面向高铁走行部故障诊断算法的研究与实现
发布时间：2021-05-10 12:28
高速列车走行部是保证高速列车正常行驶的重要组成部分。由于走行部发生的故障将会直接影响到高速列车的安全运行,因此确保走行部的正常工作是保障列车运行安全的前提。为了解决传统的故障诊断算法普遍存在的诊断准确率不高的问题,提高针对高速列车走行部的运行状态诊断算法的准确率是高速列车故障诊断系统中重要的研究内容之一。本文把安装在高速列车走行部上的多个加速度传感器中采集到的列车信号作为初始实验源数据,提出和实现一个基于多传感器多特征的高速列车走行部故障诊断算法。本文主要研究工作如下:1.传感器信号的特征处理。提出一种面向多传感器多特征的特征处理MSMFP方法,即:（1）利用信息熵与集合经验模态分解实现对传感器信号的特征提取,并建立初始特征空间;（2）提出特征融合SEPMFI算法实现对单传感器的多特征融合;（3）通过MSFFC方法设计和实现多传感器同一特征的特征组合来建立新特征空间。2.构建故障特征空间。采用K-means聚类算法计算特征的故障可区分度,实验结果显示,新特征空间的故障可区分度比初始特征空间的故障可区分度高。判别并选择具有最高故障可区分度的特征构成故障特征空间。3.确定故障识别算法。分别...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：58 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
缩略语
第一章 绪论
1.1 研究背景
1.2 国内外研究现状
1.3 研究目的及意义
1.4 研究内容
1.5 论文结构
第二章 理论基础与相关技术
2.1 走行部简介
2.1.1 数据来源
2.2 信号处理技术
2.2.1 EEMD
2.2.2 信息熵
2.3 多传感器信号处理的数学计算基础
2.3.1 中值
2.3.2 均值
2.3.3 模糊理论与隶属度
2.4 特征选择和故障识别方法
2.4.1 K-means
2.4.2 KNN
2.4.3 SVM和 PSO-SVM
2.5 本章小结
第三章 走行部信号数据特征处理
3.1 MSMFP特征处理方法
3.2 单传感器特征提取
3.2.1 能量熵
3.2.2 功率谱熵
3.2.3 奇异谱熵
3.3 单传感器特征融合
3.4 多传感器特征组合
3.5 本章小结
第四章 高速列车走行部故障诊断算法实现
4.1 算法设计
4.1.1 特征处理
4.1.2 特征选择
4.1.3 故障识别
4.2 算法实现
4.2.1 特征处理
4.2.2 特征选择
4.2.3 故障识别
4.3 本章小结
第五章 实验结果与分析
5.1 实验准备
5.1.1 实验环境
5.1.2 实验流程
5.2 实验结果分析
5.3 本章小结
第六章 总结与展望
6.1 工作总结
6.2 展望
致谢
参考文献
【参考文献】：
期刊论文
[1]基于粒子群优化支持向量机算法的行驶工况识别及应用[J]. 石琴,仇多洋,吴冰,李一鸣,刘炳姣. 中国机械工程. 2018(15)
[2]基于RS-LSSVM的高速列车走行部滚动轴承故障诊断研究[J]. 贺德强,陈二恒,李笑梅,刘旗扬. 广西大学学报(自然科学版). 2017(02)
[3]基于EEMD降噪和流形学习的高速列车走行部故障特征提取[J]. 于萍,金炜东,秦娜. 铁道学报. 2016(04)
[4]基于多源信息的高速列车走行部故障识别方法[J]. 朱建渠,金炜东,郑高,朱斌. 振动与冲击. 2014(21)
[5]基于排列组合熵的高速列车走行部故障分析[J]. 石国良,李晓,金炜东,苟先太. 计算机应用研究. 2014(12)
[6]常见的功率谱估计方法及其Matlab仿真[J]. 邓泽怀,刘波波,李彦良. 电子科技. 2014(02)
[7]基于谐波小波包变换的高速列车走行部故障特征提取与识别[J]. 朱建渠,金炜东,朱斌,李艾. 合肥工业大学学报(自然科学版). 2013(06)
[8]基于EEMD的奇异谱熵在旋转机械故障诊断中的应用[J]. 高清清,贾民平. 东南大学学报(自然科学版). 2011(05)
[9]机械设备故障诊断概述[J]. 张伽,赵彬. 价值工程. 2010(33)
[10]空气弹簧的现状及其发展[J]. 张利国,张嘉钟,贾力萍,黄文虎,张学伟. 振动与冲击. 2007(02)
博士论文
[1]数据驱动的滚动轴承故障特征分析与诊断方法研究[D]. 俞啸.中国矿业大学 2017
[2]列车轮对故障振动特性及诊断关键技术研究[D]. 王靖.中南大学 2012
硕士论文
[1]Hadoop平台下的分布式SVM算法及其应用研究[D]. 熊定鸿.西南交通大学 2016
[2]高速列车状态识别系统设计与应用[D]. 彭萍萍.西南交通大学 2016
[3]基于改进的SVM和t-SNE高速列车走行部故障诊断[D]. 张雨晨.西南交通大学 2016
[4]基于Spark并行计算框架的高铁走行部振动数据处理方法研究[D]. 李明.西南交通大学 2016
[5]基于Hadoop和GPU混合模型的高铁大数据处理关键技术研究[D]. 陈志.西南交通大学 2016
