【摘 要】
：
为了完善现有地铁轨道振动测试评价体系的不足之处,从而更全面地研究地铁轨道的振动传递特性.首先利用加速度传感器,以某地铁线路的减振道床和普通整体道床轨道为研究对象进行振动测试,然后采用“1/3倍频程分析”对两者的钢轨、道床、隧道壁分频振级进行对比分析,最后采用“传递函数分析”方法对振动在钢轨、道床、隧道壁的传递过程进行了研究.研究表明:由于不同轨道结构的基础约束存在差异,减振道床的钢轨与道床的振动响应略大于普通整体道床,而隧道壁竖向的振动响应显著低于普通整体轨道,因此减振道床的减振效果主要体现于对列车垂向振
【机 构】
：
广州地铁设计研究院股份有限公司,广州 510010;南昌大学 信息工程学院,南昌 330031;中南大学 土木工程学院,长沙 410075
论文部分内容阅读
为了完善现有地铁轨道振动测试评价体系的不足之处,从而更全面地研究地铁轨道的振动传递特性.首先利用加速度传感器,以某地铁线路的减振道床和普通整体道床轨道为研究对象进行振动测试,然后采用“1/3倍频程分析”对两者的钢轨、道床、隧道壁分频振级进行对比分析,最后采用“传递函数分析”方法对振动在钢轨、道床、隧道壁的传递过程进行了研究.研究表明:由于不同轨道结构的基础约束存在差异,减振道床的钢轨与道床的振动响应略大于普通整体道床,而隧道壁竖向的振动响应显著低于普通整体轨道,因此减振道床的减振效果主要体现于对列车垂向振动能量的耗散.“1/3倍频程分析”以及“传递函数分析”两者方法侧重点不同,两种方法互为补充,对于地铁轨道减振效果的分析与评估均具有十分重要的意义.通过引入“传递函数分析”对地铁轨道振动特性进行研究分析,可以更加全面地评估减振道床的减振效果.
其他文献
多故障源的耦合问题,一直以来都是诊断领域面临的最大难题之一,能否实现多源信号解耦将直接影响故障诊断的准确性.在信源卷积混合的前提下,以多通道反卷积理论为基础,首先研究多故障源混合信息的特征分离方法.接着借助卷积混合后的仿真信号,研究反卷积系统的关键参数——初始滤波器长度对分离效果的影响.进而提出一种自适应的多源信息分离方法.为了确定分离系统的输入通道数量,基于小波分析与奇异值分解完成信号的源数估计;再通过设定滤波器长度的迭代区间,计算出不同参数下分离系统输出信号的时域指标,并自动选取最佳长度使得分离结果最
模态耦合是微机电系统(Micro-Electro-Mechanical System,MEMS)陀螺仪的主要误差来源,针对这个问题,首先从建立陀螺的两自由度动力学模型入手,研究非理想模态耦合条件下的参数激励方法.然后,将多尺度法、龙格-库塔法(Runge-Kutta methods)和牛顿迭代法(Newton-Raphson method)等综合分析方法应用于该模型,表征模态耦合对参数驱动的影响.最终的仿真结果表明,通过适当调节参数激励的强度可以有效地放大两个模态的振动振幅,特别是当参数激励进入不稳定区域
风力发电机叶片结冰故障直接影响风力发电机的运行安全和发电效率.针对这一问题,提出一种基于一维残差神经网络(1DRes-CNN)的叶片结冰诊断模型,该模型通过风机SCADA数据进行风机叶片结冰故障诊断.首先通过标记标签、数据分割、类间平衡和归一化对SCADA数据进行预处理;然后基于叶片结冰物理机制和XGBoost特征重要性计算选取与叶片结冰最相关的特征;最后利用构建好的1DRes-CNN模型进行叶片结冰诊断、实验结果表明,经过优化选取的特征,相较于SCADA全部特征作为1DRes-CNN模型输入,风叶结冰诊
针对旋转机械早期故障信号微弱,富含大量噪声的问题,提出麻雀优化算法(SSA)和随机共振(SR)相结合的微弱信号提取方法.首先,对大参数信号进行变尺度处理,使其满足SR的要求;其次,以信噪比作为目标函数,运用SSA算法优化SR模型的结构参数,利用系统的SR实现微弱信号信噪比的提高;最后,通过仿真信号验证所提出方法的有效性,并将该方法应用于轴承内圈故障和轻度磨损钻头微弱信号的提取中.结果表明:提出的方法对微弱信号的提取性能优于传统的SR模型以及PSO-SR模型,有效提高了信号信噪比,实现了故障微弱信号的提取与
在多尺度平行因子分析理论的基础上,将原始信号经过多尺度小波分解得到三维时频信号,再经平行因子分析得到通道加载因子、时间加载因子和频率加载因子,通过实验分析,后二者可以明显地表征设备正常或故障状态,利用这一特征建立不同状态的离心泵与其对应的时间加载因子和频率加载因子的映射关系,并以此作为改进粒子群算法优化后的支持向量机分类器的特征向量进行故障分类.与小波包能量特征相比,所提的这种诊断方法用于离心泵故障诊断时提取特征更为简便,所提分类器的分类准确率有显著提高,而其复杂度却没有明显增加.
