施 瑩，林建輝，莊 哲，劉澤潮

(西南交通大學(xué) 牽引動(dòng)力國家重點(diǎn)實(shí)驗(yàn)室，成都 610031)

Keywords:pantograph;fault diagnosis;time-frequency decomposition;sample entropy

我國高速列車及地鐵車輛絕大部分采用電力牽引形式，一般通過車輛頂部受電弓與接觸網(wǎng)滑動(dòng)接觸作用，獲取電能。作為承擔(dān)能量傳遞任務(wù)的受電弓系統(tǒng)，一直是車輛大系統(tǒng)的關(guān)鍵部件之一，隨著車輛運(yùn)行速度的提升，受電弓系統(tǒng)在自身結(jié)構(gòu)復(fù)雜、運(yùn)行環(huán)境惡劣、受多因素耦合作用等不利因素影響下，自身與接觸網(wǎng)系統(tǒng)的可靠性、平穩(wěn)運(yùn)行受到越來越大的挑戰(zhàn)。受電弓在劇烈振動(dòng)作用下，機(jī)械及電氣部件故障時(shí)有發(fā)生，嚴(yán)重影響車輛的正常運(yùn)行狀態(tài)。因此，研究保障受電弓可靠、平穩(wěn)運(yùn)行的方法及技術(shù)，有著重要意義。

傳統(tǒng)受電弓運(yùn)行狀態(tài)監(jiān)測系統(tǒng)主要分為車載式及地面式。具體的實(shí)現(xiàn)方法包括基于圖像處理技術(shù)、基于弓網(wǎng)受流電氣特性以及基于受電弓或接觸網(wǎng)振動(dòng)特性等方法。Landi等[1]開發(fā)了一套基于熱力學(xué)影像技術(shù)及Hough變換的弓網(wǎng)運(yùn)行狀態(tài)檢測系統(tǒng)，該系統(tǒng)可以有效克服傳統(tǒng)基于可見光弓網(wǎng)檢測裝置易受到外界環(huán)境光干擾，造成圖像采集質(zhì)量不高的缺點(diǎn)，已應(yīng)用到弓網(wǎng)接觸點(diǎn)溫度過高、弓網(wǎng)間離線拉弧以及接觸線位置異常的檢測。姚蘭等[2]針對受電弓滑板裂紋故障，利用區(qū)間二型模糊熵算法，檢測受電弓滑板邊界線、接縫、螺釘及裂紋四種主體形式的邊緣特征圖像，利用極角約束的Hough變換算法，提取裂紋主體特征，實(shí)現(xiàn)受電弓碳滑板裂紋故障的智能識別。Aydin等[3]基于圖形處理及模式識別技術(shù)，在線檢測受電弓碳滑板過熱、接觸網(wǎng)移位及弓網(wǎng)系統(tǒng)離線等故障。該方法利用Canny算法檢測圖像邊緣、利用Hough變換提取弓網(wǎng)接觸點(diǎn)位置，最后利用D-馬爾科夫狀態(tài)機(jī)進(jìn)行模式識別，得到了滿意的故障診斷結(jié)果。小山達(dá)彌等[4]在地面設(shè)置傳感器檢測設(shè)備，完成以下功能：利用加速度傳感器及位移傳感器測量接觸線振動(dòng)，判斷受電弓異常磨損故障；利用吊弦軸向力傳感器及接觸線傾角傳感器，計(jì)算弓網(wǎng)間平均接觸力，判斷受電弓抬升力異常；利用接觸網(wǎng)上布置的加速度傳感器，在受電弓升弓操作過程中引起的接觸線振動(dòng)狀態(tài)計(jì)算受電弓機(jī)械阻尼，判斷受電弓動(dòng)態(tài)特性。Sami等[5]提出了一種利用小波多分辨率分析的受流質(zhì)量在線檢測方法。該方法利用小波變換技術(shù)，分解弓網(wǎng)正常及離線狀態(tài)下的牽引電流，自動(dòng)檢測因弓網(wǎng)離線產(chǎn)生的拉弧現(xiàn)象，建立了相應(yīng)的弓網(wǎng)受流特征提取模型。Aydin等[6]利用受電弓電壓、電流信號，基于數(shù)學(xué)形態(tài)學(xué)提取弓網(wǎng)拉弧特征，再利用快速傅里葉變換獲得相應(yīng)的功率譜，然后利用模糊支持向量機(jī)進(jìn)行故障分類，獲得了良好的檢測準(zhǔn)確度。Santamato等[7]在計(jì)算機(jī)仿真的基礎(chǔ)上，利用受電弓振動(dòng)特性，針對阻尼器泄露及接縫處裂紋故障，對比擴(kuò)展模態(tài)保證準(zhǔn)則及相位圖形兩種診斷方法，結(jié)果表明，兩種方法均可以識別出裂紋形式的結(jié)構(gòu)故障，但只有后者可以診斷出阻尼器泄露故障。

