原文传递
基于分形理论的高速列车状态分析与故障诊断研究
| 论文题名： | 基于分形理论的高速列车状态分析与故障诊断研究 |
| 关键词： | 高速列车;状态识别;故障诊断;分形理论 |
| 摘要： | 近年来我国高速列车装备技术飞速发展，铁路干线运行时速不断提高，对列车安全预警和健康维护也提出了更大的挑战。列车长期高速服役导致零部件磨耗加快、车体振动加剧等安全性能恶化，利用传感器技术对高速列车进行跟踪监测获得海量列车振动数据，这些数据蕴含了丰富的列车状态信息。如何利用这些监测数据反演识别列车的安全性态，对于保障高速列车安全运行具有重要的研究价值和工程意义。本文针对高速列车监测数据的非线性和非平稳性，利用分形理论对高速列车监测数据进行特征分析，研究基于分形理论的高速列车状态识别与故障诊断决策方案。主要研究工作如下: (1)总结了国内外基于数据驱动的列车性态评估和分形故障诊断技术的研究现状，分析了高速列车转向架结构与振动特点，利用Hurst指数论证了高速列车监测数据的自相似分形特性，提出基于单重分形和多重分形的列车状态分析方案。 (2)以盒维数为特征量，研究了列车正常状态和单故障（空簧失气、抗蛇行减振器失效、横向减振器失效）四种典型工况监测数据的单重分形特性，基于盒维数特征利用比较归类法对列车状态进行识别。为克服盒维数仅能表征整体分形性的局限性，提高盒维数特征状态识别能力，提出基于EMD和盒维数的列车状态识别方案，实验表明，该方案能够有效提高列车状态识别率。 (3)全面分析了列车四种典型工况监测数据的质量指数谱、多重分形谱和广义维数谱，结果表明不同工况的多重分形特性具有明显的差异，且故障越严重，多重分形性越强。基于由多重分形谱参数和广义维数谱参数构成的联合特征向量，利用SVM进行列车状态模式识别。并引入主元分析消除特征量之间的相关干扰，提出基于PCA和SVM的多重分形状态识别方案，实验表明，该方案能够有效提高列车状态识别率。 (4)分析了列车复杂故障（参数渐变故障、混合故障和单故障单拆）工况监测数据的多重分形特性，探讨了高速列车在参数渐变故障过程中的特征分布规律，混合故障与单故障对列车安全性态的影响，单故障单拆工况时列车安全性态的特征分布规律，结果表明，复杂故障工况下列车振动仍呈现出一定的规律。 |
| 作者： | 李潭 |
| 专业： | 通信与信息系统 |
| 导师： | 谭献海 |
| 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
