基于改進EEMD樣本熵的高速列車滾子缺陷AE信號提取

鄧 韜， 林建輝， 黃晨光， 靳 行， 張 敏

(西南交通大學(xué) 牽引動力國家重點實驗室，成都 610031)

基于改進EEMD樣本熵的高速列車滾子缺陷AE信號提取

鄧 韜， 林建輝， 黃晨光， 靳 行， 張 敏

(西南交通大學(xué) 牽引動力國家重點實驗室，成都 610031)

提出一種改進EEMD滾子缺陷聲發(fā)射(AE)信號提取新方法，該方法根據(jù)EMD分解的二進濾波器組特性構(gòu)造幅值與頻率成線性-正弦規(guī)律變化的噪聲添加進測試數(shù)據(jù)，給出了噪聲構(gòu)建原則，并按頻率由高到低限定各階IMF篩選次數(shù)，選取同一時段高頻IMF歸一化樣本熵較小的數(shù)據(jù)段作為聲發(fā)射事件參考。對實測數(shù)據(jù)計算表明特殊構(gòu)造的噪聲和篩選次數(shù)能有效抑制中低頻段模態(tài)混疊和高階IMF小波消失現(xiàn)象，改進后的EEMD方法分解出的IMF分量物理意義明確，性能優(yōu)于傳統(tǒng)EEMD方法。分段的IMF樣本熵變化能在連續(xù)監(jiān)測中捕捉聲發(fā)射事件，對應(yīng)的Hilbert譜能直觀凸顯出滾子缺陷聲發(fā)射信號，滾動體AE信號事件周期與理論計算相吻合。

聲發(fā)射； 改進EEMD； 分段樣本熵； 滾子缺陷

高速列車輪軸故障檢測的重點在于其早期故障的發(fā)現(xiàn)和預(yù)警[1]，聲發(fā)射(Acoustic Emission，AE)檢測作為一種早期故障檢測手段其信號比振動加速度頻率范圍寬、包含的信息量大、受外界干擾情況更復(fù)雜，對輪軸AE信號的有效捕捉分析一直是研究的難點。

經(jīng)驗?zāi)Ｊ椒纸?Empirical Mode Decomposition，EMD)作為依據(jù)數(shù)據(jù)自身驅(qū)動的分析方法[2-3]使聲發(fā)射這種非高斯、非線性信號有了全新的分析手段。針對EMD算法和待分解信號頻率特征影響易產(chǎn)生模態(tài)混疊的現(xiàn)象，由Wu等[4]提出的聚合經(jīng)驗?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition, EEMD)通過加入噪聲輔助分析(Noise-Assisted Data Analysis，NADA)改變信號極值點分布，多次平均后在一定程度上減輕了信號由間斷點帶來的模態(tài)混疊，該方法得到了較好的運用[5-7]。然而其添加噪聲的幅值和篩選次數(shù)對EEMD最終分解結(jié)果影響很大。其次，噪聲幅值和篩選次數(shù)都是人為根據(jù)經(jīng)驗設(shè)定，最終結(jié)果受主觀因素影響很大。基于此，雷亞國等[8]提出一種自適應(yīng)總體平均經(jīng)驗?zāi)Ｊ椒纸庥糜谛行驱X輪箱故障檢測，該方法對振動信號加入幅值隨頻率呈正弦變化的噪聲，每階本征模態(tài)分量(Intrinsic Mode Function，IMF)都自適應(yīng)地選擇不同的篩選次數(shù)，克服了上述EEMD 方法對所有 IMF用人為設(shè)定的等幅值噪聲和相同篩選次數(shù)問題。