然而，圖像識別技術(shù)僅可以做到弓網(wǎng)系統(tǒng)的運(yùn)行狀態(tài)檢測，無法在高速運(yùn)行條件下識別受電弓結(jié)構(gòu)的微小裂紋，且因拍攝角度限制，較易受到部件遮擋等問題，無法實(shí)現(xiàn)360°的全方位檢測，基于地面設(shè)備的受電弓故障診斷方法的最大缺陷在于僅當(dāng)車輛行駛至檢測路段時(shí)，才可針對受電弓狀態(tài)進(jìn)行診斷，故障診斷工作的實(shí)時(shí)性無法得到保障，弓網(wǎng)受流電氣特性對受電弓機(jī)械故障敏感性不足，因此傳統(tǒng)的受電弓故障診斷方法無法滿足現(xiàn)有車輛運(yùn)行監(jiān)測的實(shí)際需求。

近年來，隨著信號分析、數(shù)據(jù)挖掘及人工智能相關(guān)技術(shù)的迅猛發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法逐漸成為該領(lǐng)域的重點(diǎn)研究方向。該方法無需了解系統(tǒng)的詳細(xì)數(shù)學(xué)模型，而是利用設(shè)備運(yùn)行過程中采集的海量數(shù)據(jù)，利用統(tǒng)計(jì)分析方法、信號分析技術(shù)、數(shù)據(jù)降維技術(shù)、信息融合技術(shù)、人工智能技術(shù)等方法針對數(shù)據(jù)開展相關(guān)分析，用于設(shè)備故障診斷識別。文獻(xiàn)[8]將主成分分析(Principal Component Analysis,PCA)、支持向量機(jī)(Support Vector Machine,SVM)和DS(Dempster-Shafer)證據(jù)理論融合決策的故障診斷方法，用于機(jī)器人驅(qū)動(dòng)系統(tǒng)的故障診斷；文獻(xiàn)[9]將聚合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)、樣本熵、Teager能量算子(Teager Energy Operator,TEO)相結(jié)合，用改進(jìn)的TEO從本征模態(tài)函數(shù)(Intrinsic Mode Function,IMF)中提取得到樣本熵，使用SVM判斷軸承工作狀態(tài)與故障類型，以提高保持架故障故障識別分離度；文獻(xiàn)[10]針對齒輪變速箱故障診斷單一判別方法的缺陷，利用小波分解和經(jīng)驗(yàn)?zāi)B(tài)分解獲得高維特征信息，再利用局部線性嵌入算法進(jìn)行數(shù)據(jù)降維，獲得更高的故障診斷效率。

本文將基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷技術(shù)引入受電弓裂紋故障檢測，利用時(shí)頻分析、樣本熵及支持向量機(jī)技術(shù)，實(shí)現(xiàn)故障類型的診斷。

1 基于時(shí)頻分析-樣本熵的故障特征提取

傳統(tǒng)頻譜分析手段以傅里葉變換為出發(fā)點(diǎn)，針對平穩(wěn)信號的特征提取領(lǐng)域獲得非常優(yōu)秀的成果，但是復(fù)雜的現(xiàn)實(shí)環(huán)境作用下，人們獲得的測試數(shù)據(jù)通常呈現(xiàn)非平穩(wěn)特性，因此以短時(shí)傅里葉變換的提出作為重要標(biāo)志，到后來被人們逐漸發(fā)揚(yáng)光大的以小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解為重要里程碑意義的先進(jìn)時(shí)頻分析算法被進(jìn)一步廣泛應(yīng)用在信號特征提取中[11- 12]。

