基于EMD和神經(jīng)網(wǎng)絡(luò)的輪軌故障噪聲診斷識別方法研究

江 航，尚春陽，高瑞鵬

（西安交通大學(xué) 機械工程學(xué)院，西安 710049）

由于我國人口眾多，流動人口大，物資貨運量大，在交通日益發(fā)達(dá)的今天，鐵路運輸依然是最主要的交通運輸方式。隨著列車高速、重載、高密度的運行，列車運行的安全性越來越受到人們的關(guān)注。鐵路輪軌故障診斷經(jīng)過各國科研工作者的努力已經(jīng)擁有大量的方法［1－6］，但利用輪軌噪聲信息進行故障診斷的研究還比較少。輪軌噪聲作為列車運行的附帶品，包含著相當(dāng)多的列車和鋼軌狀態(tài)信息，對輪軌噪聲進行采集分析能夠?qū)崿F(xiàn)對輪軌故障的診斷。

采用神經(jīng)網(wǎng)絡(luò)方法對故障進行分類識別，診斷過程最關(guān)鍵的問題之一是對各種故障特征參數(shù)的提取，它直接影響著故障分類識別的準(zhǔn)確性與有效性。在信號分析中，時間尺度與時間尺度上的能量是常分析的對象。當(dāng)列車車輪或軌道存在缺陷時，其產(chǎn)生的輪軌噪聲信號在不同的時間尺度上能量分布就會發(fā)生變化，同時反映信號沖擊成分的峭度指標(biāo)也會產(chǎn)生變化。因此，提取輪軌噪聲信號各時間尺度上的能量與峭度特征作為神經(jīng)網(wǎng)絡(luò)的特征參數(shù)輸入，能夠?qū)崿F(xiàn)對輪軌故障的分類識別。

輪軌噪聲信號是一種非平穩(wěn)信號，小波包分析方法能夠?qū)⑵浞纸獾讲煌臅r間尺度上，并且可以同時實現(xiàn)較高時間分辨率和頻率分辨率，其各頻帶的能量特征能反映故障的信息［7］。但是小波包分析方法是預(yù)先選定基函數(shù)和分解尺度，這樣得到的結(jié)果是某一固定頻帶的信號，而頻帶的范圍只與采樣頻率有關(guān)，與信號本身無關(guān)。EMD方法是美國學(xué)者Huang等［8］提出的一種新的時頻分析方法，它將信號分解成若干個基本模式分量IMF，各IMF分量對應(yīng)著不同頻帶的局部特征，便于更好地分析故障特征。EMD方法沒有統(tǒng)一的基函數(shù)表達(dá)式，它依賴于信號本身，不同的信號分解后將得到不同的基函數(shù)，這樣一來，EMD方法非常適用于非線性、非平穩(wěn)信號的分析。

本文將EMD方法與神經(jīng)網(wǎng)絡(luò)結(jié)合起來，對輪軌噪聲信號進行分析，從而實現(xiàn)對輪軌故障的診斷。即采用EMD對輪軌噪聲信號進行處理，計算得到的各IMF分量的能量與峭度，然后以BP神經(jīng)網(wǎng)絡(luò)為分類器，把提取的各IMF分量的能量特征和各IMF分量峭度綜合的多尺度峭度指標(biāo)作為網(wǎng)絡(luò)的特征參數(shù)輸入，對車輪扁疤、鋼軌波浪磨耗以及正常狀態(tài)進行分類識別。同時，將EMD方法與小波包分析方法進行了比較分析，實驗結(jié)果表明，基于EMD的神經(jīng)網(wǎng)絡(luò)方法具有更高的故障識別率。

1 EMD方法

EMD是一種能夠?qū)⒎瞧椒€(wěn)信號進行平穩(wěn)化處理的方法，處理后的信號不同尺度的波動或趨勢被逐級分解出來，形成一系列具有不同特征尺度的基本模式分量IMF。一般來說，IMF分量需要滿足如下兩個條件［8］：

