基于EEMD的高速列车横向减振器故障的排列熵特征分析

针对高速列车转向架横向减振器状态监测数据的特点,提出了一种聚合经验模式分解和排列熵相结合的故障特征分析方法,用于在不同时间尺度下对信号进行复杂性分析。首先利用EEMD对横向减振器不同个数失效的7种工况信号进行分解,再用排列熵量化IMF的复杂度,得到多维特征向量集,最后采用支持向量机对故障状态进行分类识别。实验结果表明本方法对多个横向减振器失效的工况识别率最高可达100%,验证了排列熵特征对于高速列车横向减振器故障信号分析的有效性。     

基于小波分析的高速列车车体运行状态估计

基于监测数据评估高速列车空气弹簧和横向减振器等关键部件的运行状态, 针对车体垂向加速度振动信号, 提出了小波包能量矩的列车状态估计方法。首先分析车体垂向振动特征, 对不同工况和不同速度下的信号进行小波包分解, 并重构能量较大的频带信号, 再计算各频带的小波包能量矩特征, 不同频带信号的小波包能量矩变化反映了列车运行状态的改变。将不同频带的小波包能量矩组成特征向量, 最后用支持向量机进行故障识别。实验数据仿真分析表明, 列车空簧失气故障和横向减振器失效故障识别率为100%, 说明该方法能很好地估计出高速列车的故障状态。     

应用EMD熵和ReliefF分析高铁横向减振器故障

横向减振器是转向架的关键部件,其作用是衰减车体与转向架间的振动,其性能对列车的舒适性和安全性有重要影响。横向减振器的故障会引起列车车体振动信号的变化,为了能对其进行性能监测和故障诊断,提出一种基于EMD排列组合熵和ReliefF的特征分析方法。先对预处理过的信号进行EMD分解,后对得到的若干个包含主要故障信息的本征模式函数求解熵值,最后用ReliefF对6阶本征模式函数熵值构成的特征矢量进行优化降维,对降维后的特征用支持向量机对四种工况进行分类识别。实验结果表明,对运行速度200 km/h及以上时的平均识别率可以达到96%以上。     

基于白噪声统计特性与EEMD的高速列车横向减振器故障诊断*

针对高速列车横向减振器故障信号非线性非平稳的特点,提出了基于白噪声统计特性与聚合经验模态分解（EEMD）相结合的故障诊断算法。首先,利用经验模态分解（EMD）对故障信号进行去噪,然后对去噪后的信号进行EEMD分解,最后对用相关系数求得的最能反映振动信号的本征模态函数（IMF）计算排列组合熵。在240km/h速度下,对高速列车横向减振器7种工况进行诊断,识别率达到91.8%。实验结果表明：与基于小波熵特征分析的算法相比,该算法具有更高的识别率和更强的抗噪性能。     

高速列车转向架振动信号多重分形特征提取与故障诊断

高速列车转向架关键部件故障会引起列车在运行过程中的振动异常,严重时危机运行安全。为了及时发现转向架故障,提出了一种转向架多重分形联合特征的提取方案,用转向架振动信号的多重分形谱宽、分形维数差、多重分形谱熵、广义维数谱距和广义维数谱均值作为联合特征向量,识别转向架不同状态,从而实现转向架故障诊断。实验表明,转向架监测信号的联合特征向量能够准确识别出列车故障状态,识别率高达92％以上。     

基于EEMD的高速列车转向架故障诊断

高速列车的转向架机械故障会引起转向架和车体振动信号的变化,严重影响高速列车运行的安全性和舒适度。为此,提出一种基于聚合经验模态分解的高速列车转向架故障诊断方法。针对转向架空气弹簧失气、抗蛇形减振器失效、横向减振器失效和原车4种工况进行仿真实验,得到列车不同位置的振动信号。信号经聚合经验模态分解得到一系列固有模态函数,分别提取能量矩特征,反映不同尺度上能量随时间的分布规律。将第2阶～第6阶经验模态能量矩构成的5维特征矢量作为支持向量机分类器的输入,在列车行驶200km/h的速度下进行转向架故障识别,结果表明,该方法的识别正确率可达到95％以上。     