1.1 時(shí)頻分解原理

1.1.1 EEMD分解原理

EEMD通過在原始信號中加入高斯白噪聲，利用白噪聲在分解中呈現(xiàn)為自適應(yīng)二進(jìn)濾波器的特性，克服了EMD方法的模態(tài)混疊問題。

其計(jì)算方法為：

步驟1令原始信號為x(t)，并使N為聚合次數(shù)，同時(shí)記m=1；

步驟2在x(t)中加入幅值系數(shù)為k的高斯白噪聲，生成的新試驗(yàn)信號xm(t)

xm(t)=x(t)+k·nm(t)

(1)

步驟3利用經(jīng)驗(yàn)?zāi)B(tài)分解方法，將xm(t)分解為一系列本征模態(tài)函數(shù)；

步驟4當(dāng)m

步驟5經(jīng)過上述N次分解后，共產(chǎn)生多組IMFs，其均值為

(2)

式中：N為聚合次數(shù)；ci,m為由第m次分解得到的第i個(gè)IMF。

最后的EEMD本征模態(tài)函數(shù)即為上述每個(gè)IMF的N次分解的均值。本文進(jìn)行EEMD分解時(shí)，高斯白噪聲幅值系數(shù)k及聚合次數(shù)N采用文獻(xiàn)[13]所用方法：即k取原信號標(biāo)準(zhǔn)差的0.2倍，N通過設(shè)置分解誤差e來確定，N=(k/e)2，e一般取0.01。

1.1.2 二代小波分解原理

傳統(tǒng)小波變換本質(zhì)上依然依賴于傅里葉變換，其在非歐氏空間難以取得良好分解效果。第二代小波分解理論從傳統(tǒng)小波變換技術(shù)發(fā)展而來，借助提升框架技術(shù)進(jìn)行小波以及尺度函數(shù)的構(gòu)建，避免了傳統(tǒng)小波變換理論缺陷[14]。

第二代小波分解主要包括信號剖分、信號預(yù)測以及信號更新三個(gè)計(jì)算過程，通過設(shè)計(jì)計(jì)算預(yù)測算子以及更新算子針對信號特征自適應(yīng)的獲得小波基函數(shù)[15]。

1)信號剖分過程

將待分析信號y(n)，n∈[0,L-1]按信號奇偶位分解得到偶數(shù)位信號ye(n)、奇數(shù)位信號yo(n)，表達(dá)式為

(3)

式中：L為偶數(shù)，表示待分析信號長度。

2)預(yù)測算子計(jì)算過程

設(shè)信號預(yù)測算子為P=(p1-0.5M,p2-0.5M,p0.5M)T。

式中：M為預(yù)測算子長度。

構(gòu)造Vandermonde矩陣V，該矩陣表達(dá)式為V(i+1,(j+M0)/2+1)=ji

式中：i=0,1,...,M-1，M0=0.5M-1，j=-M0,-M0+2,...,-M0+2(M-1)。

跟蹤提升框架計(jì)算過程得到預(yù)測算子

P=V-1δ

(4)

式中：δ=(1,0,...,0)T。

3)信號預(yù)測過程

信號預(yù)測過程表示利用預(yù)測算子P對偶數(shù)位信號預(yù)測，得到奇數(shù)位信號估計(jì)值的過程。再利用原信號奇數(shù)位信號減去預(yù)測得到的奇數(shù)位估計(jì)值信號得到的預(yù)測偏差來對原始信號的細(xì)節(jié)予以描述，表達(dá)式為：

(5)

4)更新算子計(jì)算過程

設(shè)信號更新算子為U=(u1-0.5N,u2-0.5N,...,u0.5N)T。

式中：N為更新算子的長度。

構(gòu)造Vandermonde矩陣W，該矩陣表達(dá)式為

W(i+1,j+N0+1)=ji

i=0.1,...,N-1

j=-N0,-N0+1,...,-N0+(K-1)

式中：N0=2(Nd+Md+1)；Nd=0.5N-1；Md=0.5M-1；K=4M-3。

設(shè)置運(yùn)算矢量

構(gòu)造矩陣

Q=zeros(K,N)

Q(2n∶2n+2M-3)=q

跟蹤提升框架計(jì)算過程得到更新算子

(6)

5)信號更新過程

根據(jù)式(6)的更新算子，在細(xì)節(jié)信號d的基礎(chǔ)上對原始偶數(shù)位信號進(jìn)行更新，得到逼近信號，表達(dá)式為

(7)