本文提出一種MEEMD(Modifled Ensemble Empirical Mode Decomposition)方法，即根據(jù)高速列車軸承鋼質(zhì)滾動體、保持架的聲發(fā)射信號特征，結(jié)合EEMD二進濾波特性，在EEMD中設(shè)計加入一種呈線性-正弦規(guī)律變化的噪聲。選取最可能包含聲發(fā)射特征頻段的前幾個低階IMF分別進行分段樣本熵計算，同一時刻不同尺度下樣本熵都明顯較小的幾個數(shù)據(jù)段信號隨機性較小，有較大概率是聲發(fā)射信號，對其進行希爾伯特變換，可進一步研究其譜分布。該方法可減小聲發(fā)射信號的模態(tài)混疊現(xiàn)象，能夠在復(fù)雜測試環(huán)境下對含有高噪聲的大段連續(xù)輪軸監(jiān)測數(shù)據(jù)進行聲發(fā)射信號的捕捉和觀察。

1 AE信號的EEMD改進方法

1.1 EEMD算法及噪聲加入原則

EMD算法先要尋找到信號的局部極值點，再由三次樣條曲線分別連接這些局部極大值和極小值點得到上下包絡(luò)線，繼而求出信號的均值曲線。通過EMD的二進濾波器組特性對高斯白噪聲進行研究發(fā)現(xiàn)[9]，不同階次的IMF頻帶范圍是不同的，低階IMF分量屬于高頻分量，包含有相對較寬的頻率成分，高階IMF分量屬于低頻分量，頻率成分相對較少。因此，眾多的高頻成分會集中出現(xiàn)在同一個低階IMF中，而單一的低頻成分則可能會分散在多個高階IMF中。

如果信號中包含有異常點如間斷點等，極值點的選取會因此而發(fā)生改變，信號經(jīng)上下包絡(luò)求取均值最后得到IMF分量一連串受到影響，在同一IMF中最終包含有原有信號和異常信號的“多重”模態(tài)，從而產(chǎn)生了模態(tài)混疊。

為了解決EMD存在的模態(tài)混疊現(xiàn)象，由Wu等提出了基于噪聲輔助分析(NADA)的EEMD方法。其基本思路是對原信號加入高斯白噪聲，因高斯白噪聲譜分布均勻，它的加入如同在各個時間尺度下畫好“格子”，不同時間尺度的信號會填入這個格子中間。同時噪聲的加入一定程度上能弱化異常信號的影響。根據(jù)高斯白噪聲具有的零均值性，EEMD多次平均后能把每次加入的噪聲基本抵消，噪聲對最終分解結(jié)果影響很小。

EEMD算法如下：

(1)設(shè)定聚合的總次數(shù)N,加入高斯白噪聲的幅值比值系數(shù)k，令計算次數(shù)a=1。其中k為加入的白噪聲幅值標準差en與原始信號幅值標準差e0的比值系數(shù)。

(2)計算第a次時，在信號中加入高斯白噪聲na(t)后的實驗信號，即

Xa(t)=x(t)+kna(t)

(1)

(3)對Xa(t)進行經(jīng)驗?zāi)Ｊ椒纸夤驳玫絀個模態(tài)分量，即IMFci,a(i=0,1,…,I)，其中ci,a為第i次分解得到的第a個IMF；

(4)計算所有a次聚合后對應(yīng)IMF的均值

(2)

(5)把各個IMF的均值作為信號最終的IMF輸出。

Wu等[10]研究了在聚合經(jīng)驗?zāi)B(tài)分解中添加白噪聲的幅值比值系數(shù)和聚合次數(shù)設(shè)定之間的關(guān)系,文中給出了噪聲對分解結(jié)果影響e與N，K有

(3)

