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。     

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。     

基于排列组合熵的高速列车走行部故障分析

针对列车走行部的多种故障模式,提出了基于排列组合熵的高速列车走行部故障诊断方法.对原车和抗蛇行减振器失效、空气弹簧失气、横向减振器失效四种工况进行仿真实验,得到列车不同位置的振动信号.计算列车振动信号的排列组合熵,首先实现了同一速度下不同故障的分离,然后以排列组合熵作为故障特征向量,对特征向量进行多级SVM分类识别.实验结果表明,该方法可以有效识别列车同一速度下的不同故障,高速时对四种工况的平均识别率达97％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。     

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。     

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。     

高速列车转向架故障信号的聚合经验模态分解和 模糊熵特征分析

为了对高速列车转向架关键部件进行状态监测,利用转向架故障振动信号的特点,提出了一种结合聚合经验模态分解和模糊熵的特征提取方法.对故障信号进行聚合经验模态分解,得到一系列具有不同物理意义的简单成分信号,采用相关分析法选取最能反映原信号特征的本征模态函数.对这些本征模态函数和原信号分别计算模糊熵值构成多尺度复杂性度量的特征向量,输入最小二乘支持向量机中进行分类识别,与模糊熵特征相比得到了更好的识别效果,证明了算法的有效性.     

采用小波变换和盲源分离的电机轴承故障诊断

针对地铁车辆转向架牵引电机轴承故障,提出一种结合小波变换和盲源分离的轴承故障识别方法.首先从原始信号频谱中判断轴承高频共振信号的大致频带范围以确定小波分解层数;其次利用小波分解提取轴承高频共振信号成分;然后利用盲源分离方法从小波分解后的重构高频信号中分离故障特征信号;最后对故障特征信号进行Hilbert解调并通过包络谱分析提取故障特征频率.对上海地铁某型地铁车辆转向架牵引电机进行试验,试验结果证明该方法能清晰、准确地识别轴承故障特征.     

基于小波奇异信息熵的10 kV供电系统故障选线研究与仿真

针对现有的供电系统中接地故障选线精度不足、反应速率较慢的问题,提出一种利用小波分析、奇异值分解和信息熵的融合的供电系统接地故障选线新方法.充分利用小波变换良好信号时频分析特点,奇异值分解维数压缩、特征提取能力,信息熵测度强大的系统状态、特征信号的定量描述、对比、研究特点,在系统故障后的故障选线中,克服单一方法对系统接地故障的失判或误判.通过Matlab与Simulink软件建立供电系统模型,对基于小波奇异信息熵的供电系统接地故障选线方法进行多方位的测试,实验结果表明该方法对供电系统接地故障能够快速、准确地诊断选线,是一种新的行之有效的供电系统接地故障选线方法.     

数据采集系统的设计研究

考虑到移动设备运行中状态信号采集和传榆的难度提出了一种新的故障诊断监控系统。该系统通过基于W77E58高速单片机的数据采集终端对移动设备的状态信号进行采集,采用无线传输方式快速传递数据。并可对数据信号进行故障诊断和精密分析。它具备快速获取大量数据、高精度数据转换、程控放大、程控五阶低通滤波等功能。该系统在固内某大型钢铁企业炼铁厂运料小车的振动状态监测项目实际应用中得以验证。     

Global sensitivity analysis of bogie dynamics with respect to suspension components

The effects of bogie primary and secondary suspension stiffness and damping components on the dynamics behavior of a high speed train are scrutinized based on the multiplicative dimensional reduction method (M-DRM). A one-car railway vehicle model is chosen for the analysis at two levels of the bogie suspension system: symmetric and asymmetric configurations. Several operational scenarios including straight and circular curved tracks are considered, and measurement data are used as the track irregularities in different directions. Ride comfort, safety, and wear objective functions are specified to evaluate the vehicle’s dynamics performance on the prescribed operational scenarios. In order to have an appropriate cut center for the sensitivity analysis, the genetic algorithm optimization routine is employed to optimize the primary and secondary suspension components in terms of wear and comfort, respectively. The global sensitivity indices are introduced and the Gaussian quadrature integrals are employed to evaluate the simplified sensitivity indices correlated to the objective functions. In each scenario, the most influential suspension components on bogie dynamics are recognized and a thorough analysis of the results is given. The outcomes of the current research provide informative data that can be beneficial in design and optimization of passive and active suspension components for high speed train bogies.     

小波包特征熵在级联式变频器故障诊断中的应用

为精确诊断级联式变频器功率器件开路故障,提出了一种基于小波包特征熵的故障信号提取方法.对采集到的级联式变频器相电压信号进行三层小波包分解,提取特征熵构造电压信号的特征熵向量,并以此作为故障诊断样本,利用概率神经网络进行故障诊断.仿真结果表明,基于小波包特征熵的信号提取方法在级联式变频器故障诊断的应用中具有较高的有效性与可行性.     

基于Tsallis小波熵的变压器励磁涌流识别方法

针对变压器励磁涌流和内部故障电流识别的热点问题,为了有效克服香农熵在对信号的小波分解系数进行特征提取时具有局限性的缺陷,达到提高识别的有效性和快速性的目的。提出了基于Tsallis小波能量熵和时间熵判据的变压器励磁涌流和内部故障电流的识别新方法。该方法将小波分析与Tsallis熵结合对变压器暂态信号进行分析,在小波能量谱的基础上,得到Tsallis小波能量熵判据,并根据时间熵的定义得到Tsallis小波时间熵判据,综合利用两种判据对暂态信号进行识别。该方法不仅可以成功识别励磁涌流,并且提高了识别的准确性、可靠性和灵敏性。MATLAB/Simulink仿真实验结果验证了所提方法的有效性和准确性。