[6]基于流形学习与压缩感知的高速列车走行部故障特征分析[D]. 于萍.西南交通大学 2016
[7]基于互信息和RBFNN高速列车走行部故障诊断[D]. 耿继伟.西南交通大学 2015
[8]基于高速列车走行部监测数据的EEMD特征分析[D]. 郑宗琳.西南交通大学 2015
[9]基于改进D-S证据理论的高速列车走行部故障诊断研究[D]. 贺晓.西南交通大学 2015
[10]云平台下基于深度学习的高速列车走行部故障诊断技术研究[D]. 谢吉朋.西南交通大学 2015
本文编号：3179370
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：58 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
缩略语
第一章 绪论
1.1 研究背景
1.2 国内外研究现状
1.3 研究目的及意义
1.4 研究内容
1.5 论文结构
第二章 理论基础与相关技术
2.1 走行部简介
2.1.1 数据来源
2.2 信号处理技术
2.2.1 EEMD
2.2.2 信息熵
2.3 多传感器信号处理的数学计算基础
2.3.1 中值
2.3.2 均值
2.3.3 模糊理论与隶属度
2.4 特征选择和故障识别方法
2.4.1 K-means
2.4.2 KNN
2.4.3 SVM和 PSO-SVM
2.5 本章小结
第三章 走行部信号数据特征处理
3.1 MSMFP特征处理方法
3.2 单传感器特征提取
3.2.1 能量熵
3.2.2 功率谱熵
3.2.3 奇异谱熵
3.3 单传感器特征融合
3.4 多传感器特征组合
3.5 本章小结
第四章 高速列车走行部故障诊断算法实现
4.1 算法设计
4.1.1 特征处理
4.1.2 特征选择
4.1.3 故障识别
4.2 算法实现
4.2.1 特征处理
4.2.2 特征选择
4.2.3 故障识别
4.3 本章小结
第五章 实验结果与分析
5.1 实验准备
5.1.1 实验环境
5.1.2 实验流程
5.2 实验结果分析
5.3 本章小结
第六章 总结与展望
6.1 工作总结
6.2 展望
致谢
参考文献
【参考文献】：
期刊论文
[1]基于粒子群优化支持向量机算法的行驶工况识别及应用[J]. 石琴,仇多洋,吴冰,李一鸣,刘炳姣. 中国机械工程. 2018(15)
[2]基于RS-LSSVM的高速列车走行部滚动轴承故障诊断研究[J]. 贺德强,陈二恒,李笑梅,刘旗扬. 广西大学学报(自然科学版). 2017(02)
[3]基于EEMD降噪和流形学习的高速列车走行部故障特征提取[J]. 于萍,金炜东,秦娜. 铁道学报. 2016(04)
[4]基于多源信息的高速列车走行部故障识别方法[J]. 朱建渠,金炜东,郑高,朱斌. 振动与冲击. 2014(21)
[5]基于排列组合熵的高速列车走行部故障分析[J]. 石国良,李晓,金炜东,苟先太. 计算机应用研究. 2014(12)
[6]常见的功率谱估计方法及其Matlab仿真[J]. 邓泽怀,刘波波,李彦良. 电子科技. 2014(02)
[7]基于谐波小波包变换的高速列车走行部故障特征提取与识别[J]. 朱建渠,金炜东,朱斌,李艾. 合肥工业大学学报(自然科学版). 2013(06)
[8]基于EEMD的奇异谱熵在旋转机械故障诊断中的应用[J]. 高清清,贾民平. 东南大学学报(自然科学版). 2011(05)
[9]机械设备故障诊断概述[J]. 张伽,赵彬. 价值工程. 2010(33)
[10]空气弹簧的现状及其发展[J]. 张利国,张嘉钟,贾力萍,黄文虎,张学伟. 振动与冲击. 2007(02)
博士论文
[1]数据驱动的滚动轴承故障特征分析与诊断方法研究[D]. 俞啸.中国矿业大学 2017
[2]列车轮对故障振动特性及诊断关键技术研究[D]. 王靖.中南大学 2012
硕士论文
[1]Hadoop平台下的分布式SVM算法及其应用研究[D]. 熊定鸿.西南交通大学 2016
[2]高速列车状态识别系统设计与应用[D]. 彭萍萍.西南交通大学 2016
[3]基于改进的SVM和t-SNE高速列车走行部故障诊断[D]. 张雨晨.西南交通大学 2016
[4]基于Spark并行计算框架的高铁走行部振动数据处理方法研究[D]. 李明.西南交通大学 2016
[5]基于Hadoop和GPU混合模型的高铁大数据处理关键技术研究[D]. 陈志.西南交通大学 2016
[6]基于流形学习与压缩感知的高速列车走行部故障特征分析[D]. 于萍.西南交通大学 2016
[7]基于互信息和RBFNN高速列车走行部故障诊断[D]. 耿继伟.西南交通大学 2015
[8]基于高速列车走行部监测数据的EEMD特征分析[D]. 郑宗琳.西南交通大学 2015
[9]基于改进D-S证据理论的高速列车走行部故障诊断研究[D]. 贺晓.西南交通大学 2015
[10]云平台下基于深度学习的高速列车走行部故障诊断技术研究[D]. 谢吉朋.西南交通大学 2015
本文编号：3179370
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3179370.html