式中：N為聚合次數(shù);k為噪聲幅值比值系數(shù);e為信號分解相對誤差的期望最小值,代表原信號與EEMD分解后IMFs的相對誤差。

實際使用可以發(fā)現(xiàn)EEMD是通過在全頻段添加相同強度的白噪聲來實現(xiàn)對信號極值點“修正”的，只能在一定程度上削弱單純EMD的模式混疊現(xiàn)象，根據(jù)具體信號的不同，模式混疊現(xiàn)象還有可能發(fā)生。雷亞國等對一包含沖擊、高頻余弦和低頻余弦的仿真信號進行EEMD分解，分別設(shè)定添加的噪聲標準差為原始信號標準差的 0.001 倍和0.01 倍時可以發(fā)現(xiàn)，加入較小噪聲時高頻出現(xiàn)了模式混疊，加入較大噪聲時低頻出現(xiàn)了模式混疊，基于此提出了按正弦規(guī)律變化的噪聲加入方法。總結(jié)而言，EEMD產(chǎn)生模式混疊的原因與分解過程中高頻成分與低頻成分對加入噪聲大小的敏感性不同相關(guān)。

1.2 改進的噪聲加入方法

有別于一般的振動加速度信號，聲發(fā)射信號往往是一種突發(fā)的寬頻信號，金屬材料出現(xiàn)裂紋等缺陷時往往在某些特定頻段或頻率范圍表現(xiàn)出較高能量，表1給出了一般鋼材處于靜態(tài)加載條件下，分別在韌性撕裂、孔洞和夾雜物起裂分離和準解理脆斷三種情況下的聲發(fā)射信號強度和頻率特性。輪軸缺陷聲發(fā)射信號所涉及的頻段根據(jù)不同的缺陷主頻涵蓋從90～350 kHZ的頻段，并且頻域可從300 kHz延伸到1 MHz以上，分析此類信號不僅需要關(guān)注較寬的主頻段還要兼顧延伸出去的超高頻段，這一超高頻段包含有缺陷輪軸聲發(fā)射信號所具有的特征成分。

表1 一般鋼材幾種缺陷的信號特征

當信號中添加較小幅值噪聲時，對低頻成分極值點影響輕微，可減少低頻成分被分散到多個 IMF 中的幾率；信號中添加較大幅值噪聲時，噪聲所刻畫的“尺度”更明晰，利于高頻分量分解到對應(yīng)的頻率框架中，減輕高頻成分的模態(tài)混疊現(xiàn)象。

按信號頻率由低到高研究幅值以線性遞增和正弦遞增的兩種噪聲，發(fā)現(xiàn)在低頻段加入幅值按線性規(guī)律遞增的噪聲，在高頻段加入幅值按正弦規(guī)律遞增的噪聲更能契合聲發(fā)射信號頻段構(gòu)成，有較理想的分解結(jié)果。為使中低頻噪聲加入可控，引入由低到高成線性-正弦變化的噪聲頻譜構(gòu)成為

(4)

式中：F(f)為高斯白噪聲頻譜；F0(f)為線性-正弦噪聲頻譜；f0為1/2采樣率；引入τ為線性和正弦噪聲節(jié)點算子。

圖1為不同τ下的線性-正弦噪聲頻譜圖，采用歸一化的噪聲頻率幅值描述。擬合的線性-正弦噪聲相比單純的線性變化噪聲在高頻段幅值遞增更平滑，在低頻段噪聲衰減更直接。引入的τ與線性變化區(qū)和正弦變化區(qū)分割點相關(guān)，改變τ的取值可以改變線性區(qū)和正弦區(qū)的比例。τ值越大線性區(qū)越小，正弦區(qū)越大，低頻中頻率較高的部分更多的被正弦區(qū)覆蓋，加入的噪聲較多；τ值越小線性區(qū)越大，正弦區(qū)越小，當從最低頻到較高頻都處于線性段時，有較陡峭的噪聲幅值變化，加入噪聲相比正弦變化要更小。對一個完整的聲發(fā)射信號，通過調(diào)整τ使得最低特征頻率段以下的部分處于線性變化段使噪聲加入量變小，利于后期分解。

