基于RS-LSSVM的高速列车走行部滚动轴承故障诊断研究

针对高速列车走行部滚动轴承故障诊断模型构建时间较长、诊断准确率不高的问题,提出一种基于粗糙集(RS)和最小二乘支持向量机(LSSVM)的方法。该方法利用小波包变换构造能量特征集,使用粗糙集属性约简算法对离散后的能量特征集处理,得到最小约简,将其输入到基于最小二乘支持向量机的故障诊断模型中进行状态识别。测试实例证明了粗糙集属性约简算法不仅保留了能量特征集的重要属性,缩短了后期故障诊断模型构建时间,而且保证了故障诊断的准确率,其模型构建时间为0.071 s,故障诊断准确率为100%。因此,RS和LSSVM相结合是一种优秀的故障诊断方法,可以作为高速列车走行部滚动轴承故障诊断的新思路。

高速列车走行部监测系统全冗余技术方案研究

为保障列车走行部轴承关键部件的可靠监测,确保列车安全稳定运营,文章提出一种高速列车走行部监测系统全冗余架构,其采用"双智能诊断单元+双通道传感器"方案,解决了传统列车走行部监测系统监测盲区问题。基于全冗余架构,根据地面、车载数据特点、平台特点和应用场景的不同,文中给出相应的诊断模型。其中,地面模型以趋势预测为主,基于"深度神经网络+循环神经网络"的模型框架,利用海量历史数据提取时序特征参数,建立早期故障检测模型;车载模型以实时诊断为主,通过双通道波形检测的交互判断,实时对车辆级、列车级双通道传感器波形一致性进行诊断识别,并结合时速为350 km的动车组进行实际应用。应用结果表明,采用全冗余技术可以降低误报传感器故障的风险,提高诊断系统的可靠性,保障列车安全稳定运行。

一种基于最优频带的走行部故障检测方法

基于振动信号的走行部故障诊断是目前列车健康监测的重要途径之一,选择准确的解调频带是故障识别的先决条件。由于列车走行部结构复杂、运行环境恶劣,早期故障信号容易被各种干扰信号遮蔽。针对走行部复杂的振动环境,结合故障识别(fault diagnosis,FD)算法在三分法的基础上引入了循环分量占比(ratio of cyclic content, RCC),提出了RCCFD算法。通过对仿真信号、滚动台振动信号、列车轴箱振动信号的对比分析,结果表明:RCC-FD算法能够在强循环脉冲干扰、随机脉冲干扰的工况下提取出以目标故障特征信息为主导的最优频带,同时具有更高的计算效率,更加适用于列车走行部实时故障诊断。