原文传递
基于VMD排列熵和模糊聚类的S700K转辙机状态评估
| 论文题名： | 基于VMD排列熵和模糊聚类的S700K转辙机状态评估 |
| 关键词： | S700K转辙机;运行状态评估;变分模态分解;改进多尺度排列熵;模糊聚类算法 |
| 摘要： | S700K转辙机是高速化铁路中实现线路转换的关键设备，随着高速铁路运行密度和运行速度的进一步发展，对S700K转辙机在健康、亚健康、故障和严重故障等不同状态等级下的划分成为保证铁路安全运行的首要前提。针对S700K转辙机在动作过程中，其动作功率曲线特性与状态信息之间的一致性，本文旨在提取能够充分表征状态信息的功率曲线特征指标。以S700K转辙机功率曲线的状态特征向量为输入对象，提出基于多变量支持向量机的S700K转辙机故障诊断算法。根据故障诊断存在的不足，提出利用模糊聚类分析实现S700K转辙机运行状态评估的算法。本文研究内容主要包括： (1)在状态信息提取中，首先利用变分模态分解(VariationalModeDecomposition,VMD)在处理非线性、非平稳时序信号时的优势，对S700K转辙机动作功率曲线进行分解，并得到具有不同频率特性的细节分量；然后，为表征不同细节分量的微小特征，利用改进多尺度排列熵(ImprovedMultiscalePermutationEntropy,IMPE)量化其信号复杂度；最后，为消除信号冗余和充分表征状态信息，利用核主元分析算法处理特征集，选用贡献率在95%以上的特征值作为运行状态特征向量。 (2)在故障诊断中，提出基于多变量支持向量机(MultivariableSupportVectorMachine,MSVM)的S700K转辙机故障诊断算法。一方面为证明改进多尺度排列熵算法在状态特征提取中的有效性，分别比较在VMD-MPE-MSVM和VMD-IMPE-MSVM两种算法下故障诊断率；另一方面根据不同训练集样本下故障诊断率稳定性差的问题，且受限于S700K转辙机样本数据集采集困难，引出后续不需要样本训练的状态评估方法。 (3)在运行状态评估中，首先建立S700K转辙机在健康、亚健康、故障和严重故障下的典型功率曲线标准集；然后，将不同状态等级下功率曲线的状态特征向量作为输入向量，利用模糊聚类分析算法建立S700K转辙机运行状态评估模型；最后，通过现场实例进行验证，当测试集中的功率曲线输入状态评估模型时，能够以动态聚类图的形式直观表达状态评估情况。 |
| 作者： | 李政 |
| 专业： | 轨道交通电气自动化 |
| 导师： | 魏文军 |
| 授予学位： | 硕士 |
| 授予学位单位： | 兰州交通大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