圖1 不同τ下的線性-正弦噪聲頻譜圖Fig.1 Linear-sinusoidal noise spectrum in different τ

1.3 IMF篩選次數(shù)優(yōu)化

根據(jù)EEMD 的二進濾波器特性可知，最高頻率IMF即一階IMF包含的頻帶寬度是最寬的，從一階依次往下各階IMF包含頻寬基本呈現(xiàn)2 的指數(shù)次衰減；此外，各階IMF所包含的頻帶重疊情況不一，越往高頻帶重疊情況越大。所以，對不同階次的IMF應(yīng)當設(shè)定不同的篩選次數(shù)，由大量仿真數(shù)據(jù)可知，對于最高階即最低頻IMF分量，只需進行2次篩選就能得到穩(wěn)定的結(jié)果，對于每低一階的IMF分量篩選次數(shù)增加的足夠大才能有效的減小模態(tài)混疊現(xiàn)象。

因此，根據(jù)分解后各IMF分量的復(fù)雜度，參考類比 EEMD所具有的二進濾波器特性，第一階IMF分量所含頻率成分最多，需要的聚合次數(shù)也最高，其他IMF所需聚合次數(shù)依次降低。于是考慮按頻率由高到低以2的指數(shù)次方衰減規(guī)律變化確定篩選次數(shù)，IMF階次由低到高設(shè)定聚合次數(shù)N為2n，2n-1，…，2；其中n為IMF分量個數(shù)。

2 IMF樣本熵篩選和譜分析

2.1 本征模態(tài)函數(shù)樣本熵

樣本熵(SampEn)是一種測量信號復(fù)雜度或不規(guī)則度的指標，取值越大，不規(guī)則度越大。

聲發(fā)射信號是突發(fā)沖擊信號，對每一階IMF分量分別計算其樣本熵，包含此類高頻沖擊信號的IMF小波形很多，樣本熵值較高；包含由轉(zhuǎn)動頻率帶來的各階調(diào)制頻率成分的高階IMF幅值突變小，較為連續(xù)且規(guī)律，屬于中大波形，能量較大，其樣本熵值往往偏小，剔除那些樣本熵值較小的IMF分量可以避免較大能量在頻率圖譜上蓋過能量較小的聲發(fā)射信號，凸顯其譜線。

作為近似熵的改進算法，樣本熵不再計算自身匹配,而是從計算樣本產(chǎn)生信息量比率入手。樣本熵在計算條件概率時也不再采用模板匹配方式,計算中只需設(shè)定一個長度為m的模板向量，然后通過尋找m+1長度匹配的方式來得到熵值，因而不再需要長度為m+1的模板向量。樣本熵能夠克服近似熵的計算偏差，且速度更快，具有更高精度。

一個時間序列樣本熵的計算如下[11]。

對于一個數(shù)據(jù)量為D的時間序列{x(i):j=1,2,…,D}，可以構(gòu)成D-m+1個相空間矢量Xm(i)，有{i│1≤i≤D-m+1},Xm(i)={u(i+k):0≤K≤m-1}為u(i)～u(i+m-1)的m個相空間向量。

定義兩個m維的矢量X(i)與X(j)之間的最大距離為

k=0,1,…,m-1

(5)

(6)

同樣的對m+1可以得到Bm+1(r)，用平均值表示，序列的樣本熵定義為

(7)

對于數(shù)據(jù)長度為有限D(zhuǎn)的時間序列樣本熵估計值為

(8)

數(shù)據(jù)經(jīng)EEMD后獲得的n個IMF分別按一定數(shù)據(jù)長度計算其樣本熵得到{Se(I):I=1,2,…,n}，I為IMF階次數(shù)，于是有歸一化樣本熵

(9)

定義歸一化樣本熵指標

(10)

前γ個高頻段IMF分段歸一化樣本熵值相加有

(11)

由式(11)可知α<1,β<γ，其中α主要表征單個低階高頻的IMF樣本熵大小，而β對應(yīng)相應(yīng)數(shù)據(jù)段下的前γ個高頻IMF分量所包含的信號變化劇烈程度，α和β越大，說明隨機噪聲可能性越小，為聲發(fā)射事件的概率也越大。α、β作為較高頻率IMF信號隨機性判據(jù)必須同時滿足不小于某一值，其大小可根據(jù)具體數(shù)據(jù)和高頻IMF分量的個數(shù)γ作調(diào)整。