基于MEMD的高速列车转向架故障的排列熵特征分析

在监测高速列车转向架工作状态时,针对列车运动自由度数目多、不同监测点数据相关性强的特点,提出了多元经验模态分解和排列熵相结合的故障特征提取方法。首先利用多元经验模态分解对高速列车转向架7种不同工况的振动信号进行多通道同步联合分析,获取不同数据通道间的共同模式。利用相关系数选取反映故障信号特征的有效本征模态函数来重构原始故障信号,计算重构信号的排列熵作为故障特征。最后采用支持向量机进行故障状态分类识别。实验结果表明,列车在各种运行速度下均能达到85%以上的分类效果,验证了该方法的有效性。     

一种基于最优频带的走行部故障检测方法

基于振动信号的走行部故障诊断是目前列车健康监测的重要途径之一,选择准确的解调频带是故障识别的先决条件。由于列车走行部结构复杂、运行环境恶劣,早期故障信号容易被各种干扰信号遮蔽。针对走行部复杂的振动环境,结合故障识别(fault diagnosis,FD)算法在三分法的基础上引入了循环分量占比(ratio of cyclic content, RCC),提出了RCCFD算法。通过对仿真信号、滚动台振动信号、列车轴箱振动信号的对比分析,结果表明：RCC-FD算法能够在强循环脉冲干扰、随机脉冲干扰的工况下提取出以目标故障特征信息为主导的最优频带,同时具有更高的计算效率,更加适用于列车走行部实时故障诊断。     

高速列车转向架故障信号的小波熵特征分析

为了对转向架关键部件进行及时的性能检测和故障诊断, 实验选用高速列车转向架典型故障振动信号, 先进行小波分解, 在各个子频带上提取小波熵特征, 用于反映振动信号在各尺度上的复杂程度。在多个小波熵特征张成的高维特征空间中对四种转向架典型故障工况进行支持向量机分类识别, 实验结果表明识别率随运行速度逐步提高, 在速度达到200 km/h时得到了90%以上的识别率, 验证了小波熵特征对于高速列车故障信号分析的有效性。     

基于Copula函数的列车减振器蜕化率估计

为了准确估计高速列车转向架关键部件的机械磨损程度,提出了一种基于Copula函数的抗蛇行减振器阻尼参数蜕化率估计方法。该方法以高速列车抗蛇行减振器阻尼系数在不同蜕化率下的振动信号为研究对象,经过小波包滤波后,通过泛化高斯分布对各信号的边缘分布进行拟合,并使用Gaussian Copula函数构建不同蜕化率下的信号与车辆正常时信号的联合概率密度函数。提取联合概率密度函数的均值作为特征,并对目标信号的蜕化率进行估计。对某型高速列车转向架抗蛇行减振器不同参数蜕化率的振动信号进行实验,并与真实值进行比较。实验结果表明,在200 km/h速度下,实验误差均在范围内,表明了该方法的有效性。     

基于模糊综合评估的磁浮列车故障诊断系统

阐述了模糊综合评估方法的基本原理,以CMS-3型磁浮列车为研究对象,在PLC硬件平台上建立了列车故障诊断系统的综合评估模型,并分析了系统故障评估模型诊断结论的正确性.CMS-3型磁浮列车故障诊断系统的成功运行,验证了故障综合评估模型能够有效地对系统故障进行诊断.􀁱     

基于信号调理的逆变器IGBT开路故障注入方法

针对采用直接切断驱动信号的方式模拟绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor,IGBT)开路故障的局限性,在分析三电平逆变器IGBT开路故障表现形式及其外特性的基础上,提出一种基于信号调理的故障注入方法.通过故障注入单元对注入到被测对象的正常信号进行信号调理,将含有故障信息的信号加载到原有正常信号中再注入到被测对象,实现对IGBT不同表现形式开路故障的模拟.在CRH2型高速列车牵引传动系统虚拟仿真平台上进行故障注入仿真,结果证明该方法可行且有效.     