式(3)～式(7)即為第二代小波分解過程，第二代小波的信號重構(gòu)過程和信號分解過程正好相反

1.2 樣本熵基本原理

信息熵是最早由Shannon提出的表征信源不確定度的度量概念，其值正比于信息復(fù)雜程度。

樣本熵是Richman等[16]于2000年提出的一種新算法，與近似熵相比，樣本熵的計(jì)算精度更好，可以更敏銳的挖掘故障的復(fù)雜度變化，計(jì)算速度更快，更有利于實(shí)現(xiàn)數(shù)據(jù)的有效分析。

計(jì)算時(shí)間序列樣本熵的步驟為[17]：

步驟1過數(shù)據(jù)樣本，{x(i),i=1,2,...,N}，構(gòu)建m維向量為X(i)={x(i),x(i+1),…,x(i+m-1)}，其中，1≤i≤N-m+1；

步驟2定義向量X(i)與X(j)間的最大距離為d(X(i),X(j))=max{|x(i+k-1)-x(j+k-1)|}，其中，k=1,2,...,m，1≤i,j≤N-m+1，且i≠j；

步驟3在給定相似容限r(nóng)下，對每個(gè)X(i)統(tǒng)計(jì)d(X(i),X(j))≤r的數(shù)目，然后除以距離總數(shù)N-m+1，表示為

步驟5對于m+1維向量，重復(fù)步驟的1～步驟4，可以得到Bm+1(r)；

2 時(shí)頻分解-樣本熵故障檢測模型

本文利用時(shí)頻分解-樣本熵結(jié)合粒子群優(yōu)化算法支持向量機(jī)(Particle Swarm Optimization-Support Vector Machine,PSO-SVM)針對受電弓展開故障診斷方法研究，故障診斷流程如圖1所示。

圖1 基于時(shí)頻分解-樣本熵與PSO-SVM的受電弓故障診斷方法流程圖Fig.1 The fault diagnosis method of pantograph based on time-frequency decomposition sample entropy and PSO-SVM

具體的診斷步驟如下：

步驟1獲取訓(xùn)練及測試樣本。將多種狀態(tài)的受電弓振動(dòng)數(shù)據(jù)樣本，包括無故障、弓頭支架裂紋故障、弓角裂紋故障和復(fù)合故障受電弓振動(dòng)數(shù)據(jù)，故障部件如圖2所示，弓頭支架裂紋長度為30 mm，弓角裂紋長度為15 mm，在60 km/h速度等級下，利用加速度傳感器分別采集受電弓運(yùn)行狀態(tài)下的頂管垂向及碳滑板垂向振動(dòng)信號，將這些振動(dòng)信號隨機(jī)分為訓(xùn)練樣本和測試樣本兩部分；

步驟2對獲取的訓(xùn)練樣本進(jìn)行時(shí)頻分解，針對分解結(jié)果計(jì)算樣本熵特征；

步驟3將時(shí)頻分解樣本熵特征輸入PSO-SVM，利用PSO進(jìn)行SVM核函數(shù)參數(shù)σ和懲罰參數(shù)C優(yōu)化，獲得優(yōu)化后的PSO-SVM模型；

步驟4對獲取的測試樣本進(jìn)行時(shí)頻分解，針對分解結(jié)果計(jì)算熵特征，把熵特征帶入到優(yōu)化后的PSO-SVM模型中，得到測試樣本的分類結(jié)果，驗(yàn)證特征提取方法的有效性。

圖2 受電弓故障形式Fig.2 Pantograph fault form

3 受電弓臺架試驗(yàn)數(shù)據(jù)分析

由于受電弓線路運(yùn)行故障試驗(yàn)實(shí)施過程中存在較大困難，本研究為了得到受電弓動(dòng)態(tài)運(yùn)行條件下的振動(dòng)信號，采用某受電弓動(dòng)態(tài)測試試驗(yàn)臺對CED100型受電弓開展臺架試驗(yàn)，圖3為試驗(yàn)臺結(jié)構(gòu)圖。該試驗(yàn)臺可模擬車輛實(shí)際運(yùn)行狀態(tài)下的弓網(wǎng)作用情況，并將接觸線的之字形運(yùn)動(dòng)、接觸線以及受電弓底座的垂向振動(dòng)加入系統(tǒng)中，實(shí)現(xiàn)更準(zhǔn)確的振動(dòng)狀態(tài)模擬。