2.2 Hilbert譜分析

Hilbert譜是通過對各IMF分量進行Hilbert變換得到相應(yīng)時頻幅值譜圖的譜分析方法[12]，有

(12)

由式(12)可以看出Hilbert譜給出的是頻率、幅值和時間的三維關(guān)系譜圖。EMD分解把復(fù)雜的信號分界為簡單的單分量的信號，使其可以應(yīng)用瞬時頻率的概念，Hilbert變換的目的就是分析出瞬時頻率。

對比Gabor、小波等具有多尺度的時頻分析方法，得到的是一個包含時頻分布的二維矩陣。所以HHT在每一時刻只計算出一個頻率值，而小波等得到的是一系列的頻率值。從Hilbert譜時頻分布圖上看到的是一條線，而不是一幅圖，這一特點更利于觀測到短時突發(fā)特征的AE信號。

圖2給出了整個改進EEMD的樣本熵計算Hilbert譜的步驟。

圖2 改進EEMD分段樣本熵繪制信號Hilbert譜Fig.2 AE Hilbertspectrumbased onmodified EEMD and segmentsample entropy

3 實驗設(shè)計與數(shù)據(jù)分析

3.1 試驗布置

高速列車雙列圓錐滾子軸承主要由滾動體、內(nèi)滾道、外滾道和保持架等構(gòu)成。滾動體缺陷為沿其縱向燒蝕的一條凹痕，深度1 mm，寬度1 mm，兩個故障滾動體間隔4個正常滾動體。

轉(zhuǎn)動試驗臺如圖3所示，設(shè)備主要由底部的電機驅(qū)動輪和上部的液壓加壓固定裝置構(gòu)成。聲發(fā)射傳感器用鋼板螺絲夾具固定于軸箱側(cè)面，每側(cè)2個傳感器，上下放置。實驗設(shè)置采樣率1 Msps，帶寬20～400 kHz，觸發(fā)門限60 dB，放大器放大倍率20 dB。

圖3 試驗臺Fig.3 Experimental platform

3.2 數(shù)據(jù)分析

不同于靜態(tài)檢測時的門限觸發(fā)采樣，試驗采用連續(xù)波形流采樣以獲得時間和波形連續(xù)的測試數(shù)據(jù)。圖4為試驗速度100 km/h工況下連續(xù)波形采樣獲得的數(shù)據(jù)時域圖(橫坐標為數(shù)據(jù)點數(shù))。

圖4 試驗數(shù)據(jù)時域圖Fig.4 Test signals

對測試數(shù)據(jù)進行EEMD分解，設(shè)定加入的高斯白噪聲幅值系數(shù)為0.2，聚合次數(shù)200次，共得到9個IMF分量。圖5(a)是分解后前5個IMF，從圖中可以看到最高頻率的IMF1分量只有幅值變化很小的連續(xù)小波形；IMF2分量只在8 400點處分解出較大波動；對應(yīng)圖5(a)方框中數(shù)據(jù)，觀察IMF3的分解結(jié)果中4 080點、6 200點、8 200點、10 300點和15 400點的波形有較大可能為聲發(fā)射事件，但這一寬頻事件并沒有在較高頻率的IMF1和IMF2中體現(xiàn)出來，分解結(jié)果難以判定聲發(fā)射事件。

