基于电信号的高速列车动力链诊断技术研究

牵引电机、联轴节及齿轮等传动机械广泛应用于轨道交通车辆,是高速列车动力链的重要组成部分。这些动力链部件长期工作在复杂恶劣的环境下,在宽速域、大负载工况及轮轨冲击振动等因素影响下容易发生故障,进而影响列车的安全运行与行车秩序。因此及时预警潜在故障对于确保轨道交通车辆的正常运行与行车秩序具有重要的意义。由于基于电信号的诊断技术具有信号易于获取、信号可靠性和准确性高、可实现对象部件的非嵌入式监测等优点,逐渐成为轨道交通故障诊断方向的研究热点。文章阐述了轨道交通车辆动力链关键部件的故障原理,以基于电信号的诊断方法为切入点,对该领域的现有诊断方法与研究成果进行整理与分析,然后基于多特征融合与机器学习理论,提出了一种全新的基于电信号的多变量解析诊断法。该方法首先获取各电信号数据,进行小波降噪,然后通过信号的分解与重构提高信噪比,基于重构信号提取不同的故障特征,最后利用决策树统合各故障特征进行诊断。验证试验与实际应用效果表明,本研究提出的电信号诊断法能够有效检测并识别动力链故障,可以实现早期故障预警,保障高速列车的运行安全。     

基于克里金法的绞吸挖泥船泥泵磨损近似模型

针对绞吸挖泥船泥泵在工作中因泥浆含固体颗粒易磨损的问题，以某绞吸挖泥船泥泵为研究对象，综合考虑泥浆特性各因素对绞吸挖泥船泥泵磨损的影响，采用计算流体动力学(Computational Fluid Dynamics, CFD)数值模拟对绞吸挖泥船泥泵的磨损情况进行分析，得到由泥浆成分(质量分数)和泥泵磨损构成的样本集。在此基础上，采用克里金法建立绞吸挖泥船泥泵磨损分析的近似模型，并进行近似模型的误差分析。结果表明该近似模型具有一定的精度，可在不开展CFD数值模拟的条件下对泥泵磨损进行较准确的预测，为泥泵可靠性设计提供便利。     

基于注意力机制的双向门控循环单元网络齿轮故障识别系统

提出一种基于注意力机制 （Attention Mechanism，AM） 的双向门控循环神经网络模型的齿轮故障识别系统。使用基于 STM32 的嵌入式主控制器分别采集正常齿轮、断齿齿轮、轮齿剥落齿轮等 3 种故障齿轮工作时的振动传感器数据，使用基于注意力机制的双向门控循环单元网络模型进行齿轮故障识别。双向门控循环神经网络模型添加了注意力机制，保留输入特征的重要信息，不随步长增加而消失。将采集到的原始数据集按7∶2∶1的比例划分为训练集、验证集和测试集。测试集模型的齿轮故障识别准确率达到了99.67%，与GRU和Bi-GRU等模型的结果对比证明该模型的正确率更高。本系统可用于汽车变速器的监测与故障诊断。     

自动变速器电子换挡系统挡位位置自学习控制算法设计

电子换挡系统 （Electronic Transmission Range Select System，ETRS） 的控制精度受自动变速器、换挡执行机构的零件自身误差及装配误差的影响，驻车挡、倒车挡、空挡、前进挡各挡位的理论位置与实际装配结果不可能完全匹配，这不仅会影响电子换挡系统的控制精度，而且长期使用后可能存在换挡功能失效的潜在风险。针对上述问题，研究设计了电子换挡系统相关硬件架构、挡位位置识别方法及关键自学习控制算法。控制算法集成直流电机匀速控制、H桥驱动电流数据读取、槽底挡位位置识别、多轮次槽底扫描迭代及挡位位置校验。仿真及实车试验表明，设计的挡位位置识别方法能够实现误差不大于0.15°，自学习控制算法能够实现实车试验大数据下均值与理论角度位置差距不大于0.3°，同时保证100%成功率，满足电控换挡系统长期工作的准确性及耐久性要求。 .