基于改进禁忌算法和ANN 的故障诊断推理

针对BP神经网络存在着容易陷入局部极小值且收敛速度慢的问题,提出了一种基于改进禁忌算法和ANN（Artificial neural network）结合的故障诊断模型．首先对故障诊断模型进行了定义,然后使用训练数据对网络的权值、阀值等参数进行训练,将训练结果作为改进禁忌优化算法的初始解进行全局寻优,对改进的禁忌优化算法进行了定义和描述,最后将全局寻优的结果代入神经网络中,使用测试数据进行故障诊断．通过仿真实验证明文中的方法与未经优化的ANN故障诊断模型相比,克服了传统方法的不足,具有诊断精度高、诊断速度快以及收敛速度快的特点．     

高速列车电开水炉的故障分析与处理

根据高速列车电开水炉的结构特点和工作原理,提出一种快速有效的故障分析与处理的方法。     

基于模糊故障树的磁浮列车悬浮系统故障诊断

悬浮控制系统是CMS-3型磁浮列车系统的重要子系统，其可靠性的高低直接关系到列车能否安全运行．在对CMS-3型磁浮列车悬浮系统故障概率分析的基础上，将模糊数学和故障树方法相结合，建立了悬浮系统的模糊故障树，通过对其进行失效分析，给出了悬浮系统的故障诊断算法．实验表明，该方法用于悬浮系统的故障诊断是行之有效的．     

基于深度信念网络的列车故障音频诊断方法

铁路在交通运输行业有着举足轻重的地位，一旦列车发生故障将会导致严重的生命财产损失。由于列车发生故障的概率相对较低，因此难以捕获列车的故障样本。针对上述问题，提出了一种无监督学习的列车故障识别方法，通过检测列车音频信号来识别列车故障。该方法基于深度信念网络(DBN)，利用小波包分解提取检测信号的特征向量并将其作为DBN的输入，待网络充分训练后，由训练好的DBN识别当前列车的运行状况。现场监测实验结果表明，该方法能够在无监督的条件下有效识别列车故障，保障了列车的运行安全。     

高速动车组多模型切换主动容错预测控制

高速动车组持续高速运行,对控制系统的可靠性和抗干扰能力提出了更高要求.结合高速动车组非线性动力学特点和系统运行数据,应用减法聚类和模式分类算法建立高速动车组多模型集;为适应对象和扰动特性的变化建立高速动车组自适应模型;采用基于累计误差最小的切换策略在线选择最优控制模型,据此设计主动容错预测控制算法来实现高速动车组安全高效运行.最后,仿真实例验证了该方法的有效性.     

模板匹配算法在动车零部件故障检测系统中的应用

针对动车零部件丢失、松动的故障,设计了一套采用自动视频图像识别技术进行故障自动检测的系统;在图像处理这一重要环节中,采用了基于轮廓的模板匹配算法对动车零部件是否松动、是否丢失的故障进行检测。阐述了动车零部件故障检测系统架构、各部分的实现并提出了基于轮廓的模板匹配零部件检测方法,并从对图像进行预处理、确定零部件的特征区域到设置最小分值过程进行了详细阐述。应用过程表明,应用模板匹配算法对动车零部件故障检测能够达到预期的效果。     

城轨美式应答查询器状态分析与故障检测

城市轨道交通中应答器传输系统是对行进列车进行精确定位的关键系统,列车定位是保证基于通信的列车控制系统（CBTC）安全高效工作的前提。在运营过程中,应答器传输系统在因线路老化、列车振动、设备故障等原因出现信标丢失的故障,导致无法对列车进行定位而引起列车制动,这对列车运行造成极大的影响,更是线路运营的重大安全隐患。目前城市轨道交通中针对车载设备的故障,采取的检修方法是整体更换故障设备,维修成本高且效率低下。为减少车载设备故障情况,本文通过对应答器传输系统中的美式应答查询器的工作状态进行研究,旨在根据其工作状态判断应答查询器故障的具体位置,提出了一种针对应答查询器的故障的检测流程,为城轨车载设备的故障检测提供了指导,有良好的应用价值与实际意义。     

基于差分进化变分模态分解的直升机行星轮系故障监测

作为传动系统的核心减速部件,行星轮系故障监测对直升机的飞行安全至关重要,而行星轮系复杂且独特的齿轮传动结构使振动信号呈现非常复杂的信号形态,针对复杂信号背景下故障特征的提取难题,提出了基于差分进化变分模态分解(Differential Evolution Variational Mode Decomposition,DEVMD)的直升机行星轮系故障监测方法。方法集成重叠组收缩(Overlapping Group Shrinkage,OGS)算法作为前置滤波进行背景噪声抑制,结合DEVMD方法的高性能模态分解能力剥离出其他旋转部件的信号分量,获得行星轮系故障敏感信号分量,最后提取出峭度-包络谱熵作为故障指示因子进行直升机行星轮系故障监测,实验结果证明了方法的有效性。