圖5 EEMD分解結(jié)果Fig.5 IMFs by EEMD

之前EEMD分解了解到IMF1分量的中心頻率在350 kHz，為了確定改進噪聲添加中的τ值，以350 kHz為中心頻率、上下浮動10 kHz擬合一段長度為2 000點的窄帶聲發(fā)射信號如圖6所示。圖6下部時域信號為相同環(huán)境下聲發(fā)射傳感器采集到的一段正常軸承運行波型，每隔15 000點截取5組40 000點長度的數(shù)據(jù)(數(shù)據(jù)1～數(shù)據(jù)5)，分別做FFT獲得各組數(shù)據(jù)350 kHz上下10 kHz頻段范圍的平均幅值。

圖6 仿真信號Fig.6 Simulation signals

為了適當凸顯聲發(fā)射事件，分別將擬合聲發(fā)射信號按各組得到平均幅值的5倍大小處理后疊加。對添加了擬合聲發(fā)射信號的5段數(shù)據(jù)按τ值取20、6、1.5、1做噪聲改進EEMD分解。對包含中心頻率350 kHz最豐富的IMF1分量按擬合信號疊加起止點截取2 000點數(shù)據(jù)。表2為各IMF分量截取數(shù)據(jù)與原始窄帶聲發(fā)射信號的相關(guān)情況，可以看到當τ值為1.5時，即正弦噪聲和線性噪聲結(jié)合點在330 kHz時分解出各組數(shù)據(jù)和原始擬合信號的相關(guān)程度最高，因此τ值選取應(yīng)盡量使線性-正弦結(jié)合點在所關(guān)心頻率附近。

表2 不同τ值下各組分解結(jié)果相關(guān)性比較

對測得的包含滾動體缺陷連續(xù)波形數(shù)據(jù)采用改進后的EEMD方法進行分解，IMF2分量中心頻率在225 kHz，結(jié)合前段分析，考慮對IMF2中心頻率以下的加入噪聲進行線性添加取τ值為2.5，最高白噪聲幅值系數(shù)比取0.2做線性-正弦噪聲計算得到新的噪聲進行EEMD，聚合次數(shù)按照29，28，…，2計算得到前7個IMF分量如圖7所示。

圖7 改進后的EEMD分解結(jié)果Fig.7 IMFs by modified EEMD

圖7(b)和圖7(c)為圖7(a)中方框部分放大結(jié)果，可以看到在同一時刻前三個分量有明顯尖峰信號出現(xiàn)，符合聲發(fā)射同一時刻有較寬頻率脈沖波發(fā)出的情況，物理意義明確。顯然傳統(tǒng)的EEMD把前兩個分量的小脈沖分解到了IMF3中，產(chǎn)生模態(tài)混疊。

為了在較長的監(jiān)測數(shù)據(jù)中提取有效聲發(fā)射信號，對每個IMF按數(shù)據(jù)長度N為5 000點分段進行三組樣本熵計算。嵌入維數(shù)m是截取數(shù)據(jù)長度，一般m取1或2，實際應(yīng)該優(yōu)先選2，因基于聯(lián)合概率重構(gòu)可得到更多的詳細信息。當m>2時數(shù)據(jù)長度太大，難以保證所截取信號具有相同的性質(zhì)；且m>2時相應(yīng)的r值也加大，計算的樣本熵會難以反映序列的詳細信息，因此，取m=2。

相似容限r(nóng)為各模式間的有效閾值，是維數(shù)為m的超立方體半徑。Pincus[13]對確定性過程和隨機過程進行分析，認為r值過小對統(tǒng)計概率估計不理想，過大又會丟失較多的細節(jié)信息，得出r在0.1E～0.25E可以估計出較為有效的統(tǒng)計特性(E是原始數(shù)據(jù)的標準偏差，這里為各階IMF的標準差)。因此，選取r=0.2E。

計算得到前7個IMF 4組分段樣本熵判據(jù)變化結(jié)果如圖8所示，α，β越大說明樣本熵越小，而隨機噪聲樣本熵一般較大。γ=3，通過多組的對比取α最低界限為0.1，β為0.59，圖7(b)和圖7(c)前三個IMF滿足α，β分別為0.76和1.15均大于設(shè)定的最小值，于是判定5 00點～15 000點為包含聲發(fā)射事件數(shù)據(jù)段。