针对滚动轴承发生故障时非线性信号特征难以提取导致诊断效率较低的难题,提出一种基于参数优化改进的多尺度排列熵(Multi-scale permutation entropy,MPE)与核极限学习机(Kernel extreme learning machine,KELM)相结合的故障诊断方法.首先,使用关联积分法(C-C算法)对MPE的嵌入维数和时间延迟进行优化;其次,计算滚动轴承振动信号在选定的经验参数与优化参数下各尺度的排列熵值并以此构建特征向量;最后,利用KELM对滚动轴承进行故障分类.结果表明,参数
针对磁浮列车辅助变流器的外转子风机轴承短期内失效问题,首先开展风机装车线路运行和台架安装变频运行的振动测试和频响测试,结合外转子风机双质量振子系统的分析,揭示风机轴承过度磨损故障的原因为耦合共振,耦合共振是由风机4倍电磁激振力波及4倍电流谐波激励与其定转子同向运动轴向振动模态产生的.然后提出基于故障振动形态和实测载荷谱归纳方法的故障复现试验方案,并在振动台上成功复现故障.最后给出调整波形弹片的刚度、优化辅助变流器电源谐波电流和适当提高风机转速的整改方案.研究成果可为类似结构的故障定位、分析和复现提供理论指
对某地铁普通整体道床地段与钢弹簧浮置板道床地段隧道内和车内噪声进行测试,研究列车内外噪声辐射大小及频谱特性.研究结果表明:隧道内距离轨面越近,噪声越高,说明轮轨噪声为主要噪声源;同一轨道区段,不同车厢内噪声峰值频率相同,但是噪声峰值有略微区别;浮置板地段,隧道内噪声在40 Hz～125 Hz频段,车内噪声在20 Hz～400 Hz频段较普通道床地段有所增大,其他频段隧道内和车内噪声均不大于普通道床地段;对隧道内和车内噪声的1/3倍频程声压级曲线进行A计权处理,普通道床和浮置板道床地段声压级峰值频率较计权之
针对大圆机的大型薄壁齿轮在制造与装配过程中容易产生偏心问题,提出一种基于振动信号的齿轮偏心故障检测方法.首先,利用偏斜度解卷积(Skewness Deconvolution,SED)增强振动信号中的齿轮偏心故障特征.其次,运用经验模态分解(Empirical Mode Decomposition,EMD)将目标信号分解为有限个固有模式分量(Intrinsic Mode Function,IMF).然后,提出加权-相关频峭度指标(Weighted Correlation-frequency Kurtosis
有效的智能故障诊断模型已经成为机械设备故障预测与健康管理的研究热点,故障诊断模型建立的重点工作是学习高分辨率的故障特征,传统方法往往过多依赖于人工或者先验知识,故急需以一种智能方式从输入信号中自动地提取特征.首先利用SAE从振动信号的频谱中学习特征,并选用L1正则化约束SAE的学习能力防止模型产生过拟合现象;随后选用Softmax回归函数建立故障分类器,将提取的信号特征输入其中实现故障类型的分类.最后通过一组滚动轴承实验数据对所提方法的准确性进行验证,实验结果显示这种深度神经网络方法在进行轴承智能故障诊断