| 基于MEEMD香农熵-LSSVM的高速列车蛇行失稳诊断方法* |
| |
| 引用本文： | 叶运广,宁静,种传杰,崔万里,刘棋. 基于MEEMD香农熵-LSSVM的高速列车蛇行失稳诊断方法*[J]. 计算机应用研究, 2017, 34(4) |
| |
| 作者姓名： | 叶运广 宁静 种传杰 崔万里 刘棋 |
| |
| 作者单位： | 西南交通大学 机械工程学院,西南交通大学 机械工程学院,西南交通大学 机械工程学院,西南交通大学 机械工程学院,西南交通大学 机械工程学院 |
| |
| 基金项目： | 国家自然科学基金资助项目(51475387)；中央高校基本业务费专项(2682014CX033)；四川省科技创新苗子工程项目(2015102) |
| |
| 摘 要： | 针对列车高速运行时易出现蛇行失稳这一问题,提出了一种改进的集合经验模态分解(Modified Ensemble Empirical Mode Decomposition, MEEMD)香农熵-最小二乘法支持向量机(Least Squares Support Vector Machine, LSSVM)的高速列车蛇行失稳诊断方法。首先通过MEEMD对列车330Km/h～350Km/h时转向架构架的横向振动信号进行分解,得到固有模态函数(Intrinsic Mode Function, IMF),再通过Hilbert变换(HT)分析其时频聚集性,同时提取IMF分量的香农熵特征,最后用LSSVM进行训练和识别。结果表明,转向架蛇行失稳状态下的时频分布的聚集性较正常状态下好,并且MEEMD香农熵-LSSVM方法的识别率和计算耗时优于EEMD-SVM方法,识别率达到96.67%。
|
| 关 键 词： | 蛇行运动 改进的集合经验模态分解(MEEMD) Hilbert 变换(HT) 香农熵 最小二乘法支持向量机(LSSVM) |
| 收稿时间： | 2016-02-27 |
| 修稿时间： | 2017-02-15 |
Hunting Instability of High-speed Train Diagnose Method Based on Modified Ensemble Empirical Mode Decomposition, Shannon Entropy and LSSVM |
| |
| YE Yunguang,NING Jing,CHONG Chuanjie,CUI Wanli and LIU Qi. Hunting Instability of High-speed Train Diagnose Method Based on Modified Ensemble Empirical Mode Decomposition, Shannon Entropy and LSSVM[J]. Application Research of Computers, 2017, 34(4) |
| |
| Authors: | YE Yunguang NING Jing CHONG Chuanjie CUI Wanli LIU Qi |
| |
| Affiliation: | School of Mechanical Engineering,Southwest Jiaotong University,School of Mechanical Engineering,Southwest Jiaotong University,School of Mechanical Engineering,Southwest Jiaotong University,School of Mechanical Engineering,Southwest Jiaotong University,School of Mechanical Engineering,Southwest Jiaotong University |
| |
| Abstract: | |
| |
| Keywords: | hunting motion ensemble empirical mode decomposition (EEMD) Hilbert-Huang transformation(HHT) Shannon entropy least squares support vector machine (LSSVM) |
|
| 点击此处可从《计算机应用研究》浏览原始摘要信息 |
|
点击此处可从《计算机应用研究》下载全文 |
|