1—試驗(yàn)臺基礎(chǔ)結(jié)構(gòu)；2—接觸網(wǎng)Z字形運(yùn)動(dòng)模擬裝置；3—弓網(wǎng)縱向相對運(yùn)動(dòng)模擬裝置；4—測試受電弓；5—接觸網(wǎng)垂向振動(dòng)模擬裝置；6—導(dǎo)向柱；7—車體頂部模擬裝置；8—車體垂向振動(dòng)模擬裝置；9—負(fù)載模擬裝置圖3 受電弓動(dòng)態(tài)運(yùn)行試驗(yàn)臺結(jié)構(gòu)簡圖Fig.3 Pantograph dynamic operation test bench structure diagram

為采集受電弓動(dòng)態(tài)運(yùn)行振動(dòng)特性，數(shù)據(jù)采集系統(tǒng)包括應(yīng)變式加速度傳感器、采集器、筆記本電腦等組成。傳感器通道測點(diǎn)安裝布置如表1所示，共設(shè)置前碳滑板垂向測點(diǎn)、后碳滑板垂向測點(diǎn)以及頂管垂向測點(diǎn)共三處加速度傳感器測點(diǎn)，采集器采樣頻率為5 kHz。

表1 受電弓振動(dòng)測試測點(diǎn)位置Tab.1 Measuring point position of pantograph vibration

根據(jù)樣本熵定義可以看出，計(jì)算過程中需要考慮三個(gè)重要參數(shù)：數(shù)據(jù)長度N、嵌入維數(shù)m以及相似容限r(nóng)?，F(xiàn)利用受電弓頂管垂向振動(dòng)數(shù)據(jù)分別討論參數(shù)對樣本熵計(jì)算的影響。

在嵌入維數(shù)m=2以及相似容限r(nóng)=0.2的條件下，研究四種受電弓運(yùn)行工況下振動(dòng)數(shù)據(jù)樣本熵隨不同數(shù)據(jù)長度N的計(jì)算結(jié)果，如圖4所示，可以看出，當(dāng)數(shù)據(jù)長度N>5 000時(shí)，樣本熵計(jì)算結(jié)果趨于穩(wěn)定，各工況樣本熵存在一定區(qū)分度，但當(dāng)數(shù)據(jù)長度大于7 000時(shí)，支架裂紋和復(fù)合故障受電弓振動(dòng)數(shù)據(jù)樣本熵計(jì)算結(jié)果相互重合，因此取數(shù)據(jù)長度N=5 000較為合適。

在數(shù)據(jù)長度N=5 000以及相似容限r(nóng)=0.2的條件下，研究受電弓振動(dòng)數(shù)據(jù)近似熵隨嵌入維數(shù)的計(jì)算結(jié)果，如圖5所示，可以看出，隨著嵌入維數(shù)的增加，各工況的近似熵計(jì)算結(jié)果差別有較大不同，當(dāng)m=2時(shí)，區(qū)分度較好，且有利于降低計(jì)算量。

在數(shù)據(jù)長度N=5 000以及嵌入維數(shù)m=2的條件下，研究受電弓振動(dòng)數(shù)據(jù)近似熵隨相似容限r(nóng)的計(jì)算結(jié)果，如圖6所示，可以看出，隨相似容限增大，雖數(shù)據(jù)穩(wěn)定性較好，但各運(yùn)行工況間區(qū)分度變?nèi)?，但?dāng)相似容限取值較小時(shí)，雖然有利于故障狀態(tài)的區(qū)分，但對于噪聲的敏感程度較高，因此，綜合考慮后取相似容限r(nóng)=0.2。

圖5 受電弓振動(dòng)數(shù)據(jù)樣本熵隨嵌入維數(shù)m的變化情況Fig.5 Variation of sample entropy for pantograph vibration data with dimension m

圖6 受電弓振動(dòng)數(shù)據(jù)樣本熵隨相似容限r(nóng)的變化情況Fig.6 Variation of sample entropy for pantograph vibration data with similar tolerance r

