论文部分内容阅读
在列车长期服役过程中,其转向架上关键部件的磨耗会导致性能产生不同程度的蜕化,这会影响列车运行的安全性和乘坐的舒适度,因此列车安全预警与健康维护显得尤为重要。高速列车运行中,分布在列车各个位置的传感器会监测到海量的数据,而对这些数据所包含的故障信息进行特征提取,并反演高速列车的健康运行状况是目前研究的热点和难点。针对监测数据的非线性和非平稳性,本文引入了具有自适应特点的聚合经验模态分解(EEMD),同时结合不同的特征提取方法,研究分析了轨道波浪弯曲不平顺,横向减振器和抗蛇行减振器性能蜕化以及横向减振器不同个数失效三类工况。(1)研究了经验模态分解(EMD)的相关理论,为解决其产生的模态混叠现象,在EMD基础上引入了由白噪声辅助的聚合经验模态分解(EEMD)方法,EEMD既能将信号按不同的时间尺度分解,获得信号的局部信息,也能对抑制模态混叠的发生有很好的效果。(2)阐述了小波脊线法提取信号频率和幅值特征的理论,并利用EEMD和小波脊线法相结合的特征提取方法,用于检测轨道波浪弯曲不平顺。首先对列车监测数据进行EEMD预处理,选择包含较多原信号信息的IMF分量,然后利用小波脊线法提取其频率和幅值两个特征,判断其是否符合轨道波浪弯曲不平顺的特点,从而实现在时频域对轨道波浪弯曲不平顺的检测。(3)针对横向减振器和抗蛇行减振器性能蜕化的振动特性,提出了经验模态互相关分析法,并定义了经验模态互相关系数,用其作为定量描绘减振器不同蜕化程度的特征。利用该方法分析两类减振器蜕化程度的仿真数据,将提取的经验模态互相关系数输入到支持向量机中进行分类识别,实验结果证明了该方法的可行性。(4)为了研究高速列车振动信号的局部复杂度特性,对EEMD分解得到的IMF分量分别提取排列熵和关联维数两个特征,可获取信号不同频带上的复杂度信息。以横向减振器不同个数失效的工况数据为分析对象,分别用这两种方法对该数据进行特征提取,结果表明：两种特征提取方法均能够很好的表征横向减振器不同个数失效的工况,且基于EEMD排列熵的方法优于基于EEMD关联维数的方法。本文工作得到国家自然科学基金重点项目(No.61134002)的资助。