1、第 1 期2023 年1 月电子学报ACTA ELECTRONICA SINICAVol.51 No.1Jan.2023基于改进时域多尺度散布熵与支持向量机的转辙机故障诊断曹源1，宋迪1，胡小溪2，孙永奎1（1.北京交通大学轨道交通运行控制系统国家工程研究中心，北京 100044；2.北京交通大学轨道交通控制与安全国家重点实验室，北京 100044）摘要：为充分挖掘转辙机振动信号的有效故障信息，提高故障诊断准确率，提出了一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）、改进时域多尺度散布熵（Improved Time-domain
2、 Multiscale Dispersion Entropy，TMDE）与粒子群优化算法（Particle Swarm Optimization algorithm，PSO）优化支持向量机（Support Vector Machine，SVM）的故障诊断方法.首先，通过EEMD方法将不同故障类型的振动信号分解成若干个模态函数（Intrinsic Mode Functions，IMFs）；其次，采用相关系数与峭度的混合筛选准则筛选IMFs并重构信号；再次，应用所提ITMDE算法提取重构信号的多尺度故障特征；最后将得到的特征向量输入经PSO搜索最优参数后的SVM进行训练和测试.实验分类准确率为10
3、0%，分析表明所提方法优于传统的多尺度排列熵、多尺度散布熵的故障诊断方法，能精确地识别转辙机故障类型.关键词：故障诊断；转辙机；集合经验模态分解；改进时域多尺度散布熵；支持向量机基金项目：国家自然科学基金重点项目（No.U1934219）；国家自然科学基金优秀青年基金项目（No.52022010）中图分类号：U284.92文献标识码：A文章编号：0372-2112(2023)01-0117-11电子学报URL:http:/DOI:10.12263/DZXB.20210773Fault Diagnosis of Railway Point Machine Based on Improved Ti
4、me-Domain Multiscale Dispersion Entropy and Support Vector MachineCAO Yuan1,SONG Di1,HU Xiao-xi2,SUN Yong-kui1(1.National Engineering Research Center of Rail Transportation Operation and Control System,Beijing Jiaotong University,Beijing 100044,China;2.State Key Laboratory of Rail Traffic Control an
5、d Safety,Beijing Jiaotong University,Beijing 100044,China)Abstract:To fully mine the effective fault information and improve the fault diagnosis accuracy,a fault diagnosis approach for railway point machine is proposed by ensemble empirical mode decomposition(EEMD),improved time-domain multiscale di
6、spersion entropy(ITMDE)and support vector machine(SVM)optimized by particle swarm optimization algorithm(PSO).Firstly,vibration signals with different fault types are decomposed into several intrinsic mode functions(IMFs)by EEMD.Subsequently,the hybrid screening criteria of correlation coefficient a
7、nd kurtosis(CCKC)are used to screen IMFs and reconstruct the signal.Afterwards,the proposed ITMDE algorithm is employed to extract multiscale fault features from the reconstructed signal.Finally,the PSO is devoted to search the optimal parameters of SVM,with which the obtained feature vectors are tr
8、ained and tested.The experimental classification accuracy reaches 100%.The results show that the proposed method is superior to the traditional multiscale permutation entropy and multiscale dispersive entropy fault diagnosis methods,and can accurately identify the fault type of the railway point mac
