排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
基于可压缩流体的纳维—斯托克斯方程和RNG k-ε模型,以由头车、中间车和尾车3辆车编组的某高速列车1∶8风洞试验模型为研究对象,采用计算流体动力学软件(CFD),建立包括车体和走行部的三维非结构化列车表面离散网格模型和列车与隧道、列车与明线空间的组合计算网格模型,研究高速列车通过隧道时气动阻力的时变特性和规律.结果表明:高速列车在车尾刚进入隧道人口时其气动阻力达到最大值,为同样工况下明线运行时的2.5倍;高速列车完全进入隧道后,其气动阻力在一段时间内处于相对平稳期,为明线运行时的1.8倍;之后在隧道压力波的作用下,高速列车的气动阻力会发生准周期变化,变化幅度接近明线运行时的60%;在隧道长度大于高速列车长度的前提下,高速列车通过不同长度隧道时,其进入隧道时的气动阻力最大值均比较接近,而且在隧道内运行时的气动阻力变化特征和幅值也基本相同. 相似文献
2.
利用弹簧刚度对悬挂传递函数的频移特性,提出一种车辆悬挂弹簧故障动态检测的新方法.对悬挂弹簧安装处的车体和构架垂向振动加速度信号分别进行7层谐波小波包分解,计算了8个低尺度的能量,在同一尺度上,将车体和构架的加速度能量相除得到悬挂的尺度能量传递特性,提出相邻时段对应悬挂尺度能量传递特性的比较方法,进行悬挂弹簧的故障检测.检测结果表明:当悬挂弹簧刚度蜕变时,其传递特性向高尺度变化,与检测机理分析得出的传递特性向低频率变化的分析结论一致,同时能够检测刚度蜕变10%的悬挂故障,因此,该方法可靠性高,具有一定的工程适应性. 相似文献
3.
为了解决高速列车轴承早期故障中低频信号的类间分离性较弱、保持架故障难以识别等的问题,提出了基于Teager能量算子(Teager energy operator,TEO)聚合经验模态分解(ensemble empirical mode decomposition,EEMD)熵的自适应诊断方法.该方法将EEMD、样本熵、TEO相结合,利用EEMD的自适应性得到固有模态(intrinic mode function,IMF)信号,用改进的TEO从IMF中提取得到样本熵,使用支持向量机(support vector machine,SVM)判断轴承工作状态与故障类型;讨论了EEMD能量熵、EEMD奇异值熵、EEMD-TEO时频熵生成的故障特征向量以及该向量在SVM中识别结果;对正常轴承、保持架故障、滚动体故障3种状态的轴承样本数据进行了故障诊断.研究结果表明:对3种轴承的故障识别率可以达到98%,较传统的经验模态熵识别率提高了2.6%,该方法可用作高速列车轴承状态诊断. 相似文献
1