基于小波包分解和集合经验模态分解的列车转向架轴承智能故障诊断方法

提取故障特征不理想、诊断速度慢等是目前现有列车转向架轴承故障诊断方法存在的主要不足。本文提出了一种列车转向架轴承故障的智能诊断方法。该方法将小波包分解和集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)结合在一起,充分提取信号故障特征,并利用能量判别法和故障识别搜索算法进行故障模式识别,进一步提高了故障诊断速度。为了验证该方法的有效性,构建了轴承实验台,测试分析了广州地铁列车3种故障状态的转向架轴承。实验结果表明,该方法能够充分提取故障特征,迅速锁定搜索频段,准确识别轴承故障,提高了列车转向架轴承故障的诊断速度和准确性。     

基于EMD广义能量的列车车轮故障诊断技术

针对列车车轮故障诊断,研究基于经验模态分解(EMD)广义能量法诊断技术。首先对钢轨振动信号进行经验模态分解,选取出有效本征模函数分量并赋予权重系数,然后求出各分量的能量加权和作为该信号的EMD广义能量值,最后确定出正常车轮的EMD广义能量安全域阈值,判断车轮的故障状态。采用仿真的正常及故障车轮的钢轨振动信号进行实验,验证提出的方法对正常和故障车轮的识别准确率达到90%以上。     

基于EEMD和RBFNN的列车滚动轴承故障诊断研究

针对列车滚动轴承振动信号的非高斯、非平稳性特征,提出一种基于集合经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)和径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)相结合的滚动轴承故障诊断方法,利用EEMD方法对振动信号进行分解,得到前8个本征模态函数(Intrinsic Mode Functions,IMF)分量,将归一后的IMF能量特征向量作为RBF神经网络的输入向量构建故障诊断模型,从而实现滚动轴承的故障识别。将RBF神经网络方法和BP(Back Propagation)神经网络进行对比,本文提出的方法能精确识别正常轴承、滚动体故障、外圈故障和内圈故障等4种轴承状态,为提高列车滚动轴承故障诊断的准确性和实时性提供了新思路。     

货车转向架蛇行运动极限环的快速求解方法

利用描述函数和基波快速求解非线性条件下货车转向架的蛇行极限环,可以直接获得稳态下转向架主要部件的振幅、相位与频率等模态特征。通过对导出的非线性方程运用数值迭代方法求解,给出了某货车转向架在不考虑和考虑轮缘接触2种情况下的极限环解。     

风载对高速列车蛇行运动稳定性影响

采用空气动力学和车辆动力学2种分析方法，建立考虑横风作用的高速列车空气动力学模型，分析不同风速及车速条件下列车所受的气动载荷特性变化规律；建立车辆-轨道耦合动力学模型，对高速列车在不同风速横风和轨道不平顺组合作用下头车、尾车和中间车的蛇行失稳临界速度、蛇行振动极限环幅值、蛇行振动频率、蛇行失稳特征等进行对比分析。结果表明：高速列车通过横风区段时产生的气动载荷对其蛇行失稳临界速度有明显影响，头车的蛇行临界速度较无风时明显下降，尾车及中间车的降幅次之；无风与风载工况下车辆的蛇行失稳形式存在本质区别，无风工况下车辆易发生二次蛇行，风载作用下车辆易发生一次蛇行；风载作用下，车辆发生蛇行失稳的最不利工况为较大的等效气动横向力和较大的气动升力共同作用的组合工况；风载和轨道不平顺的持续时间对车辆蛇行运动极限环振动幅值会产生影响，因此在评估高速列车在大风工况下的运行安全性时，有必要考虑实际的风载和轨道不平顺激励的大小和持续时间。     

基于多尺度时频图与卷积神经网络的车轮故障智能诊断

铁道车辆车轮故障的产生,不仅会增大列车的振动和噪声使乘坐舒适性下降,而且会加速车辆及轨道零部件的损伤,严重时还会引发事故,因此对车轮服役状态的实时监测对保证列车安全运营具有重要意义。针对现有铁道车辆车轮故障诊断方法存在自适应能力弱、准确率低等不足,提出一种基于多尺度时频图与卷积神经网络(CNN)相结合的车轮故障智能诊断方法,该方法利用车轮所在轴箱垂向振动加速度来间接识别车轮服役状态。1)首先采用形态学滤波器对车辆轴箱振动加速度信号进行滤波降噪,然后采用完全噪声辅助聚合经验模态分解(CEEMDAN)将滤波后的信号自适应地分解为若干固有模态函数(IMF),选取能量熵增量相对较大的三阶分量作为信号的主分量。2)分别求各主分量的Wigner-Ville分布(WVD),然后叠加转化为多尺度时频图。3)对经典的LeNet-5模型进行结构改进和网络参数优化,构建适合车轮故障诊断的CNN模型,来学习提取车轮在不同工况下的时频图特征,并对时频图进行分类,将特征学习提取与故障分类融为一体,一定程度上实现了端到端的车轮故障诊断。经仿真试验和现场试验验证表明：所提出的方法对于车速、故障类型和故障程度都有很好的...     

