基于多源信息的高速列车走行部故障识别新方法

《基于多源信息的高速列车走行部故障识别新方法》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、基于多源信息的高速列车走行部故障识别新方法朱建渠u，金炜东朱斌h3(1.西南交通大学电气工程学院，四川成都610031;2.重庆科技学院，重庆401331；3.长江师范学院，重庆涪陵408100)摘要:针对商速列车安全性能跟踪监测点多、监测数据S人、走行部故障识别难的问题，提出了一种基于模糊证裾理论的多特征、多源信息融介的走行部故障识别新7/法。该厶法酋先根据不同的传感器信息的某类特征属于不同故障模式卜'的隶屈度间的差异来计算传感器间的信息融合度，利用融合度来确定不M传感器在融合屮的权重，从而得到M类特征不

2、uj传感器间信息融合后的隶展度;然后由融合后的隶属度转化为基本概率

3、分配函数；最后用证据理论对不同特征阋信息进行融合。实验结來农明，该方法能有效地识别列车正常、空气弹赞失气、抗蛇形减宸器全拆、横向减宸器全拆叫种工况，同时在不冋速度下均取得了满意的识别率，验证了该方法的有效性。关键词：髙速列车；信息融介；故障识别；熵特征中图分类号：U266文献标识码：AHigh-speedtrainrunninggearfaultfeatureextractionandrecognitionbasedonharmonicwaveletpackettransformZHUJian-quh2JINWei-dong1ZHUBin1，3(1.SchoolofElect

4、ricEngineering,SouthwestJiaotongUniversityChengdu610031;2.ChongqingUniversityofScienceandTechnology,Chongqing，401331;3.ChangjiangNormalUniversity，Chongqing，408100)Abstract:Tosolvetheproblemthatthefaultidentificationofhighspeedtrainisdifficult，afaultfeatureextractionandidentificationmethodba

5、sedonharmonicwaveletpacketdecompositionandresemblancecoefficientwasproposed.Harmonicwaveletpackettransformisusedtoextractfaultfeaturevectorconsistingofthebandenergywhichcanreflectthecharacteristicsofvarioustypesoffault.Bycalculatingandcomparingresemblancecoefficientofthesignalfeaturevectora

6、nddifferenttypesoffaultfeaturevectors,themethodcanidentifyandclassifythefaults.Experimentalresultsshowthatthefaults，includingthenormaltrain,springairoflossair,withoutanti-yawshockabsorberandwithouttransverseshockabsorber，canbeidentifyeffectively.Atdifferentspeeds，recognitionratesaresatisfac

7、toryandthevalidityofthemethodisverified.Keywords:highspeedtrain;harmonicwavelet;featureextraction;resemblancecoefficient高速列车由于持续的高速运行，异致列车走行部磨损加快、振动加剧，对高速列车走行部进行奋效的故障诊断和识別，是实现及时维护，降低使用维护成木，保证列车运行安全的关键。关干列车走行部故障特征的研究，国内外主要集屮在对振动信号进行时频分析。如小波分析法^3］、短时傅里叶变换经验模式分解

8、5’6’71、幅度谱特征

9、81。以上方法都足针对单一传感器、单

10、一故障进行分析。由于高速列走行部车传感器众多，监测数据内容丰富，涉及面广，数据的影响因素多，且相互关联，同一种故障可用不M的特征指标来描述，M—种症状表基金项目:国家自然科学基金资助项目(61134002)现往往又是几种故障相互作用的结果。检测景与故障特征之间，故障特征与故障源之间都是一种非线性映射。因此，故障的多样性、不确定性和各种故障之间联系的复杂性构成了故障识别技术上的难点［9］。仅靠单一传感器和单一故障特征量的方法不能综合考虑各方面的因素，从而造成识别效果不好，难以完成识别任务，比较合理的方法