本文最終取N=5 000，m=2，r=0.2進(jìn)行相應(yīng)的樣本熵計(jì)算。

截取受電弓三種工況下的頂管30組振動(dòng)信號，每組工況1 s，采樣頻率5 000 Hz，則每組獲得采樣點(diǎn)5 000個(gè)，對所有樣本計(jì)算其原始數(shù)據(jù)及EEMD分解后的前5個(gè)IMF分量樣本熵特征值，構(gòu)成3×30×6維特征矩陣，得到EEMD樣本熵如圖7所示。其中第一維表示原始數(shù)據(jù)樣本熵特征值，第二維～第六維表示第一個(gè)IMF分量～第五個(gè)IMF分量樣本熵特征值。可以看出，受電弓頂管EEMD樣本熵特征，尤其是原始數(shù)據(jù)樣本熵，IMF1，IMF2的樣本熵具有良好的聚類特性，將4種工況良好的區(qū)分開來，故障分類效果較好。

圖7 受電弓頂管垂向振動(dòng)信號原始信號及EEMD樣本熵指標(biāo)Fig.7 Original signal of vertical vibration signal and EEMD sample entropy index of pantograph panhead top pipe

根據(jù)第“2”節(jié)所述模型，將各工況下的20組EEMD樣本熵特征作為訓(xùn)練樣本輸入到PSO-SVM分類器中進(jìn)行訓(xùn)練。PSO的初始化參數(shù)設(shè)置為：群體規(guī)模20；粒子維數(shù)2；限制速度50；最大迭代次數(shù)100；初始位置及初始速度隨機(jī)產(chǎn)生；學(xué)習(xí)因子為1.5及為1.7；兩維粒子的尋優(yōu)范圍均為0～100。經(jīng)過迭代，得到最優(yōu)的SVM參數(shù)為C=15.72，σ=0.046，如圖8所示。

圖8 適應(yīng)度變化曲線Fig.8 Fitness curve

同時(shí)，分別對各狀態(tài)的10組測試樣本，共40組數(shù)據(jù)輸入到已經(jīng)訓(xùn)練好的PSO-SVM模型中進(jìn)行分類。分類結(jié)果如圖9所示。其中，類別標(biāo)簽1～4分別為：無故障受電弓、弓頭支架裂紋故障受電弓、弓角裂紋故障受電弓和復(fù)合故障受電弓。

圖9 基于EEMD樣本熵及PSO-SVM的受電弓頂管信號測試集的實(shí)際分類和預(yù)測分類圖Fig.9 Actual classification and prediction classification of test sets for pantograph jacking signal based on EEMD sample entropy and PSO-SVM

所得到的正確率如表2所示。

表2 受電弓頂管垂向振動(dòng)信號EEMD樣本熵的故障診斷識別率Tab.2 Fault diagnosis and recognition rate of EEMD sample entropy of pantograph panhead top pipe vertical vibration signal

可以看出，以EEMD樣本熵作為故障特征量，在訓(xùn)練樣本量為20，測試樣本量為10的情況下，總體正確率為100%，四種工況均實(shí)現(xiàn)了準(zhǔn)確識別。

將受電弓其他兩處測點(diǎn)振動(dòng)信號的故障診斷識別率，如表3所示。

表3 受電弓振動(dòng)信號EEMD樣本熵特征故障診斷分類精度Tab.3 Fault diagnosis classification accuracy based on EEMD sample entropy for pantograph vibration signal

可以看到，在利用EEMD-樣本熵方法進(jìn)行碳滑板振動(dòng)信號的故障診斷識別研究中，整體識別率均欠佳，原因在于碳滑板受到的沖擊較大，EEMD在分解嚴(yán)重沖擊信號過程中由于其自身限制，分解效果欠佳，仔細(xì)觀察前后碳滑板故障識別率，可以發(fā)現(xiàn)基于前碳滑板垂向振動(dòng)的故障診斷識別率略高于基于后碳滑板垂向振動(dòng)的故障診斷識別率，這是因?yàn)樵谠O(shè)置人工故障的時(shí)候，故障部件均放置于前碳滑板測，因此前碳滑板振動(dòng)相對于后碳滑板更敏感。由于工程實(shí)際中，為測試弓網(wǎng)間接觸狀態(tài)(如硬點(diǎn)及沖擊)，常于受電弓碳滑板處安裝加速度傳感器，因此該測點(diǎn)的故障診斷識別率的提升有助于簡化受電弓監(jiān)測系統(tǒng)，實(shí)現(xiàn)單一傳感器的多種用途，降低受電弓制造成本的目的。綜上所述，有必要提高碳滑板振動(dòng)信號故障診斷識別率。

