论文部分内容阅读
高速列车转向架故障研究主要是通过监测数据进行分析研究,其中特征选择和参数优化的好坏直接影响着故障识别的准确性,一直是该领域研究的热点。由于高速列车不同方位上布置了大量的传感器,不同通道传感器提取的特征存在着关联性,融合所有通道的特征进行分析成为故障识别的有效方法。然而,大量通道数据的融合造成了特征数据的维数高、数据量大等特点,增大了特征选择和参数优化的难度,有些不敏感通道的故障特征还会导致数据冗余,降低高速列车故障诊断识别率。本文针对高速列车多通道数据融合出现的问题,从特征选择和参数优化相结合的思路,探讨了反馈型DS理论在故障诊断的应用,并对高速列车转向架不同类型损坏故障和不同程度损坏故障进行了故障诊断。具体的研究工作如下:1、论文采用Mahalanobis distace、Fisher’s ratio、Fuzzy entropy对故障特征进行单一准则特征排序,利用DS理论对多个单一准则特征评价结果进行融合,构建高速列车转向架故障特征有效排序,并依次增加一维故障特征输入后面故障诊断模型的参数优化过程中。2、在故障诊断模型参数优化过程中,通过遗传算法、粒子群优化算法、网格搜索法等三种常用参数优化算法对支持向量机参数进行优化,并针对网格搜索法寻优过程中易陷入局部最优的情况,给出了改进型网格搜索优化方法。实验结果对比分析表明,改进型网格搜索法优化效果要优于三种常用优化方法,提高了故障诊断的准确性。3、基于反馈控制理论,并结合参数优化得到的最优故障诊断模型,给出了一种反馈调节DS评价排序结果以得到最终最优故障诊断模型的方法。该方法通过改进型网格搜索法优化获得最优故障诊断模型,并对原始DS理论特征排序结果进行反馈调节,将新的特征评价排序结果再次与参数优化相结合,通过多次的反馈调节得到最终的最优故障诊断模型。最后,针对高速列车转向架故障研究中缺少不同程度损坏故障定量回归分析的情况,将基于反馈型DS理论和改进型网格搜索参数优化方法应用到故障诊断分析中,并开展了针对高速列车不同类型故障和不同程度故障的分析研究。