《Electronics》：Application of the Empirical Decomposition Method to Vibratory Signals for the Categorisation of Railway Rolling Stock
编辑推荐：
铁路运输系统中，持续提升维护水平及其整体效率已成为基石，尤其在追求提升运行速度的目标下。因此，能够早期检测系统最关键部件缺陷的方法至关重要，从而在降低维护与运营成本的同时确保轨道车辆最大可用性。近期，已有研究通过分析试验台车轮对振动信号，将信号分解为固有模态函
铁路运输系统中，持续提升维护水平及其整体效率已成为基石，尤其在追求提升运行速度的目标下。因此，能够早期检测系统最关键部件缺陷的方法至关重要，从而在降低维护与运营成本的同时确保轨道车辆最大可用性。近期，已有研究通过分析试验台车轮对振动信号，将信号分解为固有模态函数（Intrinsic Mode Function，IMF）并应用经典信号处理技术，利用决策树对转向架车轮对状态进行分类的可行性进行了分析，取得了优异结果。本研究既是对前述工作的延续与补充，亦旨在建立对比并增强该方法论，此即本手稿的主要贡献。研究人员将经验模态分解（Empirical Mode Decomposition，EMD）与支持向量机（Support Vector Machine，SVM）相结合，并引入方差分析（Analysis of Variance，ANOVA）进行特征选择，在Y-21转向架试验台获取的4种轴件状态（无损伤D0及深度5.7 mm、10.9 mm、15.0 mm的3级缺陷）振动信号上开展分类研究。结果显示，以细高斯核SVM联合前5个IMF及峭度、峰值因子、形状因子三类ANOVA优选特征，可达99.9%分类准确率；决策树在全特征下超99%，但SVM以更少预测变量取得可比或更优性能。该框架为轨道车辆关键部件退化早期识别与预测性维护提供了兼具精度与计算效率的范式。
研究背景与动机
铁路运输系统持续提升维护效率是支撑运营速度提升的基石。转向架车轮对作为关键部件，其缺陷早期检测对保障车辆可用性与降本增效意义重大。前期研究已验证将振动信号经经验模态分解（EMirical Mode Decomposition，EMD）为固有模态函数（Intrinsic Mode Function，IMF）后接入决策树分类器的可行性，但未系统比较其他机器学习算法，亦未引入统计化特征筛选。为此，研究人员在《Electronics》发表本研究，以EMD+SVM替代原决策树框架，结合方差分析（Analysis of Variance，ANOVA）特征选择，在同一Y-21转向架试验台数据集上完成方法延续、对比与增强。
主要关键技术方法
研究人员采用Y-21转向架试验台，对前端车轮对在50 km/h、10 t（50%轴载）下以12800 Hz采样1.28 s（16384点）采集纵向、轴向、垂直三向加速度；设无损伤D0及人工横切缺口深度5.7 mm（D1）、10.9 mm（D2）、15.0 mm（D3）四级状态，共2132条样本（D0=490，D1=375，D2=518，D3=749）。信号经双变量EMD分解为最多9个IMF，提取时域（RMS、峰值、峭度KUR、峰值因子FCR、标准差、偏度、形状因子SFR）与频域/功率谱密度（Power Spectral Density，PSD）特征（频域RMS、峰值、峰值频率、谱功率P）。以ANOVA按p<0.05与F统计量排序筛选预测变量，训练MATLAB?中线性/二次/三次多项式核及细/中/粗高斯核SVM（Box约束=1，标准化，一对多SMO），5折交叉验证，并与前文决策树基准对照。
研究结果
- 1.
全预测变量配置：SVM最高约92.2%（三次核+4 IMF），决策树在≥5 IMF时超99.0%，SVM单独使用全变量反受冗余拖累。
- 2.
单预测变量（峭度）：SVM细高斯核在6 IMF达99.2%，其余多低于70%，证明单变量不足。
- 3.
双变量（峭度+峰值因子）：细高斯核SVM在≥4 IMF超98%（3 IMF除外），较单变量显著提升。
- 4.
三变量（峭度+峰值因子+形状因子）：5–9 IMF下细高斯核SVM超99.5%，9 IMF达99.9%；计算时间仅微增，证实三特征已饱和。
- 5.
四变量加入谱功率：准确率反而下降，说明ANOVA排名第4的特征引入噪声。
- 6.
混淆矩阵与ROC：9 IMF下细高斯SVM与精细决策树对照，D3（最严重缺陷）识别最佳，D0与D1略有混淆；SVM的AUC近1.0，决策树略低但均优。
- 7.
计算代价：多项式核SVM随IMF数增至9时训练近100 s（二次）或180 s（三次），细高斯核耗时极低，利于实时监测。
讨论与结论翻译
研究人员得出：EMD+SVM（细高斯核）可有效表征轨道车辆部件状态；5 IMF已兼顾精度与效率，9 IMF精度最高但增益有限；SVM仅需每端三个特征（峭度、峰值因子、形状因子）即达比肩决策树全特征的效果，模型更紧凑。该成果为铁路滚动库存预测性维护提供了统计严谨、计算轻量的诊断路径，未来可拓展至更多故障形态与运行工况。