① 整個數(shù)據(jù)序列的極值點個數(shù)與過零點個數(shù)相等或相差不超過一個；

② 在任意時間點處信號局部極大值確定的上包絡(luò)線和局部極小值確定的下包絡(luò)線的均值為零。

EMD方法的分解原理如下：

（1）確定待處理信號x（t）的所有局部極值點，然后用三次樣條曲線將所有極大值點連接起來得到該信號的上包絡(luò)線；同樣，用三次樣條曲線將所有極小值點連接起來得到下包絡(luò)線，信號的所有數(shù)據(jù)點都處在這兩條包絡(luò)線之間。

（2）上、下兩條包絡(luò)線的均值記為 m1（t），從待處理信號 x（t）中減去 m1（t），得到 h1（t），即

判斷h1（t）是否滿足IMF分量的兩個條件，如果滿足，就得到第一個 IMF分量，記 c1（t）＝h1（t）；如果h1（t）不滿足條件，就將 h1（t）作為待處理的信號重復(fù)（1）、（2）的操作，直到 h1（t）是一個 IMF分量為止。

（3）從 x（t）中減去基本模式分量 c1（t），得到殘余r1（t）：

（4）將殘余 r1（t）作為待處理的信號循環(huán)（1）、（2）、（3）的操作，可以得到n個滿足條件的IMF分量。

當(dāng)殘余rn（t）是一個單調(diào)函數(shù)，不能從中篩選出IMF分量就停止循環(huán)。這樣x（t）可以表示成

通過以上4個步驟，可以將一個信號分解成n個基本模式分量 c1（t），c2（t），…，cn（t）和殘余量 rn（t）之和。殘余量rn（t）反映了待處理信號的平均趨勢；基本模式分量組 c1（t），c2（t），…，cn（t）表示待處理信號從高頻到低頻不同頻段的成分，每個頻段包含信號的頻率成分是不同的，隨著信號的變化而變化。各種故障信息就包含在這些頻段中，通過分析這些頻段就能夠?qū)收线M行識別，為故障檢測提供方便。

圖1所示為采集的車輪扁疤故障信號圖。該信號進行EMD分解后得到11個IMF分量和1個殘余量，如圖2所示。從圖中可以看出，EMD方法將車輪扁疤故障輪軌噪聲信號分解成若干個IMF分量，不同的IMF包含不同的時間尺度，這樣信號的特征就能夠在不同的分辨率下顯示出來。

圖1 所示為采集的車輪扁疤噪聲信號圖Fig．1 Noise signal of wheel flat

圖2 車輪扁疤故障輪軌噪聲信號EMD分解結(jié)果Fig．2 EMD decomposition results of wheel flat noise

2 基于EMD和神經(jīng)網(wǎng)絡(luò)的輪軌缺陷診斷

峭度系數(shù)是信號序列時域特性的數(shù)值統(tǒng)計量，它是一個無量綱參數(shù)指標(biāo)，對信號幅值與頻率的變化不敏感，只與信號概率密度函數(shù)的形狀有關(guān)，表示信號概率密度函數(shù)峰頂?shù)亩盖统潭?，反映的是信號中沖擊成分的大小［9］。當(dāng)輪軌系統(tǒng)存在故障，產(chǎn)生的輪軌噪聲信號數(shù)據(jù)分布將發(fā)生變化，沖擊成分的大小也將不同，其中鋼軌波浪狀磨耗故障和車輪扁疤故障噪聲信號中都含有明顯的沖擊成份，因此可以選用峭度系數(shù)作為特征參數(shù)。同時，存在故障的輪軌系統(tǒng)與正常情況下輪軌系統(tǒng)產(chǎn)生的噪聲信號相比，在相同的頻帶內(nèi)噪聲信號的能量存在較大的差異，每個頻帶里的能量特征變化反映了輪軌系統(tǒng)狀態(tài)的不同，包含著相當(dāng)豐富的故障信息，可以選擇不同頻帶的能量作為特征識別不同的輪軌故障。綜合以上因素，本文采用各IMF分量的能量特征與綜合的多尺度峭度參數(shù)作為神經(jīng)網(wǎng)絡(luò)的特征參數(shù)輸入，能夠有效地對輪軌故障類型進行分類識別。