圖8 4組分段的前7個IMF歸一化樣本熵指標Fig.8 Segmentsample entropy of the first seven IMFs

圖9給出了前10萬點數(shù)據(jù)用前三個較小樣本熵IMF計算的Hilbert譜。通過對比可以清晰的看到在5 000點～20 000點間有幾組頻寬在250 kHz和350 kHz的譜線，這種在同一時間點出現(xiàn)的幾個連續(xù)寬頻能量譜線明顯區(qū)別于隨機噪聲，具有典型的聲發(fā)射頻譜特征。

圖9 Hilbert譜Fig.9 The Hilbert spectrum

通過對200 km/h速度下連續(xù)采集的信號進行分析，設(shè)定聲發(fā)射事件閉鎖時間為100 ms，可以得到4組獨立的每隔0.014 7 s的聲發(fā)射事件脈沖。雙列圓錐滾子軸承滾動體故障特征頻率計算公式為

(13)

式中：d為滾動體直徑，mm；D為軸承直徑(內(nèi)圈和外圈直徑的平均值)，mm；α為壓力角(接觸角)。通過計算可得200 km/h速度下單個滾動體缺陷觸發(fā)頻率為68 Hz，這與0.014 7 s的聲發(fā)射事件脈沖數(shù)是吻合的。

4 結(jié) 論

本文針對高速列車輪軸缺陷聲發(fā)射檢測，提出了一種基于添加線性-正弦噪聲和依據(jù)頻率限定聚合次數(shù)的EEMD新方法，給出了擬合改進添加噪聲曲線的初步經(jīng)驗。相比于改進前，該方法能更有效的契合聲發(fā)射信號頻率分布和能量分布，較好的避免模態(tài)混疊。對包含聲發(fā)射事件的數(shù)據(jù)，其分解結(jié)果物理意義明確。通過分段計算IMF樣本熵，建立了高頻IMF分段樣本熵與聲發(fā)射事件的對應(yīng)判定關(guān)系，在長時間連續(xù)采樣數(shù)據(jù)段中判定并篩選出聲發(fā)射事件，對應(yīng)的Hilbert譜觀察到連續(xù)的寬頻譜線進一步驗證了該方法的有效性，實測數(shù)據(jù)的滾動體缺陷與理論計算情況吻合度高，取得了不錯的結(jié)果。

[ 1 ] 劉方,沈長青，何清波，等.基于時域多普勒校正和EEMD的列車軸承道旁聲音監(jiān)測故障診斷方法研究[J] . 振動與沖擊,2013, 32 (24): 104-109. LIU Fang, SHEN Changqing，HE Qingbo,et al. Wayside acoustic fault diagnosis for locomotive bearings based on doppler effect correction and EEMD method in time domain [J]. Journal of Vibration and Shock, 2013, 32 (24): 104-109.

[ 2 ] WANG K S, HEYNS P S. Application of computed order tracking,Vold Kalman filtering and EMD in rotating machine vibration [J]. Mechanical Systems and Signal Processing, 2011, 25(1): 416-430.

[ 3 ] YUNLONG Z, PENG Z. Vibration fault diagnosis method of centrifugal pump based on EMD complexity feature and least square support vector machine [J]. Energy Procedia, 2012, 17: 939-945.

[ 4 ] WU Z H,HUANG N E. Ensemble empirical mode decomposition:a noise assisted data analysis method[J]. Advances in Adaptive Data Analysis,2009,1(1):1-41.

[ 5 ] 沈長青,謝偉達，朱忠奎，等.基于EEMD和改進的形態(tài)濾波方法的軸承故障診斷研究[J].振動與沖擊,2013,32(2): 39-43. SHEN Changqing, XIE Weida, ZHU Zhongkui,et al. Rolling element bearing fault diagnosis based on EEMD and improved morphological filtering method [J]. Journal of Vibration and Shock, 2013,32(2): 76-80.