9、hine.Key words:fault diagnosis;railway point machine;ensemble empirical mode decomposition;improved time-domain multiscale dispersion entropy;support vector machineFoundation Item(s):National Natural Science Foundation of China(No.U1934219,No.52022010)收稿日期：2021-06-22；修回日期：2021-09-01；责任编辑：梅志强电子学报2023
10、 年1引言转辙机是室外信号设备三大主要设备之一，其故障直接影响列车的安全可靠运行.为了提高其工作的安全性与稳定性，对转辙机进行状态监测和故障诊断十分必要.但传统的基于故障树、专家系统1的故障诊断方法存在着智能化程度低、主观性影响大的缺陷，因此应用智能故障诊断技术2，实现对转辙机工作状态的实时感知和故障预警具有十分重要的意义.目前对转辙机故障诊断的主流方向是基于电压、电流、功率信号的故障诊断方法3，此方向优点是目前数据积累量大，研究比较成熟.但电信号的诊断方法只能反映电机的输出力即道岔系统的转换阻力情况.因此本文借鉴广泛应用于滚动轴承4、风电机组等机械设备领域的振动信号故障诊断方法，采集转辙机动
11、作时的振动信号，从机械角度对转辙机进行分析，填补了基于振动信息的转辙机故障诊断领域的空白.振动信号的分析方法目前已有较为成熟的相关研究，其故障诊断流程主要包括信号获取、信号预处理、特征提取、和故障分类四个步骤.在信号数据预处理阶段，经 验 模 态 分 解（Empirical Mode Decomposition，EMD）是一种时频分析方法5，广泛应用于如转辙机振动信号这种非线性、非平稳信号6.但其端点效应和模态混叠的缺陷会影响后续特征提取和分类准确率.因此Wu Z7等在EMD的基础上加入高斯白噪声改进后提出了集合经验模态分解法（Ensemble Empirical Mode Decomposi
12、tion，EEMD），该方法能够有效消除或缓解EMD存在的缺陷问题.振动信号经过EEMD分解，可得到若干个平稳的本征模函数（Intrinsic Mode Functions，IMFs）分量和余项，但不是所有的IMFs都能反映故障特征，其中不乏有含噪声项和残差.文献 8 用相关系数法筛选关键IMFs并对其进行信号重构，但是单纯的相关系数法会遗漏一些能量小但冲击信息高的 IMFs分量.为更加有效地提取振动信号的特征，熵算法被引入一维时间序列信号的故障诊断中，并取得了不错的效果.文献 9 将样本熵（Sample Entropy，SE）用于脑电信号特征提取，文献 10 将排列熵（Permutation
13、 Entropy，PE）应用于齿轮箱故障诊断等，都取得了很高的诊断准确率.但是SE计算过程复杂，不适合处理长时间序列信号；PE虽然算法复杂度低计算快，但没有考虑幅值之间的差异.最近Rostaghi 11提出一种新的衡量时间序列复杂度的方法散布熵（Dispersion Entropy，DE），该算法通过建立映射过程和类别数量收集信号波动信息，保证算法复杂度要求的同时将信号幅值信息计算在内，解决了SE和PE方法的问题.在应用于脑电信号12、机械振动信号13中时取得了稳定的结果.但单纯的DE算法只能提取单一时间尺度特征，而获取信号多尺度特征能更全面提取信号的冲击与随机信息14.因此，文献 15在DE
14、基础上开发出了多尺度散布熵（Multiscale Dispersion Entropy，MDE），结果表明MDE可以取得比DE更高的分类准确率.然而MDE在提取多尺度特征过程的粗粒化处理会随着尺度因子的增加出现曲线波动和下采样现象，影响计算精度和准确率.在智能分类方面应用较多的有支持向量机（Support Vector Machine，SVM）、k邻近算法（k-Nearest Neighbor，k-NN）、人工神经网络（Artificial Neural Network，ANN）、深度学习（Deep Learning，DL）等.文献 16 比较了 ANN、SVM、DL应用在旋转机械故障诊断中的
15、优缺点：ANN在复杂非线性序列上有着不错的拟合度，但是它有较多的参数需要设定且需要大量样本进行训练；DL不需要特征提取，但是同样需要大量的样本训练神经网络.k-NN虽然算法简单但在复杂特征的分类准确率上表现不佳.而SVM有着高分类准确率的同时，其基于结构风险最小化的原理机制17使得它在小样本、非平稳性、非线性和局部极小等的问题上往往能够表现出强大的优越性.考虑到转辙机故障诊断样本量较小、训练复杂度低的要求，本文采用 SVM 方法用于分类.应用广泛的SVM为具有高斯核的SVM，但是其两个对分类精度影响很大的超参数：惩罚因子c和核参数g的选择缺乏指导标准18.因此有学者引入一些优化算法用来对c和g
16、进行最佳寻优，如遗传算法（Genetic Algorithm，GA）、粒子群优化（Particle Swarm Optimization Algorithm，PSO）等.文献 19 对 PSO 和 GA 进行了比较，并通过统计分析和形式假设检验指出，GA在有效性上和PSO上性能接近，但PSO有着非常显著的计算效率的优势.基于以上研究内容启发，本文提出了一种基于振动信号分析的转辙机故障诊断方法：EEMD 方法用于分解降噪，相关系数和峭度双重筛选准则用于IMFs筛选并对信号重构；针对 MDE粗粒化过程的弊端，本文通过对其进行尺度平移并求取DE熵值的均值与标准差特征的改进，提出一种改进时域多尺度散布熵（Improved Time-domain Multiscale Dispersion Entropy，ITMDE）算法用于特征提取；最后采用 PSO 优化 SVM分类器用于故障分类.通过实验结果证明了所提方法的实用性和优越性，为转辙机故障诊断领域开辟了一条新的路线.2基于ITMDE特征的故障诊断方法针对转辙机振动信号的非线性、非平稳性特征，本文所提转辙机故障诊断方法具体步骤如下所示：118第
