论文部分内容阅读
随着我国高铁技术的快速发展,列车运行速度不断提高,列车在长期服役过程中零部件磨损加快导致其性能的蜕变,将威胁着车体的安全运行,因此对列车安全预警与健康维护带来极大的挑战。基于监测数据开展列车安全评估分析的研究尤为重要,通过传感器监测到大量的振动数据,如何从监测数据中反演识别出列车运行状态,进行安全性态评估显得至关重要。在选取监测信号处理方法时得考虑到监测的振动数据多为非线性和非平稳的特点。集合经验模态分解(EEMD)具有自适应性、完备性、局部正交性等优点,在非平稳信号特征分析中应用广泛。本文基于EEMD对高速列车安全性态数据进行特征分析,研究列车正常状态、空簧失气、抗蛇行全拆和横向减振器全拆四种工况。(1)本文首先分析了高速列车走行部振动特征和抗蛇行减振器、横向减振器、空气弹簧工作情况,基于监测数据从时频域分析列车各工况下状态的振动信号,初步诊断四种工况的振动差异性,基于相关系数分析了各部位传感器采集的振动信号之间的相关性。(2)深入研究了EEMD变换及特点,基于IMF的特征给出时间熵、奇异熵、能量熵、平均熵、距离熵的定义及物理意义。针对振动信号频率较低的特点,用EEMD方法探索各工况的特征。针对仿真数据和实测数据进行仿真实验,对振动信号进行EEMD分解,并根据相关系数保留有效的IMF分量,对IMF分量提取所定义IMF熵,将IMF熵组成特征向量。最后结合改进的超球SVM,以实现高速列车故障振动信号分类。列车状态识别验证了5种特征提取算法的有效性,在高速列车振动信号特点的基础上,分析了IMF熵在高速列车故障检测与分类中的应用机理。(3)基于IMF熵特征和互相关样本熵特征仿真分析了参数渐变工况,研究列车三种渐变故障的特征分布规律。基于IMF熵特仿真分析了多故障工况的特征,对多故障进行了分类识别,并探讨了多故障特征是否体现或保留了单个故障的特征。本文工作得到国家自然科学基金重点项目(No.61134002)的资助。