基于MEMD的高速列車安全性態(tài)評估應用研究.pdf

1、高速列車運行速度的不斷提高，給列車安全運行的保障工作帶來了更大的挑戰(zhàn)。列車運行過程中，安裝在列車各位置上的傳感器將監(jiān)測到大量的振動信號數(shù)據(jù)，對這些數(shù)據(jù)進行信號特征分析，并通過分類器得到列車在服役過程中的運行狀態(tài)，從而快速而準確地對列車進行安全性態(tài)評估。由于高速列車上所布置的傳感器通道間存在相關性，傳統(tǒng)特征分析方法在對高速列車監(jiān)測數(shù)據(jù)進行特征提取時，只能先單個通道處理，再在后期進行特征級別的數(shù)據(jù)融合，這不利于同一物理系統(tǒng)產(chǎn)生的振動信號的分

2、析。本文針對高速列車監(jiān)測數(shù)據(jù)多通道問題，分析多元經(jīng)驗模態(tài)分解(MultivariateEmpirical Mode Decomposition，MEMD)算法特性，研究了MEMD算法在高速列車信號處理中的應用。主要完成了以下研究工作:
　　(1)研究了MEMD算法，為了進一步減少模式混疊現(xiàn)象，將高斯白噪聲添加到MEMD分解過程中，引入噪聲輔助MEMD。采用轉向架關鍵部件全拆工況數(shù)據(jù)對噪聲輔助MEMD方法進行性能評估，結果表明:噪聲

3、輔助MEMD比標準MEMD更具優(yōu)越性，而且添加2個噪聲通道時其性能達到最好。
　　(2)提出了基于MEMD和信息熵的特征提取方法。將MEMD算法用于高速列車轉向架全拆工況和橫向減振器不同個數(shù)失效工況信號的分解預處理，利用相關系數(shù)法對分解得到的多元固有模態(tài)函數(shù)(Intrinsic Mode Function，IMF)進行篩選，再對篩選結果提取三種信息熵（樣本熵、排列熵、多元多尺度熵）特征，最后將提取到的特征作為支持向量機的輸入，進行

4、故障分類識別。采用單一變量法對其他特征提取方法進行了對比，驗證了MEMD方法的有效性。
　　(3)聯(lián)合不同通道數(shù)量對轉向架兩種故障數(shù)據(jù)進行MEMD分解實驗，得到能在該故障狀態(tài)時，對高速列車的運動進行完備描述的最佳通道數(shù)量。結果表明，對于轉向架全拆工況，單個測點的橫垂兩個方向即可作相對比較完備的描述，所以只需要聯(lián)合3個通道進行分解處理即可達到最佳效果。而對于橫向減振器不同個數(shù)失效工況，則需要橫、縱、垂三個方向的通道才能做完備的運動描

5、述，所以聯(lián)合6個通道數(shù)據(jù)進行分解預處理后的識別效果最佳。
　　(4)為了研究減振器在性能參數(shù)蛻化過程中的狀態(tài)估計，提出了基于MEMD和壓縮感知的減振器性能參數(shù)蛻化程度評估方法。利用MEMD算法對列車多通道數(shù)據(jù)進行聯(lián)合預處理，對分解得到的多元IMF進行信息熵特征提取，得到原始高維特征集，再采用壓縮感知算法對其進行壓縮降維（特征低維最佳維數(shù)根據(jù)Fisher比率確定），得到去除冗余次要的低維特征，最后采用支持向量機對低維特征進行分類識別