铁路多信息机车信号分析系统的研究

文章介绍了铁路机车信号设备分析系统的研制背景,重点描述系统功能、软件结构和研究的技术关键.该系统目前已成功应用于机车信号的分析和故障诊断及定位中.且经过现场多次试验,分析系统性能稳定,通用性强.实践表明,该系统不仅有助于分析目前已投入现场使用的机车信号,消除故障隐患,进一步提高系统的可靠性和安全性,保障行车安全,而且为今后发展高速铁路的以机车信号为主体的信号系统提供了一项基础研究成果.     

一种基于3/2维谱的水中目标调制信息提取方法

利用目标辐射噪声的调制信息可以实现对目标的高方位分辨。为了能够准确获取目标调制谱特征,提出了一种基于小波变换和多分辨率分析理论的辐射噪声调制信息提取方法。首先提取水下目标辐射噪声的调制包络信息,之后对动态调制包络进行3/2维谱分析,从而得到辐射噪声的谐波信息。最后对实测噪声数据进行了仿真研究,结果表明,该方法可以有效提取噪声中动态调制信息。     

基于小波分解的车道偏离预警算法研究

针对当前车道偏离预警系统成本高且精度较低等问题,提出基于小波分解的车道偏离预警算法。该算法利用车载CCD实时采集路面图像信息,运用小波分析对图像进行去噪和二值化处理,利用车道线对称性精确识别车道线,通过判定车道中心线所在位置辨识自车是否偏离车道。试验结果表明该算法能对主车的偏离进行准确识别,识别精度达到95.4%。     

高速列车监测数据处理及故障诊断

车体性能好坏直接影响列车的行车安全,文章利用安装在车体上的传感器所采集到的振动信号,选取合适的信号特征提取方法进行评估,达到列车故障早期预警的目的。试验数据表明,车体的振动信号具有非线性、非平稳的特点,先对振动信号提取小波包能量矩特征进行时频域分析,发现该特征提取方法可以直观地反映车辆横向和垂向振动情况。引入基于局部分析的拉普拉斯特征映射算法(LE),对故障工况的小波包能量矩熵特征所构造的高维特征向量空间进行降维,发现能够从垂向加速度信号识别出空气弹簧失气工况,从横向加速度信号识别出抗蛇行减振器故障和横向减振器故障。这与车辆动力学分析结果一致,同时也证实了流形学习方法对列车性能评估具有一定的作用。     

水轮发电机组阻尼绕组连接片的包辛格效应

研究了水轮发电机组阻尼绕组连接片材料在不同压缩变量和反向应变量下所导致的应变抗力减小的现象(称为包辛格效应,简称BE),并探讨了不同压缩应变量对阻尼绕组连接片BE的影响,通过不同压缩应变量压拉实验,找到阻尼绕组紫铜连接片的最优包辛格值。结果表明:较大压缩变量对BE存在影响,随预变形量的增加,包辛格效应值变化,预变形量为3%时,包辛格效应值达到极值。再增加变形量,包辛格效应值减小,3%为最优变形量,即阻尼绕组失效界限值。     

某空压机共振故障的诊断与处理

船用设备共振状态的判断对故障诊断与处理十分重要。某空压机横向振动剧烈,为判断其是否处于共振状态,文章首先通过敲击法获得强噪声背景下的冲击响应信号,采取分时段频谱分析的方法粗略估计固有频率。然后,分别采用带通滤波和小波降噪的方法处理含噪信号,确定了系统横向一阶和二阶固有频率。其中,二阶固有频率与转频接近,从而导致共振故障。最后,采取更换隔振器的处理措施,系统横向固有频率增大70%,振动降低54.6%。     

基于PSO-BP神经网络的船体分段任务包工时定额模型

为解决船体分段任务包工时定额的计算过度依赖线性公式而忽略工时定额与工艺参数之间的非线性关系的问题,提高工时定额计算的效率和精确度,将PSO-BP神经网络技术应用到船体分段任务包工时定额中。通过对影响船体分段中间产品额定工时的工艺参数进行分析,建立多输入单输出的PSO-BP神经网络模型,并应用实际数据对PSO-BP神经网络进行训练,测试仿真结果与实际值之间的误差在允许范围内。验证结果表明,采用PSO-BP神经网络建立船体分段任务包工时定额模型,能对任务包作业工时进行准确预测。     

基于仿真试验和BOA-VMD的轴箱轴承故障特征提取算法研究

针对城轨列车运行过程中轴箱轴承故障难以发现的问题，提出一种利用蝴蝶优化算法(Butterfly Optimization Algorithm,BOA)对变分模态分解(Variational Mode Decomposition,VMD）参数进行优化的轴承故障特征提取方法。首先构建基于轴承-车辆刚柔耦合的轴承故障动力学模型，提取轮轨激扰和轴承故障情况下的轴箱振动信号；然后利用蝴蝶优化算法对轴箱振动信号的VMD模态分量数和二次惩罚系数进行寻优，确定最佳参数组合；最后利用已确定的最佳参数对轴承振动信号进行VMD分解，得到不同本征模态分量(Intrinsic Mode Function,IMF)，并对最佳模态分量信号进行包络分析，识别到轴承故障时的特征频率。试验分析表明，基于优化参数的VMD分析方法能够有效提取轴承故障特征频率，通过经验模态分解(Empirical Mode Decomposition,EMD)分析方法对比，可以发现文章提出的分析方法效果更加有效。     

并列双圆柱绕流的动力学模态分解

本文对双圆柱绕流的卡门涡街现象进行了非稳态数值仿真,使用动力学模态分解方法(dynamic mode de?composition,DMD)对仿真得到的圆柱绕流涡量数据进行了分析和流场预测,研究了不同奇异值截断阶数对预测效果的影响.结果表明:利用DMD方法可以较准确地获得非稳态流动过程中涡量数据的模态结构和对应模态的频率、振幅;与稳定的周期阶段相比,用DMD方法分析处于不稳定周期阶段的圆柱绕流流场特征较困难;增加截断的奇异值数目在完善流场特征的同时也可能造成流场还原效果变差.