原文传递
基于SFA的高速列车牵引系统故障诊断研究
| 论文题名： | 基于SFA的高速列车牵引系统故障诊断研究 |
| 关键词： | 高速列车牵引系统;故障诊断;多元统计;慢特征分析;核方法 |
| 摘要： | 高速列车是现代交通运输体系中的重要组成部分。作为高速列车的核心，牵引系统的平稳运行对整车安全具有重要意义。然而随着牵引系统工作时长的增加，内部电器元件和机械元件极易发生老化、磨损等问题，影响列车运行，甚至导致出现严重故障，这将给乘客的生命安全和财产安全带来巨大的安全隐患。因此，为保障列车的可靠性，针对高速列车牵引系统的故障诊断研究十分必要。牵引系统结构复杂、运行环境多变，传统故障诊断方法直接应用于牵引系统中效果有限。本文针对高速列车牵引系统的系统特性，基于多元统计(Multivariableanalysis,MVA)方法，提出了利用慢特征分析(SlowFeatureAnalysis,SFA)的故障检测方案。本文主要研究了以下几方面内容： （1）为平衡牵引系统故障检测性能，降低发生漏报的概率，提出了一种基于概率慢特征分析（ProbabilityRelatedSlowFeatureAnalysis,PRSFA）的故障检测方法。将Kullback-Leibler散度(KL散度)引入慢特征分析方法中，能够充分利用故障信息会导致慢度特征概率分布异常的特性。通过SFA分析方法提取牵引系统数据中慢度特征，利用KL散度进一步定量分析离线数据和在线数据慢度特征的概率分布差异，构建评价函数完成对故障的检测。经实验仿真，验证了该方法能够及时地检测到故障，相较于已有同类算法具有更好的检测性能，在误报率(FAR)可接受的同时实现更低的漏报率(MAR)。 （2）针对非线性牵引系统的微小故障检测，提出了一种基于KL散度和深度核慢特征分析（DeepKernelSlowFeatureAnalysis,DKSFA）的故障检测模型。首先，利用核方法将低维线性不可分的牵引系统数据映射到高维空间，使其在特征空间线性可分，再通过慢特征分析方法的降维提取其中变化缓慢的慢度特征。其次，通过深度核慢特征分析方法，将所得到的慢度特征进行多重映射，深度挖掘容易被噪声掩盖的微小故障信息，提高对微小故障的灵敏度。最后，通过KL散度构建的评价函数进行检测任务，保障了微小故障的检测性能。经过实验仿真及对比分析，验证了该方法能够有效处理非线性牵引系统数据，深度挖掘微小故障信息，检测到容易被噪声掩盖的微小故障，具有更好的检测性能。 |
| 作者： | 张瑞婷 |
| 专业： | 信息与通信工程 |
| 导师： | 翟双 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长春工业大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
