基于數(shù)學(xué)形態(tài)學(xué)的高速列車安全性態(tài)分析.pdf

1、高速列車在長期服役過程中，其安全性態(tài)將發(fā)生變化，利用傳感器監(jiān)測(cè)到海量的列車振動(dòng)數(shù)據(jù)，這些振動(dòng)數(shù)據(jù)蘊(yùn)含著大量的列車狀態(tài)信息，能夠反映列車的運(yùn)行狀態(tài)。如何有效利用這些長期跟蹤獲得的監(jiān)測(cè)數(shù)據(jù)，進(jìn)而提取出能夠表征高速列車運(yùn)行狀態(tài)的特征參數(shù)，對(duì)高速列車運(yùn)行狀態(tài)進(jìn)行反演和識(shí)別具有重要意義。因此，針對(duì)高速列車，本文提出基于數(shù)學(xué)形態(tài)學(xué)的高速列車安全狀態(tài)識(shí)別方法，提取出能夠反映列車狀態(tài)信息的特征參數(shù)，來實(shí)現(xiàn)高速列車安全狀態(tài)的識(shí)別。主要完成了以下研究工作:

2、
　　1.結(jié)合列車軸箱與車輪振動(dòng)關(guān)系以及軌道激擾對(duì)列車振動(dòng)的影響，分析了通過周期性沖擊響應(yīng)提取車輪踏面擦傷的可行性;通過對(duì)高速列車軸箱振動(dòng)模型的分析，提出采用改進(jìn)的自適應(yīng)形態(tài)提升小波(IAMGLW)對(duì)列車軸箱垂向振動(dòng)信號(hào)分析的方法;實(shí)測(cè)軸箱垂向振動(dòng)信號(hào)的分析結(jié)果證明了IAMGLW對(duì)分析高速列車軸箱振動(dòng)信號(hào)的有效性。與自適應(yīng)形態(tài)提升小波(AMGLW)相比，IAMGLW通過前置濾波以及對(duì)梯度閾值的改進(jìn)使其能夠有效地保留一定梯度范圍內(nèi)的

3、沖擊響應(yīng)，濾除幅值較大的隨機(jī)沖擊且抗噪能力強(qiáng)。
　　2.分析了高速列車振動(dòng)傳播的途徑，以及二系橫向減振器和抗蛇形減振器工作原理，從而找出適合監(jiān)測(cè)這兩種減振器性能變化的傳感器通道。提出使用形態(tài)學(xué)分形來識(shí)別二系橫向減振器阻尼漸變以及抗蛇形減振器阻尼漸變的方法，用提取形態(tài)學(xué)分形維數(shù)作為特征進(jìn)行漸變狀態(tài)識(shí)別。
　　3.構(gòu)造性形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)算法(CMNN)是一種數(shù)學(xué)形態(tài)學(xué)與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的一種非線性神經(jīng)網(wǎng)絡(luò)，有較強(qiáng)的實(shí)用性。

4、其訓(xùn)練算法根據(jù)形態(tài)學(xué)聯(lián)想記憶而來，在測(cè)試過程中采用形態(tài)學(xué)算子將測(cè)試樣本歸類于訓(xùn)練得到的超盒之中。由于其測(cè)試過程無法正確地將落在超盒外的樣本進(jìn)行分類，后有人提出了一種基于模糊格的形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)(FL-CMNN)，該算法用樣本與超盒的隸屬度判斷提高了原CMNN算法的分類效果，但增加了算法的復(fù)雜程度且分類效果不穩(wěn)定。這里提出一種基于構(gòu)造性形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)算法的提升算法(LCMNN)，該算法繼承了原有的形態(tài)學(xué)算子運(yùn)算速度快的優(yōu)點(diǎn)且能夠?qū)⒙湓诔兄?/p>