首页  |  期刊简介  |  期刊荣誉  |  编委会  |  现任主编  |  投稿指南  |  下载中心  |  期刊征订
中文核心期刊
Ei Compendex收录期刊
中国科学引文数据库来源期刊
中文科技期刊数据库收录期刊
国际刊号:1004-6801
国内刊号:32-1361/V
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中华人民共和国工业和信息化部
  • 主办:南京航空航天大学
  •           全国高校机械工程测试技术研究会
  • 国际刊号:1004-6801
  • 国内刊号:32-1361/V
  • 地址:南京市御道街29号
  • 电话:025-8489 3332
  • 传真:025-8489 3332
  • E-mail:qchen@nuaa.edu.cn
  • 邮编:210016
全矢样本熵在高速列车故障诊断中的应用
Application of Full Vector Sample Entropy in Fault Diagnosis of High Speed Train
  
DOI:10.16450/j.cnki.issn.1004-6801.2020.04.024
中文关键词:  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
英文关键词:high speed train bogie  full vector sample entropy  noise assisted multivariate empirical mode decomposition  intrinsic mode function  support vector machine
基金项目:(国家自然科学基金重点资助项目(61134002)
作者单位
李亚兰,金炜东 (西南交通大学电气工程学院 成都611756) 
摘要点击次数: 27
全文下载次数: 26
中文摘要:
      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。
英文摘要:
      In order to effectively extract the fault characteristics of the high-speed train bogie vibration signal and aim at the problem of the information of single-channel acquisition is difficult to fully reflect the running state of the train, a new fault feature extraction method based on full vector sample entropy (FVSE) algorithm is proposed. Firstly, the noise assisted multiempirical mode decomposition (NAMEMD) method is used to decompose the vibration signal to obtain a series of multi-intrinsic mode functions. Then, according to the correlation coefficient method, the most relevant intrinsic mode functions to the original signal are selected to calculate the sample entropy and the full vector sample entropy. Finally, the support vector machine is used to identify the train status. The experimental results show that the recognition rate of the train using the FVSE algorithm is generally 6% higher than the sample entropy algorithm, and the highest is above 98%, the validity of noise assisted multivariate empirical mode decomposition and full vector sample entropy for fault diagnosis of high speed trains is verified.
查看全文  查看/发表评论  下载PDF阅读器
关闭

Copyright @2010-2015《振动、测试与诊断》

地址:南京市御道街29号        邮编:210016

电话:025-8489 3332      传真:025-8489 3332       E-mail:qchen@nuaa.edu.cn

您是本站第2174774位访问者 本站今日一共被访问244

技术支持:北京勤云科技发展有限公司