基于MEMD的高速列車安全性態(tài)評(píng)估應(yīng)用研究.pdf

1、高速列車運(yùn)行速度的不斷提高，給列車安全運(yùn)行的保障工作帶來(lái)了更大的挑戰(zhàn)。列車運(yùn)行過(guò)程中，安裝在列車各位置上的傳感器將監(jiān)測(cè)到大量的振動(dòng)信號(hào)數(shù)據(jù)，對(duì)這些數(shù)據(jù)進(jìn)行信號(hào)特征分析，并通過(guò)分類器得到列車在服役過(guò)程中的運(yùn)行狀態(tài)，從而快速而準(zhǔn)確地對(duì)列車進(jìn)行安全性態(tài)評(píng)估。由于高速列車上所布置的傳感器通道間存在相關(guān)性，傳統(tǒng)特征分析方法在對(duì)高速列車監(jiān)測(cè)數(shù)據(jù)進(jìn)行特征提取時(shí)，只能先單個(gè)通道處理，再在后期進(jìn)行特征級(jí)別的數(shù)據(jù)融合，這不利于同一物理系統(tǒng)產(chǎn)生的振動(dòng)信號(hào)的分

2、析。本文針對(duì)高速列車監(jiān)測(cè)數(shù)據(jù)多通道問(wèn)題，分析多元經(jīng)驗(yàn)?zāi)B(tài)分解(MultivariateEmpirical Mode Decomposition，MEMD)算法特性，研究了MEMD算法在高速列車信號(hào)處理中的應(yīng)用。主要完成了以下研究工作:
　　(1)研究了MEMD算法，為了進(jìn)一步減少模式混疊現(xiàn)象，將高斯白噪聲添加到MEMD分解過(guò)程中，引入噪聲輔助MEMD。采用轉(zhuǎn)向架關(guān)鍵部件全拆工況數(shù)據(jù)對(duì)噪聲輔助MEMD方法進(jìn)行性能評(píng)估，結(jié)果表明:噪聲

3、輔助MEMD比標(biāo)準(zhǔn)MEMD更具優(yōu)越性，而且添加2個(gè)噪聲通道時(shí)其性能達(dá)到最好。
　　(2)提出了基于MEMD和信息熵的特征提取方法。將MEMD算法用于高速列車轉(zhuǎn)向架全拆工況和橫向減振器不同個(gè)數(shù)失效工況信號(hào)的分解預(yù)處理，利用相關(guān)系數(shù)法對(duì)分解得到的多元固有模態(tài)函數(shù)(Intrinsic Mode Function，IMF)進(jìn)行篩選，再對(duì)篩選結(jié)果提取三種信息熵（樣本熵、排列熵、多元多尺度熵）特征，最后將提取到的特征作為支持向量機(jī)的輸入，進(jìn)行

4、故障分類識(shí)別。采用單一變量法對(duì)其他特征提取方法進(jìn)行了對(duì)比，驗(yàn)證了MEMD方法的有效性。
　　(3)聯(lián)合不同通道數(shù)量對(duì)轉(zhuǎn)向架兩種故障數(shù)據(jù)進(jìn)行MEMD分解實(shí)驗(yàn)，得到能在該故障狀態(tài)時(shí)，對(duì)高速列車的運(yùn)動(dòng)進(jìn)行完備描述的最佳通道數(shù)量。結(jié)果表明，對(duì)于轉(zhuǎn)向架全拆工況，單個(gè)測(cè)點(diǎn)的橫垂兩個(gè)方向即可作相對(duì)比較完備的描述，所以只需要聯(lián)合3個(gè)通道進(jìn)行分解處理即可達(dá)到最佳效果。而對(duì)于橫向減振器不同個(gè)數(shù)失效工況，則需要橫、縱、垂三個(gè)方向的通道才能做完備的運(yùn)動(dòng)描

5、述，所以聯(lián)合6個(gè)通道數(shù)據(jù)進(jìn)行分解預(yù)處理后的識(shí)別效果最佳。
　　(4)為了研究減振器在性能參數(shù)蛻化過(guò)程中的狀態(tài)估計(jì)，提出了基于MEMD和壓縮感知的減振器性能參數(shù)蛻化程度評(píng)估方法。利用MEMD算法對(duì)列車多通道數(shù)據(jù)進(jìn)行聯(lián)合預(yù)處理，對(duì)分解得到的多元IMF進(jìn)行信息熵特征提取，得到原始高維特征集，再采用壓縮感知算法對(duì)其進(jìn)行壓縮降維（特征低維最佳維數(shù)根據(jù)Fisher比率確定），得到去除冗余次要的低維特征，最后采用支持向量機(jī)對(duì)低維特征進(jìn)行分類識(shí)別