高速列车转向架蛇行失稳的MEEMD-LSSVM预测模型

为预测列车转向架蛇行失稳异常运动状态,提出一种改进的集总平均经验模态分解-最小二乘法支持向量机(MEEMD-LSSVM)的预测模型。以转向架正常、过渡、蛇行失稳3种状态下振动信号为研究对象,通过MEEMD对信号进行分解,再用Hilbert变换(HT)分析其时频能量特征,最后采用固有模态函数(IMF)的能量特征作为LSSVM的输入,通过识别过渡状态,预测列车蛇行失稳。试验表明,列车处于330~350km/h之间时,预测准确率为93.33%,并且MEEMD-LSSVM方法准确率和计算耗时优于EEMD-SVM方法,证明该预测模型的有效性和快速性。

基于MEEMD香农熵-LSSVM的高速列车蛇行失稳诊断方法

针对列车高速运行时易出现蛇行失稳这一问题,提出了一种改进的集合经验模态分解(modified ensemble empirical mode decomposition,MEEMD)香农熵—最小二乘法支持向量机(least squares support vector machine,LSSVM)的高速列车蛇行失稳诊断方法。首先通过MEEMD对列车330~350 km/h时转向架构架的横向振动信号进行分解,得到固有模态函数(intrinsic mode function,IMF),再通过Hilbert变换(HT)分析其时频聚集性,同时提取IMF分量的香农熵特征,最后用LSSVM进行训练和识别。结果表明,转向架蛇行失稳状态下的时频分布的聚集性较正常状态下好,并且MEEMD香农熵-LSSVM方法的识别率和计算耗时优于EEMD-SVM方法,识别率达到96.67%。

改进LMD和排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号的复杂特性和局部均值分解(Local Mean Decomposition,LMD)方法存在的端点效应问题,提出了基于振动信号自相似性对左右端点两侧延拓来抑制端点效应问题的改进LMD、排列熵(Permutation Entropy,PE)及优化K-均值聚类算法相结合的轴承故障诊断方法。首先通过改进LMD将非线性、非平稳的原始故障振动信号分解出一系列的乘积函数(Production Function,PF)分量,对包含主要故障信息的PF分量提取PE值作为故障特征分量,在提取特征量的基础上,最后采用优化后的K-均值聚类算法对故障类型进行识别分类。将该方法应用在滚动轴承实验数据,实验结果表明该方法可以准确、有效的实现滚动轴承的故障诊断。

基于MEEMD-HT的高速列车转向架蛇行失稳特征分析

为研究高速列车蛇行失稳时转向架横向、纵向和垂向的时频能特征，针对集合经验模态分解（EEMD）的模态分裂问题．提出一种改进的集合经验模态分解一Hilbert变换（MEEMD—HT）方法，首先对列车速度330～350km／h时转向架蛇行失稳状态下的横向、纵向和垂向振动信号进行MEEMD分解，再通过HT分析MEEMD—HT能量谱和边际谱，并将MEEMD—HT分析结果与集合经验模态分解-Hilbert变换（EEMD—HT）对比。结果表明：列车蛇行失稳时，横向失稳现象最为明显，频率、能量分布高度集中，振动最为剧烈，纵向、垂向相对次之，但失稳现象显著；同时，MEEMD—HT方法能够体现出信号的时频能细节分布特征，优于传统的EEMD—HT方法。

基于D-S证据理论高速列车横向失稳故障判别研究

为解决高速列车发生横向失稳故障时,转向架的运行情况难以被单一传感器测量得到全面信息以及准确地反应等问题,提出利用多个加速度传感器组成多信息源网络系统,建立基于多信息源的高速列车横向失稳故障决策融合诊断系统。由于高速列车发生横向失稳故障存在复杂的轮轨耦合关系,导致列车横向失稳故障状态诊断难度大,基于此提出D-S证据理论方法融合系统中各个传感器中测量数据信息并应用于高速列车横向失稳故障状态判别。结果表明:基于D-S证据理论方法与任何单一传感器诊断结果相比,识别效果更好,对正常状态、小幅蛇行以及大幅蛇行故障状态的识别率分别达92.3%、82.89%、88.67%,证明该方法有效。

