排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
现有列车车轮失圆监测方法的准确性受车速及线路条件影响较大,为了更准确地监测车轮服役状态,文中提出基于形态学滤波和CEEMDAN-WVD的车轮失圆诊断方法：车辆轴箱垂向振动加速度经数学形态学滤波器滤波降噪后,运用完全噪声辅助聚合经验模态分解（CEEMDAN）将其分解为一系列的固有模态函数（IMF）,然后选取能量熵增量相对较大的几阶IMF分量进行Wigner-Ville分布（WVD）计算,从而叠加得到轴箱振动加速度的多尺度时频图,最后根据多尺度时频图的分布特征来诊断车轮状态。通过仿真分析和工程实例研究结果表明,运用该方法可有效地识别复杂工况下的车轮服役状态。 相似文献
2.
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... 相似文献
1