原文传递
盲分离算法在高速列车监测数据分析中的应用
| 论文题名： | 盲分离算法在高速列车监测数据分析中的应用 |
| 关键词： | 高速列车;监测数据;传感器;盲分离算法 |
| 摘要： | 在经济快速发展的客观环境下，列车的高速行驶也逐渐成为一种主流需求。安全是高速列车发展的先决条件，因此基于高速列车监测数据的安全性能评估研究具有重要性和必要性。大多数学者对高速列车单故障工况的研究较多，但是对高速列车多故障工况研究较少，高速行驶的列车一旦发生多故障或多部件参数严重蜕变将会产生更严重的后果。基于监测数据的多故障研究遇到比单故障更多更复杂的问题，例如如何选取用于分析高速列车的传感器通道及选取个数、如何选取有效的多故障诊断算法、对选取的多故障分析方法如何改进更具有实践性等等诸多关键性难题。针对高速列车传感器分布和信号特点，结合盲源分离算法出色的分离特性，本文从单通道和多通道盲源分离算法角度分析高速列车多故障问题。 本文介绍的高速列车故障类型包括空簧失气、抗蛇行减振器故障、横向减振器故障、空簧和横向减振器混合故障、横向减振器和抗蛇行减振器混合故障、空簧和抗蛇行减振器混合故障等。本文分析思路是选择合适的传感器通道，先对采集的故障信号滤波、均值化、预白化等预处理，然后运用对应的盲源分离算法实现多故障信号的分离，最后用基于特征提取的方法评价盲分离效果。本文分析的数据包括多故障的全拆数据、非全拆数据和参数渐变数据，其中，全拆数据是某一工况对应的部件全部拆除的情况，非全拆数据是选取了拆除一个部件的情况，参数渐变数据是部件由正常到完全故障性能蜕变的过程。 盲源分离算法的选取是建立在高速列车监测数据和传感器分布特点的基础上的，重点运用了基于信息论的KICA算法和基于代数结构的矩阵联合近似对角化算法。KICA算法用于单通道盲分离算法，分析单个传感器采集信号中的独立成分，首先用EEMD作为升维方法，用PCA作为源个数的估计方法，然后结合KICA算法原理找到合适的目标函数和优化算法，最后提取并选择合适的特征，用SVM实现盲分离效果的识别。矩阵联合近似对角化算法是用于多通道盲分离算法，选取合适的多个传感器通道是该算法分析的关键，把预处理之后信号进行联合近似对角化分析并找到合适的目标矩阵和实现该目标矩阵的算法，最后对源信号及其估计分别提取特征集作为该盲分离算法分离效果的评价。在此基础上，把算法也用在全拆、非全拆和参数渐变工况的仿真数据分析中。 |
| 作者： | 谷千伟 |
| 专业： | 电气工程 |
| 导师： | 金炜东 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西南交通大学 |
| 学位年度： | 2015 |
| 正文语种： | 中文 |
检索历史
应用推荐
