论文部分内容阅读
高速道岔是铁路线路的重要部件,同时也是轨道上的薄弱部分,与列车运行速度和安全性能密切相关。因此,研究道岔伤损识别对保障列车高效、安全运行具有重要意义。列车过岔产生的振动信号具有拾取方便、测量方式灵活、适用范围广等优点,蕴含了丰富的道岔伤损信息,对其进行分析,可提取出有效的伤损特征信息。鉴于以上分析,本文对基于振动信号的道岔伤损识别方法进行了研究。此外,在振动信号采集过程中,可能因传感器故障导致数据丢失,影响伤损识别的准确性。因此,本文还研究了一种基于压缩感知理论的振动数据修复方法。本文主要研究内容可概述如下：(1)针对道岔振动信号丢失数据恢复问题,提出基于K-奇异值分解和ROMP的道岔振动数据修复方法。该方法参考压缩感知中的数据重构思想,构造符合道岔数据丢失模型的观测矩阵,并利用K-奇异值分解训练出能有效对信号稀疏表示的字典,最后选择重构速度快、重构精度高的ROMP算法对信号重建。根据道岔振动信号特点,选择时域和频域统计特征作为评价指标。实测道岔振动信号的修复结果表明,本文方法可有效改善信号的时频域统计指标,且修复效果优于传统的基于DCT正交基和OMP的重构方法。(2)针对道岔裂纹伤损特征提取和状态监测问题,提出基于CEEMD奇异熵和LSSVM的高速道岔裂纹伤损识别方法。该方法充分利用CEEMD分析非平稳信号的优势和奇异熵度量序列复杂度的功能,提取出的IMF奇异熵能较好的反映道岔伤损特征。不同测点的特征融合又减小了单一测点伤损特征信息的不确定性和模糊性。最后将伤损特征向量输入LSSVM进行训练测试。模拟实验平台的振动信号分析结果表明,本文方法比基于EMD、基于EEMD方法等具有更好的识别效果。此外,在信噪比高于20dB时,本文方法受噪声影响小,算法稳定性好。最后总结了本文的研究成果,并对未来的工作进行了展望。