转向架横向稳定性的实时在线监测

铁道车辆转向架的横向稳定性是指车辆以较高的速度在平直线路上运行,某一振型的振幅随着时间的延续而不断地扩大,这时就出现蛇行运动失稳。高速铁道车辆的研究急需关注的问题是防止出现蛇行失稳。通过在线实时监测其失稳是保障安全的手段之一,而如何实时监测蛇行失稳需要有满足时间约束条件的监测诊断算法,该算法即要满足有关标准的条件,又要具备实时监测的条件。研究了利用高斯混合模型(GMM)算法监测构架横向稳定性的机理与实现过程。该算法在25T列车安全监测系统得到应有,实践证明符合实时监测要求。     

基于Copula函数的高速列车信号联合特征提取

针对高速列车在车体不同位置的通道测得的振动信号,提出一种基于Copula函数的通道间信号联合特征提取方法。该方法使用泛化高斯分布对各通道信号的边缘分布进行拟合,并使用Gaussian Copula函数构建信号间的联合分布函数。提取边缘分布参数以及联合分布函数的参数作为特征。通过对某型高速列车转向架正常、抗蛇行减振器失效、空气弹簧失效和横向减振器失效4种典型工况的振动信号进行分析和特征提取,并采用支持向量机进行识别,平均识别率超过97%,表明该特征提取方法的有效性。     

采用下摇枕转向架的车辆横向稳定性研究

对采用下摇枕结构转向架的车辆进行了线性和非线性稳定性分析后得出如下结论:车辆失稳模态为构架与轮对同频同相振动的转向架蛇行模态,随着车轮踏面磨耗,车辆横向稳定性降低;当一系水平刚度减小时,轮对蛇行模态的自然阻尼减小;当牵引杆纵向刚度降低时,构架横向振动模态自然阻尼减小,横向稳定性降低。轮对水平定位刚度和旁承摩擦因数以及牵引杆纵向刚度对下摇枕结构车辆横向稳定性具有显著影响,三者中任一参数的变化都会影响到整车横向稳定性。     

基于GASF-CNN的高速列车转向架关键部件劣化状态识别研究

为研究高速列车转向架关键部件劣化状态的识别方法，通过统计抗蛇行减振器服役性能参数的分布特征，同时考虑阻尼和节点刚度变化组合形成5种劣化抗蛇行减振器试验工况，选取新踏面廓形和旋修后运行15万km、25万km的磨耗踏面廓形，进行了劣化状态下车辆动力学响应线路测试。基于实测数据，设计并构建基于GASF-CNN的转向架关键部件劣化状态分类辨识模型，以实测车体和构架横向加速度数据作为模型的训练集和测试集进行分类辨识模型训练，并对模型的泛化能力和识别准确度影响因素进行分析。通过优选数据构造方式、数据滤波、滑动窗口长度和数据通道数量，模型达到了较高的分类准确度，且对列车不同运行方向、不同速度级、不同运行环境等也达到了较好的泛化能力。     

不同抗蛇行减振器对动车组蛇行失稳的影响研究

以CRH3型动车组为研究对象,研究了不同抗蛇行减振器对动车组一次蛇行和二次蛇行的影响规律。分析结果表明:T60抗蛇行减振器可以有效抑制车体的一次蛇行运动,但是对转向架的二次蛇行运动抑制能力不足;相反T70抗蛇行减振器可以大大提高转向架的二次蛇行运动稳定性,而对车体的一次蛇行失稳抑制能力不足。研究结果表明,理想的抗蛇行减振器应具备低频下体现小刚度和小阻尼特性,而高频下体现大刚度和大阻尼特性,从而保证CRH3型动车组可以适应不同线路条件、不同磨耗踏面的轮轨匹配要求,避免转向架失稳报警和晃车的发生。     

基于深度学习的高速列车转向架故障识别

为提取高速列车转向架关键部件振动信号的特征,提出基于深度学习(Deep Learning)的高速列车转向架故障识别新方法。以转向架关键部件非全拆单工况故障信号为研究对象,对故障信号进行离散傅里叶变换,然后依据深度学习的降噪自动编解码过程对故障的频域信号进行特征学习,并以此特征作为BP神经网络的输入实现转向架故障信号的识别。实验结果表明:在不同速度下,所提方法对转向架关键部件非全拆故障识别正确率能达到100%,表明了该方法的有效性。     

基于VMD的地铁车辆平轮状态监测和诊断

针对地铁车辆轮轨振动信号信噪比低、非线性、不平稳等特点,为更好地提取地铁平轮的故障特征,提出一种基于变分模态分解(VMD,variationl mode decomposition)和包络谱熵的地铁平轮故障诊断方法。首先,构建虚拟仿真信号做变分模态分解,并与经验模态分解进行对比分析,说明VMD方法的有效性,再对实测4种工况的轮轨振动信号进行变分模态分解,求出不同分解模态的包络谱熵值,最后采用支持向量机分析故障诊断效果。试验结果表明:提出的方法能够有效地提取平轮故障特征,对地铁车辆平轮故障状态具有良好的诊断效果。     