基于EMD和神經(jīng)網(wǎng)絡(luò)的輪軌故障診斷方法實現(xiàn)流程如圖3所示。

圖3 基于EMD和神經(jīng)網(wǎng)絡(luò)的輪軌故障診斷實現(xiàn)流程Fig．3 Process of wheel／rail fault diagnosis method based on EMD and neural network

其具體步驟如下：

（1）以一定的采樣頻率fs對存在輪軌扁疤故障、鋼軌波浪磨耗故障以及正常狀態(tài)三種情況下的輪軌噪聲信號分別進行N次采集，共得到3N個輪軌噪聲信號樣本。

（2）對每一種情況下的輪軌噪聲信號進行EMD分解，得到若干個IMF分量，不同情況下輪軌噪聲信號分解得到的IMF分量個數(shù)不同，考慮到輪軌故障信息大多存在于信號的高頻部分，因而選擇前m個含有故障信息的IMF分量作為研究對象。

（3）計算前m個IMF分量各自的能量Ei與峭度Qi，其中 i＝1，2，…，m。

其中：ui表示第 i個IMF分量的均值，σi表示第 i個IMF分量的方差。

（4）為了實現(xiàn)對輪軌故障信息更好地識別，縮短訓(xùn)練時間，簡化神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，將前m個IMF分量的峭度Qi進行累加，降低神經(jīng)網(wǎng)絡(luò)特征向量的維數(shù)，得到一個多尺度峭度參數(shù)dQ。

（5）構(gòu)建神經(jīng)網(wǎng)絡(luò)特征向量：

由于能量值較大，為了便于分析與處理對其進行歸一化處理。

設(shè)：

則：

T′即為歸一化后的特征向量。

（6）特征向量T′作為BP神經(jīng)網(wǎng)絡(luò)輸入層參數(shù)，將本次試驗的車輪扁疤故障、鋼軌波浪狀磨耗故障以及正常狀態(tài)三種情況作為輸出層參數(shù)，輸出層編碼為：車輪扁疤故障［1 0 0］，鋼軌波浪狀磨耗故障［0 1 0］，正常狀態(tài)［0 0 1］。確定 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對其進行訓(xùn)練。

（7）將測試樣本的特征參數(shù)作為網(wǎng)絡(luò)輸入，用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進行分類識別，根據(jù)網(wǎng)絡(luò)輸出確定測試樣本的狀態(tài)類別。

3 實驗結(jié)果

通過在實際的火車車輪或鐵軌上制造缺陷的方式來獲取輪軌故障噪聲信號，不但影響列車的正常運行，還會造成重大的安全隱患。因而考慮模擬輪軌故障，在實驗室環(huán)境下對輪軌故障噪聲信號進行采集分析，該方法結(jié)合實際情況進行優(yōu)化后，同樣適用于對實際輪軌噪聲的研究。本課題組已經(jīng)完成了一套比較完備的輪軌噪聲模擬采集系統(tǒng)［10］，本次實驗就選取該設(shè)備進行輪軌噪聲信號采集。輪軌噪聲采集系統(tǒng)由傳感器、數(shù)據(jù)采集卡、自制信號調(diào)理模塊以及便攜式計算機四部分組成。采用ISK BM－800型電容式麥克風(fēng)作為噪聲采集系統(tǒng)的傳感器，通過USB－6251數(shù)據(jù)采集模塊與便攜式計算機中自制的labview信號調(diào)理模塊連接，實現(xiàn)對輪軌噪聲故障信號的采集。采用相似性原理，參照25G型客車按1∶15的比例搭建了實驗小車及軌道系統(tǒng)實驗平臺，并設(shè)計了車輪扁疤、鋼軌波浪狀磨耗等缺陷，完成對輪軌故障噪聲信號的采集。由于輪軌噪聲頻率主要分布在500 Hz至4 000 Hz的頻率范圍內(nèi)［11］，為了避免發(fā)生混頻，采樣頻率選為 20 000 Hz。實驗小車的速度控制在0．8 m／s。本次實驗?zāi)M了車輪扁疤、鋼軌波浪磨耗以及正常狀態(tài)三種情況，并分別采集了三種情況下輪軌噪聲信號各35組數(shù)據(jù)，每種情況各隨機選取20組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，其余的數(shù)據(jù)作為測試數(shù)據(jù)。