基于EEMD能量熵的高速列车蛇行诊断研究

为解决列车高速运行时,出现的蛇行失稳故障难以被准确识别的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)熵特征和最小二乘法支持向量机(least squares support vector machine,LSSVM)的高速列车蛇行异常运动状态的诊断方法。首先通过EEMD对高速列车蛇行故障振动信号进行分解,再提取固有模态函数(intrinsic mode function,IMF)分量的样本熵特征、香农熵特征和能量熵特征,最后分别用LSSVM进行训练和识别。试验结果表明:高速列车在330~350 km/h的运行速度下,EEMD熵特征-LSSVM方法能准确识别高速列车蛇行失稳状态,并且LSSVM的输入特征为能量熵特征时,识别效果优于样本熵特征和香农熵特征,识别率达到95%。

基于IMF重构-SLLE的高速列车转向架故障特征提取

在故障特征提取方面,传统的典型特征提取方法往往需要深入理解信号特性、结合工程实践经验提取故障特征,从而极大程度上孤立了特征提取和智能诊断两个环节,导致在针对复杂多变的机械设备海量信号时,提取反映信号特性的典型特征往往效果不理想。针对该问题,提出一种基于IMF重构-SLLE的新的特征提取方法,该方法首先把EEMD分解得到的IMF分量重构成高维向量,并利用SLLE优良的非线性维数约简能力对信号进行降维。实验表明:IMF重构-SLLE特征提取方法优于传统的EEMD典型特征提取方法,并把此方法应用到高速列车转向架故障状态识别中,识别率高达97.78%,具有重要的工程应用价值。

大件运输车-桥耦合动力学分析

特殊大件运输车货质量可达千吨,在判断大件运输车辆能否安全通过桥梁时,以桥梁跨中挠度作为评判标准关键指标。该文以四川德阳市石亭江大桥为例,采用Auto CAD软件对大桥进行建模,而车辆的模型以尼古拉斯全液压平板车组为模版进行建模,然后在ADAMS软件中对车辆与桥梁进行耦合动力学分析,研究不同轴数、轴距、轴线载荷的大件运输车辆通过桥梁时桥梁跨中挠度的变化情况。建立的模型和分析结果可以用于预估大件运输车辆通过桥梁时的跨中挠度,为大件运输车辆桥梁通过性提供定量分析方法。

基于代理模型的高速列车齿轮箱裂纹识别

为建立裂纹结构动力响应与裂纹参数之间的解析关系从而对齿轮箱裂纹进行有效识别,提出一种可替代原有高精度分析模型的计算量小且计算精度较高的基于代理模型的裂纹识别方法。利用初始样本通过有限元与插值算法建立裂纹结构参数与动力响应之间的Kriging代理模型对应关系,从而代替原有的物理参数模型与结构响应关系,有效减少有限元计算次数,并通过随机粒子群优化方法对建立的代理模型进行全局裂纹参数寻优。通过一个悬臂梁结构的数值算例,对所提方法进行有效验证,并将该方法应用到某高速列车齿轮箱的裂纹识别中,结果表明该方法能够有效地对结构裂纹进行识别。

小波包熵与多核学习在列车转向架轴承故障诊断中的应用

为提高列车转向架轴承故障诊断的准确性和效率,提出一种基于小波包熵和多核学习的列车轴承故障智能诊断方法。该方法通过对轴承振动信号进行小波包分解,提取小波包特征分量,通过广义信息熵的概念定义了小波包特征熵函数,最后基于多核学习训练出的分类器对轴承故障类型进行分类,判断轴承的工作状态。实验结果表明,该方法可以准确、有效地实现列车轴承的故障判别,为列车转向架轴承早期故障诊断的研究提供一定的新的思路。

公路大件运输货物安全仿真分析

我国公路大件运输在确保货物安全方面,基本上以实际的工程项目经验和理论公式验算为评判标准,并且大部分相关研究将重点放在大件货物的外廓尺寸通过性上。提出了一种基于ADAMS/Car的货物安全仿真分析方法,首先分析了公路大件运输过程中影响货物安全的因素,然后在ADAMS/Car中建立大件运输车货系统模型及三维路面模型,并在建立的路面模型中对车货系统进行动力学仿真分析。通过仿真结果与试验结果对比分析,确定出垂向加速度影响大件运输货物安全性这一关键因素,并在ADAMS中对此影响因素进行了频谱和功率谱特性验证,得到了通过改变货物装载方式等方式可对货物安全隐患进行规避,从而提高大件货物运输的安全性。