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

摘要

由于论文研究对象——走行部故障监测信号（由安装在转向架不同位置的若干加速度传感器测得），是故障源及走行部其他结构部件受轨道不平顺等因素影响，所形成的若干振动模式的线性或非线性混合;此外，因测量条件的限制，监测信号中不可避免的叠加有噪声。因此，从车辆动力学建模与受力分析的角度出发，建立系统微分方程，实现对各故障的定性分析存在很大的困难与挑战;相对地，从监测数据特征分析的角度出发（考虑到监测数据中必然包含走行部相应部件的故障信息），展开走行部几种常见故障对高速列车动力学性能的影响探究实验具有一定优势。
　　本文基于3类振动监测数据——数据1:高速列车走行部单一、复合故障共10种工况仿真数据;数据2:武广线车载GPS实测4种工况车轮踏面磨损数据;数据3:含4种单一故障工况及3种内环性能退化工况的轴承故障标准数据集，展开了如下特征提取、特征选择研究实验:
　　(1)为充分认识走行部若干类型故障的特点及影响，结合时-频域图、6维时域统计指标、20维奇异值特征做了初步研究，拟解决如下问题:a）.所提取的初步特征能否将不同故障有效分开;b）.所提取的初步特征能有效否反应部件性能退化规律;此外，还探究了行车速度变化对列车平稳性的影响。
　　(2)从多尺度分析角度出发，结合信息熵算法在故障分析中的应用，以减振器全拆状态下的走行部单一、复合故障仿真数据工况1-7为研究对象，通过统计特征提取、SVD算法、多尺度信息熵模型等展开监测信号特征提取工作，得到各故障的原始高维特征;然后采用流形学习中的S-ISOMAP算法对高维特征进行非线性降维;此外，为进一步验证降维后低维特征的有效性及优异性，做了基于Fisher比率分别对高、低维特征进行评价的补充实验;结果表明:S-ISOMAP算法对高维故障特征降维时，能在最大程度保留有用信息的前提下，去除高维特征中对分类贡献度低的次要冗余特征（如一些Fisher比率值接近0的特征），得到的低维特征对7种工况的可分性更好。
　　(3)为充分认识车轮踏面磨损程度对列车运行平稳性的影响，运用奇异谱相对熵与灰色绝对关联度这两个特征来衡量踏面磨损过程，得到如下结论:当新轮踏面处于未磨损状态时，奇异谱相对熵取值较小，接近于0，而关联度取值较大，接近于1;相对地，若踏面磨损程度越深，其监测信号与正常状态信号的相似性越小，计算得到的相对熵取值越大，灰色关联度取值越小。
　　(4)采用二次统计特征提取与CS算法特征降维相结合的思路，进一步探索各故障内在规律;走行部故障仿真数据实验及轴承单故障标准数据集实验结果都表明:a）.二次统计特征对故障监测信号的区分能力，要远好于相同情况下对原始信号直接提取时域统计特征的结果;b）.运用CS算法对高维故障特征降维，所得的低维特征对各工况数据具有较好的可分性。

目录

声明

摘要

第1章 绪论

1．1 论文选题背景介绍

1．2 论文故障特征分析算法介绍

1．2．1 流形学习故障特征降维

1．2．2 压缩感知故障特征降维

1．3 故障特征分析现状及本文研究思路

1．4 论文章节安排

第2章 走行部若干故障类型及实验数据介绍

2．1 数据来源及仿真环境介绍

2．1．1 数据1详细介绍

2．1．2 数据2详细介绍

2．1．3 数据3详细介绍

2．2 常规统计指标介绍

2．3 SVD理论

2．4 走行部常见故障介绍及初步分析

2．4．1 抗蛇形减振器失效分析

2．4．2 空气弹簧失效分析

2．4．3 横向减振器失效分析

2．4．4 复合故障失效分析

2．4．5 走行部单一、复合故障特征初步分析

2．4．6 复合故障形成机理探究

2．5 行车速度变化对列车运行平稳性的影响探究

2．6 轴承故障标准数据集特征初步分析

2．6．1 轴承单故障数据初步分析

2．6．2 轴承内环性能退化数据初步分析

2．7 本章小结

第3章 基于多尺度信息熵与流形学习的单一、复合故障分析

3．1 基于多尺度信息熵的故障特征提取

3．1．1 多尺度信息熵原理

3．1．2 奇异谱熵算法

3．1．3 Renyi熵算法

3．1．4 幅值谱熵算法

3．1．5 基于多尺度信息熵的仿真信号实验

3．1．6 基于多尺度信息熵的轴承故障标准数据集实验

3．1．7 基于多尺度信息熵的走行部单一、复合故障数据实验

3．2 基于S-ISOMAP与Fisher比率的故障特征分析

3．2．1 S-ISOMAP算法降维原理

3．2．2 Fisher比率特征评价原理

3．2．3 基于S-ISOMAP及Fisher比率的特征分析步骤

3．2．4 基于S-ISOMAP与Fisher比率的轴承故障标准数据集实验

3．2．5 基于S-ISOMAP与Fisher比率的走行部单一、复合故障数据实验

3．3 本章小结

第4章 基于奇异谱相对熵与灰色绝对关联度的性能退化研究

4．1 性能退化数据特征分析算法介绍

4．1．1 奇异谱相对熵算法

4．1．2 灰色绝对关联度算法

4．1．3 性能退化数据特征分析流程

4．2 基于奇异谱相对熵与灰色绝对关联度的仿真信号实验

4．3 基于奇异谱相对熵与灰色绝对关联度的轴承内环性能退化实验

4．4 基于奇异谱相对熵与灰色绝对关联度的车轮踏面磨损数据实验

4．5 本章小结

第5章 基于二次统计特征提取与压缩感知降维的故障分析

5．1 基于二次统计特征提取的故障分析模型

5．1．1 二次统计特征原理

5．1．2 轴承故障标准数据集的二次统计特征提取

5．1．3 全拆状态下的走行部故障数据二次特征提取实验

5．1．4 非全拆状态下的走行部故障数据二次特征提取实验

5．2 基于压缩感知的故障特征降维

5．2．1 压缩感知算法

5．2．2 基于压缩感知的故障特征降维步骤

5．2．3 轴承故障标准数据集压缩感知降维实验

5．2．4 全拆状态下的走行部故障数据压缩感知降维实验

5．2．5 非全拆状态下的走行部故障数据压缩感知降维实验

5．3 本章小结

总结及展望

致谢

参考文献

攻读硕士学位期间发表的学术论文和参与的项目