[ 6 ] LEI Y, HE Z Y.Application of the EEMD method to rotorfault diagnosis of rotating machinery [J].Mechanical Systems and Signal Processing,2009,23(4):1327-1338.

[ 7 ] 胡愛軍,馬萬里,唐貴基.基于集成經(jīng)驗?zāi)B(tài)分解和峭度準則的滾動軸承故障特征提取方法[J]. 中國電機工程學(xué)報, 2012，32(11): 106-111. HU Aijun, MA Wanli, TANG Guiji. Rolling bearing fault feature extraction method based on ensemble empirical mode decomposition and kurtosis criterion[J].Proceedings of the CSEE, 2012,32(11): 106-111.

[ 8 ] 雷亞國, 孔德同, 李乃鵬，等.自適應(yīng)總體平均經(jīng)驗?zāi)Ｊ椒纸饧捌湓谛行驱X輪箱故障檢測中的應(yīng)用[J].機械工程學(xué)報， 2014，50(3)：64-70. LEI Yaguo, KONG Detong, LI Naipeng, et al.Adaptive ensemble empirical mode decomposition and its application to fault detection of planetary gearboxes[J]. Journal of Mechanical Engineering, 2014，50(3)：64-70.

[ 9 ] FLANDRIN P，GABRIEL R，PAULO G. Empirical mode decomposition as a filter bank[J]. IEEE Signal Processing Letter，2004,11(2):112-114.

[10] WU Zhaohua, HUANG N E. A study of the characteristics of white noise using the empirical mode decomposition method[J].Proceedings of the Royal Society, 2004, 454: 1597-1611.

[11] RICHMANM J S, MOORMAN J R. Physiological time-series analysis using approximate entropy and sample entropy [J]. American Journal of Physiology Heart & Circulatory Physiology, 2000, 278(6):2039.

[12] 陳雙喜,林建輝,陳建政.基于希爾伯特-黃變換提取車橋耦合系統(tǒng)時頻特性[J].振動與沖擊,2012, 31(15): 175-179. CHEN Shuangxi, LIN Jianhui. Time-frequency characteristics extraction for vehicle/bridgecoupled system based on Hilbert-Huang transformation [J]. Journal of Vibration and Shock,2012, 31(15): 175-179.

[13] PINCUS S M．Approximate entropy as a measure of system complexity[J]. Proc. Natl. Acad. Sci. USA, 1991, 88:2297-2301.

AE signal extraction of a high speed train roller based on modified EEMD and segment sample entropy

DENG Tao, LIN Jianhui, HUANG Chenguang, JIN Hang, ZHANG Min

(State Key Laboratory of Traction Power, Southwest Jiaotong University, Chengdu 610031, China)

A new method of high speed train roller AE signal extraction was presented. The EMD acted as a dyadic filter bank and noise with proportional amplitude and frequency was added to the tested data. The sifting number was set by frequencies from high to low. Then, IMF’s segment sample entropy was calculated along the timeline, which took a larger proportion and was identified as an AE event. The experimental result shows that the Linear-Sinusoidal noise spectrum and sifting number could restrain the mode mixing and the little wave vanishing. The modified EEMD obtained a tangible physical meaning and improved results compared with the original EEMD. Segment sample entropy could capture the AE events in a continuous monitoring data. The AE signal was intuitively reflect in the corresponding Hilbert spectrogram. The roller AE signals were consistent with the theoretical calculation.

acoustic emission; modifled ensemble empirical mode decomposition(MEEMD); segment sample entropy; roller defect

國家自然科學(xué)基金重點項目(61134002)

2016-06-06 修改稿收到日期： 2016-06-27

鄧韜 男,博士生,1987年9月生

林建輝 男,博士,教授,博士生導(dǎo)師,1964年10月生

TN911.7；TH17

A

10.13465/j.cnki.jvs.2017.16.023