，构建滚动轴承故障特征向量，然后基于少量不同故障部位及故障程度的样本，利用粒子群算法对支持向量机进行参数优化，进而训练样本并建立故障模型，最后对测试样本进行故障诊断，观察该方法的诊断效果。

实验表明，该方法可对多种不同故障状态进行诊断，且分类精度高，证明了振动分析与智能算法结合的方法可有效实现滚动轴承的故障诊断。

%In order to realize the fault diagnosis for the rolling bearing with accuracy, based on ensemble empirical mode decomposition and support vector machine optimized by particle swarm optimization, a fault diagnosis method is put forward. EEMD method is used to decompose the vibration signal, while a suitable intrinsic mode function is selected on the basis of experience to calculate fault characteristic parameter, including energy value and feature amplitude ratio of envelope spectrum, to build rolling bearing fault feature vector. Then the particle swarm optimi-zation is used to optimize parameters of support vector machine. Based on a small amount of samples with different fault location and fault degree, samples are trained to build fault model. Finally, test samples are conducted on fault diagnosis and the diagnostic effect of this method was observed. The results show that this method can be used to diagnose a variety of fault conditions, and getbetter classification accuracy. It is proved that the method which combines vibration analysis and intelligent algorithm can effectively realize the fault diagnosis of rolling bearings.【期刊名称】《电力科学与工程》【年(卷),期】2016(032)010【总页数】6页(P47-52)【关键词】滚动轴承;集成经验模态分解;粒子群算法;支持向量机;内禀模态函数【作者】陈园艺;孙建平【作者单位】华北电力大学控制与计算机工程学院，河北保定 071003;华北电力大学控制与计算机工程学院，河北保定 071003【正文语种】中文【中图分类】TH113;TP18滚动轴承是旋转机械设备中易受损的部件之一，它的寿命随机性大，失效时产生的振动和噪声会直接影响到机械设备的正常工作，使机械运行状态变差，快速定位轴承故障能缩短维修时间，提高机组的经济效益。

基于一种eemd的能量算子解调机械故障诊断一、 EEMD在机械故障诊断中的应用1、EEMD介绍：EEMD（Ensemble Empirical Mode Decomposition）是在经典的Empirical Mode Decomposition（EMD）基础上提出的一种新型非线性时间序列分析方法，它是一种统计信号分析和非线性分析的组合，将信号层叠成多个个体模态函数（IMF）而去分析。

EEMD结合经典EMD和随机噪声技术，通过组合多次进行干扰，能够有效地进行时间序列的分解和分析。

2、EEMD在机械故障诊断中的应用：机械故障的早期检测和诊断是工程领域的一个重要问题。

EEMD作为一种新的特征提取方法已被广泛用于早期故障诊断领域。

在机械故障诊断中，EEMD和传统的故障诊断技术对比具有较强的表现，可以有效地从工程设备中提取出故障特征特征，进而准确地诊断出故障类型。

三、EEMD能量算子解调机械故障诊断1、算子解调介绍：能量算子解调法是一种基于能量特征进行机械故障诊断的模式识别技术，它是集时域、频域和功率谱的特征分析于一体的综合方法。

它认为，当机械系统受到外力作用时，会引起其频谱改变，从而产生不同的能量分布特征，这些特征可以通过能量算子解调法得到表示，从而实现机械故障的诊断。

2、EEMD能量算子解调机械故障诊断：而在传统的能量算子解调法中，为了更准确的识别机械故障，经常需要对信号进行多次提取，以获得不同的分析结果。

而EEMD正好能够通过组合多次的干扰来解调信号，获得较为准确的时域及频域的特征，从而有效的诊断出机械故障。

四、结论通过本文的介绍，我们可以了解到，EEMD是目前在机械故障诊断领域中应用最为广泛的一种时间序列分析方法，它能够从信号中提取出故障特征，进而准确地诊断出故障类型。

此外，结合EEMD和能量算子解调法，可以更有效地识别出机械故障，从而为机械故障诊断提供更好的依据。

EMD 分解后的原始信号及频谱0.10.20.30.40.50.60.70.80.901000200030004000500060000.050.10.150.2原始信号频谱0.10.20.30.40.50.60.70.80.9-0.4-0.200.20.4原始信号时域波形0.020.040.06原始信号频谱从时域图中可以看到较为明显的周期性冲击，但是故障特征不明显。

在频谱当中，亦存在较为明显的边频带以及很多共振频率，这些冲击大都是电机转数的倍频。

原始信号的包络10002000300040005000600000.010.020.030.04原始信号包络谱100200300400500600求信号的包络谱，明显看出转速及其二倍频。

EMD 分解0.10.20.30.40.50.60.70.80.9-0.200.2IMF1时域波形图00.10.20.30.40.50.60.70.80.9-0.200.2IMF2时域波形图00.10.20.30.40.50.60.70.80.9-0.200.2IMF3时域波形图00.10.20.30.40.50.60.70.80.9-0.200.2IMF4时域波形图00.10.20.30.40.50.60.70.80.9-0.100.1IMF5时域波形图00.10.20.30.40.50.60.70.80.9-0.0500.05IMF6时域波形图IMF 分量的频谱00.05IMF1频谱00.010.02IMF2频谱010002000300040005000600000.0050.01IMF3频谱00.010.02IMF4频谱00.0050.01IMF5频谱01000200030004000500060000.0050.01IMF6频谱IMF 分量的包络100200300400500600700800900100000.05IMF1包络谱0100200300400500600700800900100000.010.02IMF2包络谱0100200300400500600700800900100000.0050.01IMF3包络谱0100200300400500600700800900100000.010.02IMF4包络谱010020030040050060070080090010000.0050.01IMF5包络谱100200300400500600700800900100005-3IMF6包络谱从上图可以看出，也有电机转速的及其倍频处的冲击。

高速列车故障诊断——EEMD分析方法阶段报告
1、对EEMD的理解：EEMD方法的核心是EMD, EMD 是一种自适
应的、高效的信号分解方法. 根据信号自身特征将其分解为一族固有模态函数(IMF) , 不同信号进行EMD 分解得到的IMF
数量各不相同。

EEMD 通过先在原始信号中混入白噪声后再进行EMD 分解的方式保证每个固有模态函数时域的连续性. 在
原始信号中混入足够多次白噪声后, 利用白噪声是均值为零的特性, 对全部EMD 分解得到的各IMF 分量求总体均值, 以消
除附加白噪声的影响。

2、EEMD分析方法具体步骤：1）通过给原始信号x(t)叠加一
组白噪声信号ω(t)获得一个总体信号：X（t）=x(t)+ω(t)。

2）对总体信号X（t）进行EMD分解，得到各阶IMF分量：X
（t）=n∑j=1 C j+r n 3）加入不同的白噪声，得到的IMF分量
取均值，由于报白噪声的均值为0，即得到原始信号所对应的IMF分量。

3、列车故障具体分析过程（以原车40km通道1为例）：
1）导入原车40km数据51101*58
导入原车第一个通道51101*1
2）加入正态分布的白噪声，需加入8次
3）用EMD分解方法求出8个分量的IMF，并对8个分量求均值。