一系定位刚度对车辆系统一次蛇行的影响分析

车辆系统蛇行运动的2种典型形式是一次蛇行和二次蛇行,又被称为车体蛇行和转向架蛇行。当车辆发生一次蛇行时,车体左右晃动幅度较大,影响车辆运行的平稳性以及乘客乘坐的舒适度。文章利用SIMPACK软件建立了300km/h整车非线性动力学模型,仿真车体一次蛇行失稳情况;结合非线性振动系统的频率俘获原理,研究发现车体一次蛇行是由于在行车过程中转向架的蛇行频率被车体的蛇行频率俘获所引起的。通过改变车辆系统的一系定位刚度,从而改变同等运行速度下转向架的蛇行频率,避开了车体的频率俘获区间,可有效抑制一次蛇行,提高车辆运行稳定性。     

基于变分模态分解和能量谱的轨道电路分路不良故障监测

在传输线理论和四端口网络的基础上,建立ZPW-2000A型轨道电路机车感应信号电流模型,仿真得到正常和分路不良逐渐严重的5类信号,并对比分析正常和分路不良信号的曲线特征。为实现轨道电路分路不良故障监测,运用双指标法确定变分模态分解的模态数K;用变分模态分解算法将5类信号分解成K个固有模态,并提取能量谱特征和传统时域特征;将提取的故障信号特征输入到粒子群支持向量机(PSO-SVM)中,实现分路不良的故障监测,且使用能量谱特征的监测精度大于使用传统的时域特征。实验结果表明:使用变分模态分解算法能够有效分解轨道电路正常和分路不良的信号,便于分路不良故障特征的提取;能量谱特征集较于传统时域特征集,更利于故障分类。     

一种改进的地铁车辆转向架轴承故障诊断方法

转向架轴承故障特征极容易受到轮轨激扰和环境随机噪声的影响。现有地铁车辆转向架轴承故障诊断方法存在故障特征提取困难、诊断准确率低等不足。为此,提出一种故障诊断方法。该方法首先对采集的振动信号进行降噪预处理,并利用小波包分析法将其分解为多个频带,基于峭度指标自适应调整各频带包络分析和故障搜索的顺序,快速、充分地提取轴承故障特征。建立轴承测试台,使用广州地铁公司提供的转向架轴承对所提出的方法进行实验验证。测试结果表明,经过预处理后,轴承的故障特征更加明显,提出的转向架轴承故障诊断方法能够准确、快速地诊断轴承的故障状态。     

基于EMD的SVR方法在铁路客流预测中的应用

客流预测是铁路客运运营管理的重要依据,铁路客流具有非线性、非平稳的特点,传统预测模型很难得到满意的结果,因此利用经验模态分解(EMD)方法对客流进行自适应的分解,利用支持向量回归机(SVR)对固有模态函数(IMF)进行预测,建立基于EMD的SVR铁路客流预测模型。利用Matlab对SVR预测、BP神经网络预测和基于EMD的SVR预测模型进行仿真实验,得出3种预测模型的平均相对误差,分别为22%、25%和13%。结果表明,基于EMD的SVR方法的预测精度明显高于另外两种预测方法,能够有效地提高铁路客流预测准确性。     

基于CEEMDAN-SVM的高铁轴承故障诊断研究

高铁轴承在高铁运行中起着重要作用,对其进行状态检测和故障诊断有着十分重要的作用和意义.总结出一种基于自适应辅助噪声的完备集合经验模态分解(CEEMDAN)和样本熵(SampEn)相结合的高铁轴承故障诊断方法.振动信号经过分解获得诸多的本征模态分量(IMF),计算其样本熵特征参数来表征不同故障状态下的轴承信号的相关特征,...     

轴重25t货车转向架动力质量的研究

本文介绍了3种由UVZ和VNIKTI工厂生产的轴重为25 t货车新型转向架动力试验的结果分析.对在直线和过渡曲线区段运行的空车转向架的蛇行问题给予了特别的注意.文章指出,UVZ工厂生产的转向架在运行速度大于100km/h时易发生激烈的蛇行现象,而与其他试验转向架相比,VNIKTI转向架具有最大的侧架力,这是由于转向架相...     

列车-轨道(桥梁)系统横向振动稳定性分析

论证列车脱轨力学机理是列车-轨道(桥梁)系统横向振动丧失稳定。基于系统运动稳定性能量增量分析方法,提出列车-轨道(桥梁)系统横向振动稳定性分析的能量增量判别准则:当列车-轨道(桥梁)系统横向振动极限抗力做功增量大于系统横向振动最大输入能量增量时,横向振动状态稳定;反之,系统横向振动状态不稳定;二者相等时,横向振动状态处于失稳临界状态。基于上述准则,提出系统横向振动失稳临界车速与容许极限车速分析方法,并结合实例证明方法的可行性。采用上述方法得到高速铁路板式无砟轨道列车失稳临界车速为607.5km/h,容许极限车速为486km/h,证明我国高速铁路运行安全度较高。