對采集到的輪軌噪聲信號進行EMD分解，選取包含主要輪軌故障信息的前 8個 IMF分量 c1（t），c2（t），…，c8（t），按前述式（5）～式（9）求出特征向量 T′，由于篇幅的原因，表1只給出了每種狀態(tài)1個測試樣本的特征向量；采用BP網(wǎng)絡(luò)進行分類，分別將車輪扁疤故障、鋼軌波浪磨耗故障與正常狀態(tài)時的特征向量T′作為神經(jīng)網(wǎng)絡(luò)的輸入，因而輸入層含9個單元；輸出層對應(yīng)著這三種不同的模式，含3個單元；經(jīng)過反復(fù)實驗，確定只包含一個隱層，隱層單元數(shù)根據(jù)經(jīng)驗公式n1＝＋a選?。?2］（其中n為輸入神經(jīng)單元數(shù)，m為輸出單元數(shù)，a為［1，10］之間的常數(shù)），最終選為12，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為9×12×3。每種模式分別用20個樣本進行訓(xùn)練，其中輸入層和輸出層傳遞函數(shù)都選為purelin，隱層傳遞函數(shù)選為tansig，訓(xùn)練方式為彈性梯度下降法，訓(xùn)練誤差目標(biāo)精度為0．000 01，算法學(xué)習(xí)速率為0．1，網(wǎng)絡(luò)訓(xùn)練至收斂。用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對45個測試樣本進行分類識別，每種情況各15個測試樣本，結(jié)果網(wǎng)絡(luò)成功地將全部樣本識別出來，表2給出了基于EMD分析方法表1對應(yīng)的3個測試樣本的識別結(jié)果。

對采集到的輪軌噪聲信號進行小波包分析提取特征參數(shù)進行相同的神經(jīng)網(wǎng)絡(luò)訓(xùn)練來分類識別輪軌故障類型。由于車輪扁疤故障噪聲和鋼軌波浪磨耗故障噪聲都存在一定的沖擊成分，因此可以選擇coiflet小波作為基函數(shù)。coiflet小波消失矩較大，能夠適應(yīng)沖擊信號的突發(fā)特性及快速衰減特性，并能夠突出噪聲信號中沖擊性信號的特征，同時避免了連續(xù)小波對信號進行時頻分析時計算量過大的問題。采用coiflet小波對噪聲信號進行三層小波包分解，用第三層8個頻帶的小波包分解系數(shù)重構(gòu)出8個新的時間序列 c1（t），c2（t），…，c8（t），同樣按前述式（5）～式（9）求出特征向量T′，表1給出了每種狀態(tài)1個測試樣本的特征向量。采用相同的神經(jīng)網(wǎng)絡(luò)對45個測試樣本進行分類識別，每種情況各15個測試樣本，網(wǎng)絡(luò)識別率達(dá)到91%。表2給出了基于小波包分析方法表1對應(yīng)的3個測試樣本的識別結(jié)果。

表1 各種狀態(tài)下的特征向量Tab．1 Feature vectors of various states

表2 神經(jīng)網(wǎng)絡(luò)診斷結(jié)果Tab．2 Diagnosis results of neural network

實驗結(jié)果表明，雖然采用EMD或小波包分析方法對輪軌噪聲信號進行處理，提取特征參數(shù)進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，都能夠?qū)崿F(xiàn)對輪軌故障的分類識別，但是基于EMD的分析方法相比于小波包分析方法具有更高的故障識別率。這是因為小波包方法不具有自適應(yīng)性，分解后的各頻帶范圍不隨輪軌噪聲信號的變化而變化，而EMD方法具有自適應(yīng)性，依據(jù)輪軌噪聲信號本身的特點進行信號分解，因而對故障信息更敏感。