現(xiàn)利用二代小波-樣本熵算法對受電弓振動(dòng)數(shù)據(jù)開展故障特征提取研究，選擇Daubechies小波基“db8”對信號進(jìn)行3層二代小波包分解，得到8個(gè)分解子頻帶，計(jì)算原始信號與各子頻帶分量的樣本熵，如圖10所示，因篇幅限制，僅列出前碳滑板振動(dòng)信號的原始數(shù)據(jù)及前5個(gè)分解系數(shù)的樣本熵散點(diǎn)。

圖10 受電弓前碳滑板垂向振動(dòng)信號原始信號及二代小波樣本熵指標(biāo)Fig.10 Original vertical vibration signal and the second generation wavelet sample entropy of the front carbon contact strip

將30組數(shù)據(jù)分為訓(xùn)練樣本以及測試樣本，輸入PSO-SVM中進(jìn)行故障分類，分類結(jié)果如圖11所示。

圖11 基于二代小波-樣本熵及PSO-SVM的受電弓前碳滑板信號測試集的實(shí)際分類和預(yù)測分類圖Fig.11 Actual classification and prediction classification of test sets for the vibration signal of the front carbon contact strip based on second generation wavelet sample entropy and PSO-SVM

所得到的正確率如表4所示。

表4 基于受電弓前碳滑板垂向振動(dòng)信號二代小波樣本熵的故障診斷識別率Tab.4 The fault diagnosis recognition rate based on the second generation wavelet sample entropy for the vibration signal of the front carbon contact strip

可以看出，以二代小波樣本熵作為故障特征量，在訓(xùn)練樣本量為20，測試樣本量為10的情況下，總體正確率為72.5%。

將受電弓其他兩處測點(diǎn)振動(dòng)信號的故障診斷識別率，如表5所示。

可以看出，與基于EEMD樣本熵的受電弓故障診斷結(jié)果相比，二代小波樣本熵故障診斷結(jié)果在受電弓碳滑板振動(dòng)數(shù)據(jù)的診斷識別準(zhǔn)確率上得到了一定程度的提高，其中前碳滑板垂向振動(dòng)數(shù)據(jù)故障特征識別率從原來的最高52.5%提升到72.5%，后碳滑板垂向振動(dòng)數(shù)據(jù)故障特征識別率從最高的37.5%提升到52.5%，分別提升了20個(gè)以及15個(gè)百分點(diǎn)，證明了該方法關(guān)于碳滑板振動(dòng)數(shù)據(jù)故障特征提取的有效性。

表5 受電弓振動(dòng)信號二代小波樣本熵特征故障診斷分類精度Tab.5 Fault diagnosis classification accuracy based on second generation wavelet sample entropy for pantograph vibration signal

4 結(jié) 論

本文利用EEMD分解與樣本熵定義相結(jié)合的方式，針對受電弓振動(dòng)數(shù)據(jù)，優(yōu)化信息熵提取過程中諸多參數(shù)的選取整定問題，進(jìn)行相應(yīng)的故障特征提取，并利用PSO-SVM開展識別結(jié)果分析，發(fā)現(xiàn)受電弓頂管振動(dòng)數(shù)據(jù)的EEMD近似熵診斷分類效果較高，達(dá)到了100%，但碳滑板振動(dòng)數(shù)據(jù)診斷效果較差，最高僅為52.5%。

由于受電弓碳滑板振動(dòng)信號EEMD樣本熵特征提取算法診斷效果不佳，本文利用二代小波分解與樣本熵相結(jié)合的方式，針對受電弓振動(dòng)數(shù)據(jù)進(jìn)行故障診斷分析，將受電弓故障特征數(shù)據(jù)輸入PSO-SVM分類器進(jìn)行故障識別，使受電弓碳滑板振動(dòng)數(shù)據(jù)故障診斷識別準(zhǔn)確率較EEMD信息熵故障識別率得到了一定程度的提高，證明了該方法關(guān)于碳滑板振動(dòng)數(shù)據(jù)故障特征提取的有效性。