基于数学形态学的高速列车安全性态分析

发布时间：2017-07-31 02:17

  本文关键词：基于数学形态学的高速列车安全性态分析

  更多相关文章： 高速列车监测数据 数学形态学 改进自适应形态小波 形态学分形 形态学神经网络 踏面擦伤 渐变故障

【摘要】：高速列车在长期服役过程中,其安全性态将发生变化,利用传感器监测到海量的列车振动数据,这些振动数据蕴含着大量的列车状态信息,能够反映列车的运行状态。如何有效利用这些长期跟踪获得的监测数据,进而提取出能够表征高速列车运行状态的特征参数,对高速列车运行状态进行反演和识别具有重要意义。因此,针对高速列车,本文提出基于数学形态学的高速列车安全状态识别方法,提取出能够反映列车状态信息的特征参数,来实现高速列车安全状态的识别。主要完成了以下研究工作：1.结合列车轴箱与车轮振动关系以及轨道激扰对列车振动的影响,分析了通过周期性冲击响应提取车轮踏面擦伤的可行性；通过对高速列车轴箱振动模型的分析,提出采用改进的自适应形态提升小波(IAMGLW)对列车轴箱垂向振动信号分析的方法；实测轴箱垂向振动信号的分析结果证明了IAMGLW对分析高速列车轴箱振动信号的有效性。与自适应形态提升小波(AMGLW)相比,IAMGLW通过前置滤波以及对梯度阈值的改进使其能够有效地保留一定梯度范围内的冲击响应,滤除幅值较大的随机冲击且抗噪能力强。2.分析了高速列车振动传播的途径,以及二系横向减振器和抗蛇形减振器工作原理,从而找出适合监测这两种减振器性能变化的传感器通道。提出使用形态学分形来识别二系横向减振器阻尼渐变以及抗蛇形减振器阻尼渐变的方法,用提取形态学分形维数作为特征进行渐变状态识别。3.构造性形态学神经网络算法(CMNN)是一种数学形态学与传统的神经网络模型相结合的一种非线性神经网络,有较强的实用性。其训练算法根据形态学联想记忆而来,在测试过程中采用形态学算子将测试样本归类于训练得到的超盒之中。由于其测试过程无法正确地将落在超盒外的样本进行分类,后有人提出了一种基于模糊格的形态学神经网络(FL-CMNN),该算法用样本与超盒的隶属度判断提高了原CMNN算法的分类效果,但增加了算法的复杂程度且分类效果不稳定。这里提出一种基于构造性形态学神经网络算法的提升算法(LCMNN),该算法继承了原有的形态学算子运算速度快的优点且能够将落在超盒之外的样本进行准确地归类。数值试验表明,基于构造性形态学神经网络算法的提升算法(LCMNN)与其他几种算法相比,能够达到最好的分类效果,而且简单易行,计算时间少。本文的研究内容由国家自然科学基金重点项目《基于监测数据的高速列车服役安全性态评估的关键问题研究》提供支持。
【关键词】：高速列车监测数据 数学形态学 改进自适应形态小波 形态学分形 形态学神经网络 踏面擦伤 渐变故障
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：U270.1;O189
【目录】：

• 摘要6-7
• Abstract7-11
• 第一章 绪论11-18
• 1.1 课题的背景及意义11
• 1.2 基于监测数据进行列车故障特征分析的研究现状11-13
• 1.3 数学形态学的理论与应用13-16
• 1.3.1 数学形态学的发展简史13
• 1.3.2 数学形态学基本理论13-15
• 1.3.3 数学形态学在故障诊断上的应用15-16
• 1.4 本文主要的研究内容16
• 1.5 本文结构安排16-18
• 第二章 高速列车走行部故障机理及故障数据分析18-24
• 2.1 高速列车走行部上的关键部件18-20
• 2.1.1 轮对19
• 2.1.2 空气弹簧19-20
• 2.1.3 横向减振器20
• 2.1.4 抗蛇行减振器20
• 2.2 高速列车振动分析20-21
• 2.3 高速列车振动数据介绍21-23
• 2.4 本章小结23-24
• 第三章 基于自适应形态提升小波的车轮踏面擦伤识别24-35
• 3.1 含车轮踏面擦伤的轴箱振动垂向信号的数学模型24-25
• 3.2 自适应形态提升小波的改进方案25-27
• 3.2.1 自适应形态提升小波25-26
• 3.2.2 改进的自适应形态提升小波26-27
• 3.3 仿真实验与实测信号分析27-34
• 3.3.1 仿真信号分析27-29
• 3.3.2 高速列车轴箱振动信号分析29-34
• 3.3.3 高速列车垂向振动信号的自适应形态提升小波特征34
• 3.4 本章小结34-35
• 第四章 基于形态学分形的高速列车渐变状态识别35-46
• 4.1 分形的基本概念35-36
• 4.2 形态学分形维数36-37
• 4.3 实验与结果分析37-45
• 4.4 本章小结45-46
• 第五章 基于形态学神经网络的高速列车特征分类46-56
• 5.1 形态学神经网络简介46-50
• 5.1.1 构造性形态学神经网络(CMNN)46-47
• 5.1.2 模糊格形态学神经网络47-48
• 5.1.3 构造性形态学神经网络的提升算法48-50
• 5.2 仿真数据测试50-52
• 5.3 高速列车特征分类测试52-55
• 5.4 本章小结55-56
• 总结与展望56-58
• 总结56-57
• 展望57-58
• 致谢58-59
• 参考文献59-65
• 攻读硕士学位期间发表的学术论文和参与的项目65

【参考文献】

中国博士学位论文全文数据库 前1条

1 黄彩虹;高速车辆减振技术研究[D];西南交通大学;2012年

，

本文编号：597054