4 結(jié) 論

采用輪軌噪聲信號對輪軌故障進行檢測是本文的創(chuàng)新之處。輪軌噪聲信號是一種非平穩(wěn)信號，當(dāng)輪軌系統(tǒng)存在故障時，其產(chǎn)生的噪聲信號在各頻帶的能量將發(fā)生變化，EMD方法能夠根據(jù)信號本身的特點自適應(yīng)地將信號分解到不同的頻帶，提取各頻帶的能量與峭度作為BP神經(jīng)網(wǎng)絡(luò)的特征參數(shù)輸入，進而對網(wǎng)絡(luò)進行訓(xùn)練，網(wǎng)絡(luò)輸出能夠反映故障的本質(zhì)信息。實驗結(jié)果表明本文基于EMD和BP神經(jīng)網(wǎng)絡(luò)的方法能夠?qū)嗆壒收线M行有效地識別，同時采用EMD方法相較于小波包方法具有更高的故障識別率。本文分析的輪軌噪聲信號是在實驗條件下采集的，與列車運行的實際情況存在一定的差異，然而本課題組已在進行實際列車隨車噪聲采集與故障識別系統(tǒng)的構(gòu)建，基于EMD和BP神經(jīng)網(wǎng)絡(luò)的方法能夠運用到隨車的故障識別中。

［1］Papaellas M Ph，Robert C，Davis C L．A review on non-destructive evaluation of rails： state-of-the-art and future development［J］．Journal of Rail and Rapid Transit，2008，222：367－384．

［2］Belotti V，Crenna F，Michelini R C，et al．Wheel-flat diagnostic via wavelet transform［J］．Mechanical Systems and Signal Processing，2006，20（8）：1953－1966．

［3］Brizuela J，F(xiàn)ritsch C，Ibanez A．Railway wheel-flat detection and measurement by ultrasound［J］．Transportation Research Part C：Emerging Technologies，2011，19（6）：975－984．

［4］Papaelias M P，Lugg M．Detection and evaluation of rail surface defects using alternating current field measurement techniques［J］．Proceedings of the Institution of Mechanical Engineers，Part F：Journal of Rail and Rapid Transit．2012，226（5）：530－541．

［5］馬旺宇，劉棟，趙文博．應(yīng)用于鋼軌檢測的便攜式渦流探傷儀的研制［J］．機械設(shè)計與制造，2010（2）：88－90．MA Wang-yu，LIU Dong，ZHAO Wen-bo．A portable eddy current flaw detector for railway testing［J］．Machinery Design＆Manufacture，2010（2）：88－90．

［6］魏祥龍，張智慧．高速鐵路無砟軌道主要病害（缺陷）分析與無損檢測［J］．鐵道標(biāo)準(zhǔn)設(shè)計，2011，3：38－40．WEI Xiang-long，ZHANG Zhi-hui．Analysis on main defects in ballastless track on high speed railway as well as its non-damage inspection［J］．Railway Standard Design．2011，3：38－40．

［7］王鵬飛，張興周，胡文飛．基于小波變換的火車車輪扁疤信號能量分析［J］．應(yīng)用科技，2009，36（6）：25－28．WANG Peng-fei， ZHANG Xing-zhou， HU Wen-fei． The energy analysis of wheel-flat signal based on wavelet transform［J］．Applied Science and Technology，2009，36（6）：25－28．

［8］Huang N E，Shen Z，Long SR，et al．The Empirical mode of decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis［J］．Proc Royal Society，1998，454：903－995．

［9］何正嘉，訾艷陽，張西寧．現(xiàn)代信號處理及工程應(yīng)用［M］．西安：西安交通大學(xué)出版社，2007．

［10］鐘香斌．輪軌噪聲模擬實驗［D］．西安：西安交通大學(xué)，2010．

［11］Remington P J．Wheel／rail noise，Part I：characterization of wheel／rail dynamic system［J］． Journal of Sound and Vibration，1976，46：359－379．

［12］呂硯山，趙正琦．BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化及應(yīng)用研究［J］．北京化工大學(xué)學(xué)報：自然科學(xué)版，2001，28（1）：67－69．L Yan-shan，ZHAO Zheng-qi．Optimization and application research of BP neural network［J］．Journal of Bejing University of Chemical Technology：Natural Science，2001，28（1）：67－69．