高速列車轉(zhuǎn)向架故障的信息熵測(cè)度特征分析方法研究.pdf

1、隨著我國(guó)高速鐵路的發(fā)展，高速列車的安全穩(wěn)定運(yùn)行成為人們關(guān)注的熱點(diǎn)。轉(zhuǎn)向架是連接車體和軌道的唯一通道，轉(zhuǎn)向架關(guān)鍵部件的性能蛻變和故障狀態(tài)直接導(dǎo)致車體和轉(zhuǎn)向架振動(dòng)形式改變，同時(shí)也嚴(yán)重威脅到列車的運(yùn)行安全。列車車體和轉(zhuǎn)向架的振動(dòng)信號(hào)中蘊(yùn)含了豐富的信息，有效地運(yùn)用這些信息進(jìn)行轉(zhuǎn)向架關(guān)鍵部件的故障診斷、部件性能蛻化估計(jì)和故障預(yù)警，對(duì)保障列車安全穩(wěn)定運(yùn)行具有重要的理論意義和工程應(yīng)用價(jià)值。然而，列車的振動(dòng)信號(hào)是典型的復(fù)雜度高、耦合性和不確定性強(qiáng)的非線

2、性信號(hào)，傳統(tǒng)的單一特征提取方法難以達(dá)到有效識(shí)別故障的目的，亟需探尋新的特征提取和特征融合方法，以更有效地實(shí)現(xiàn)轉(zhuǎn)向架故障診斷與性態(tài)估計(jì)。
　　鑒于此，論文在系統(tǒng)分析信息測(cè)度理論主要指標(biāo)物理意義的基礎(chǔ)上，提出了信息測(cè)度理論中信息熵和復(fù)雜性測(cè)度算法與時(shí)頻分析方法相結(jié)合的特征提取和分析框架，針對(duì)高速列車轉(zhuǎn)向架故障信號(hào)特征提取、關(guān)鍵部件性能蛻化估計(jì)、多特征融合與降維等問(wèn)題，開(kāi)展了以下研究工作:
　　1)論文研究了5種小波信息熵在表征機(jī)

3、械振動(dòng)信號(hào)方面的含義和小波信息熵測(cè)度在高速列車轉(zhuǎn)向架故障識(shí)別中的適用性，并將其應(yīng)用于高速列車轉(zhuǎn)向架故障振動(dòng)信號(hào)的特征提取。將多種小波信息熵構(gòu)成高維特征向量用于轉(zhuǎn)向架關(guān)鍵部件的故障狀態(tài)識(shí)別。
　　2)將信息測(cè)度與聚合經(jīng)驗(yàn)?zāi)B(tài)分解方法相結(jié)合，研究了一系列經(jīng)驗(yàn)?zāi)B(tài)信息熵和經(jīng)驗(yàn)?zāi)B(tài)復(fù)雜度，提出了基于經(jīng)驗(yàn)?zāi)B(tài)信息測(cè)度的高速列車轉(zhuǎn)向架故障特征提取方法。該方法首先對(duì)高速列車轉(zhuǎn)向架故障仿真信號(hào)進(jìn)行聚合經(jīng)驗(yàn)?zāi)B(tài)分解，對(duì)分解后的各個(gè)固有模態(tài)函數(shù)進(jìn)行篩

4、選，最后分別提取信息測(cè)度指標(biāo)作為故障信號(hào)的特征。通過(guò)對(duì)轉(zhuǎn)向架故障類型的正確識(shí)別，驗(yàn)證了經(jīng)驗(yàn)?zāi)B(tài)分解下的信息測(cè)度在高速列車故障信號(hào)特征提取中的可行性與有效性。
　　3)為了解決列車實(shí)際運(yùn)行時(shí)出現(xiàn)的部件服役性態(tài)逐漸蛻變過(guò)程中的狀態(tài)估計(jì)問(wèn)題，論文提出了一種基于關(guān)聯(lián)信息測(cè)度的特征提取方法。分析了部件性能蛻變的各個(gè)階段振動(dòng)信號(hào)與正常狀態(tài)下振動(dòng)信號(hào)之間的關(guān)聯(lián)關(guān)系，對(duì)該關(guān)聯(lián)關(guān)系進(jìn)行量化分析，以表征部件參數(shù)的蛻變程度，據(jù)此提出了利用互相關(guān)樣本熵和

5、相對(duì)聚合經(jīng)驗(yàn)?zāi)B(tài)能量熵來(lái)描述轉(zhuǎn)向架的性能蛻化的特征。最后用方差分析與多重分析的結(jié)果證明了關(guān)聯(lián)信息測(cè)度特征值在不同性能蛻化水平下的顯著差異性，并給出了利用特征均值的概率密度函數(shù)進(jìn)行性能蛻變的具體估計(jì)方法。
　　4)為了更好地剔除冗余特征和不良特征、提高運(yùn)算效率、有效降低特征維數(shù)，提出了結(jié)合多準(zhǔn)則特征選擇和流形學(xué)習(xí)降維方法的復(fù)合信息測(cè)度模型。在復(fù)合信息測(cè)度模型中，首先構(gòu)建了包含了時(shí)域、頻域、時(shí)頻域以及信息測(cè)度泛化特征的高維特征集合，通

6、過(guò)Relief算法、馬氏距離、Fisher比率三個(gè)準(zhǔn)則進(jìn)行特征排序，并對(duì)三種排序結(jié)果進(jìn)行加權(quán)平均獲得融合的特征選擇結(jié)果，再進(jìn)行流形降維，仿真數(shù)據(jù)與動(dòng)車組實(shí)測(cè)數(shù)據(jù)試驗(yàn)結(jié)果驗(yàn)證了該復(fù)合信息測(cè)度模型的有效性，降低特征維數(shù)的同時(shí)在所有傳感器通道上顯著提高了故障識(shí)別率。
　　論文進(jìn)行了大量的仿真數(shù)據(jù)實(shí)驗(yàn)和實(shí)測(cè)數(shù)據(jù)實(shí)驗(yàn)，結(jié)果證明了所提特征提取方法和模型的有效性，為數(shù)據(jù)驅(qū)動(dòng)方法來(lái)解決轉(zhuǎn)向架故障識(shí)別和部件性能蛻變估計(jì)提供了一種新的研究思路。