论文部分内容阅读
地铁塞拉门故障诊断是保障城市地铁系统平稳运行不可或缺的一环,也是乘客安全出行的重要保障。当地铁塞拉门发生故障时,如何准确识别出故障类型并制定相应的维修策略是地铁维保领域的研究热点。本文以江苏某地铁车辆段模拟测试平台中采集到的地铁塞拉门电机电流数据为基础,将信号分析方法与智能故障诊断方法相结合,探索更有效的地铁塞拉门故障诊断策略。首先,分析了地铁塞拉门结构与工作原理,研究了常见故障的发生机制,以其中4类典型故障为研究对象,基于电机电流信号分析法,制定了相应的故障诊断策略。其次,介绍了经验模态分解（Empirical Mode Decomposition,EMD）理论,针对EMD方法本身的端点效应和模态混叠问题,引入镜像延拓和集合经验模态分解方法进行改进,并采用仿真信号和实测信号进行对比验证。进一步地,搭建了自适应优选故障特征提取模型,该模型首先使用改进EMD对故障信号进行分解,得到表征不同频段的固有模态函数（Intrinsic mode function,IMF）,随后依据Spearman相关系数剔除其中的虚假分量,提取有效分量中的无量纲参量与能量特征参量作为原始故障特征,并依据敏感指标进一步筛选出其中的优选特征。实验分析表明,通过本文特征提取方法获取的故障特征优于传统特征提取方法,能够获得更好的分类效果。再次,以鲸鱼群算法（Whale optimization algorithm,WOA）优化多分类支持向量机（Multi-class support vector machine,MSVM）的分类模型为基础,针对鲸鱼群算法在寻优迭代初期种群多样性缺失和后期易陷入局部最优等缺陷,引入混沌对立学习和非线性收敛策略进行改进,并通过测试函数对改进鲸鱼算法（IWOA）进行性能测试。进一步地,结合特征提取工作构建了改进EMD和IWOA-MSVM故障诊断模型,并通过不同分类算法进行对比验证。结果表明,本文构建的故障诊断算法的诊断准确率达到93.75%,相较于本文对比的其他传统方法有更好的综合诊断性能。最后,通过MATLAB GUI设计平台,开发出一款地铁塞拉门离线故障诊断上位机可视化界面,该界面操作简单、诊断准确率高且诊断过程具有良好的稳定性,可以为地铁塞拉门故障诊断的可视化分析过程提供一定的参考价值。