基于变分模态分解的高速列车转向架故障诊断

《基于变分模态分解的高速列车转向架故障诊断》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、国内图书分类号：TP391密级：公开国际图书分类号：621.3西南交通大学研究生学位论文基于变分模态分解的高速列车转向架故障诊断年级2015级姓名李昌喜申请学位级别工程硕士专业电气工程指导老师苟先太副教授二零一八年五月ClassifiedIndex:TP391U.D.C:621.3SouthwestJiaotongUniversityMasterDegreeThesisFAULTDIAGNOSISOFHIGH-SPEEDTRAINBOGIEBASEDONVIBRATIONSIGNALDECOMPOSITIONGrade:Postgraduate2015C

2、andidate:LiChangxiAcademicDegreeAppliedfor:MasterSpeciality:ElectricalEngineeringSupervisor:Prof.GouXiantaiMar，2018西南交通大学硕士研究生学位论文第I页摘要长期高速运行的服役状态会造成高速列车转向架关键部件性能蜕化甚至故障等情况，导致的安全事件将造成严重的经济损失甚至人员伤亡。研究发现，与正常状态相比，列车故障振动信号在时域或者频域内具有特定的分布规律。因此，有效利用高速列车振动信号进行关键部件的故障诊断和定位，可以保障列车的安全运行。然而，

3、由于列车自身和外界环境因素的影响，列车振动信号是一种非线性、非平稳信号。利用时域和频域分析方法很难提取有效的特征信息，迫切需要新的特征提取方法。另外，传统多类分类方式的分类重叠、不可分、分类时误差累计传播的现象及多类分类模型的层次结构构建问题直接影响故障诊断准确率。针对以上问题，论文应用基于参数优化变分模态分解和改进多尺度样本熵的特征分析方法对信号处理，以构建的特征向量为基础，利用图论聚类求解多类分类模型的层次结构。论文的主要研究内容如下：1前期信号处理时，利用变分模态分解算法在时频域对转向架关键部件的故障振动信号处理。针对该算法中模态分量个数和惩罚因子

4、两个组合参数的选取问题，应用粒子群优化算法自动搜索最优参数组合，提出了基于参数优化的变分模态分解算法。为了解决粒子群优化算法局部最优和迭代效率问题，引入遗传算法的交叉和变异两种操作方式对其进行改进。以目标函数最小化作为迭代目标，通过基于交叉变异的粒子群优化算法找出变分模态分解算法的最优参数组合。2特征定量分析时，利用多尺度样本熵方法定量分析有效模态分量。针对该算法粗粒化过程中部分信息丢失的现象和粗粒化后数据个数呈指数减少的问题，通过连续的平移滑动改进其粗粒化过程，论文提出了一种改进的多尺度样本熵方法。3针对故障分类过程中一对一和一对多等传统多类分类方法存

5、在不可分、分类重叠和误差累计传播而导致的分类准确率低的问题，论文提出了一种基于图论聚类的多类分类模型层次结构的设计方法。利用特征提取算法得到的特征向量来计算各个类之间的可分性测度，通过Prim搜索算法求解最小生成树，依据最大阈值进行切割得到多类分类模型的层次结构。实验结果表明：基于交叉变异的粒子群优化算法能有效解决局部最优问题，并且后期具有较高的迭代效率。变分模态分解方法处理故障振动信号时能有效改善模态混叠和减少虚假分量的存在。利用改进的多尺度样本熵定量分析有效模态分量，熵值计算结果具有更好的稳定性和区分性。图论聚类算法构建的层次结构更能清晰地说明故障类

6、型对列车车体振动数据的影响，并且更加准确地实现故障类型的定位。西南交通大学硕士研究生学位论文第II页关键词：高速列车转向架；故障诊断；变分模态分解；多尺度样本熵；图论聚类西南交通大学硕士研究生学位论文第III页AbstractDuringlong-termserviceofhigh-speedtrains,keycomponentsisdegradedandfault.Accidentshappenedsometimecausingseriouseconomiclossesandcasualties.Thefaultvibrationsignalsoft

7、rainhavespecificdistributioninthetimeorfrequencydomaincomparingwiththenormalstate.Effectivelyusingthetrainvibrationsignalstodiagnosethefaultofthebogieisgreatsignificanttoensuretrainssafelyoperating.However,becauseoftheinfluenceoftrainitselfandexternalenvironment,thevibrationsigna

8、lsarenonlinearandnon-stationary.Itisdiff