高速列車懸掛系統(tǒng)故障分離與故障辨識(shí)研究.pdf

1、懸掛系統(tǒng)是保障高速列車安全運(yùn)行的關(guān)鍵系統(tǒng)，起到承載車體和轉(zhuǎn)向架載荷、緩沖車輛振動(dòng)和輪軌沖擊以及引導(dǎo)車輛運(yùn)行的作用。隨著我國(guó)高速鐵路的快速發(fā)展，高速列車的高強(qiáng)度運(yùn)行對(duì)懸掛系統(tǒng)的安全性和可靠性有了更高的要求。開展高速列車懸掛系統(tǒng)的故障分離研究，可以實(shí)現(xiàn)不同故障的精準(zhǔn)定位，便于有針對(duì)性地開展檢查維修工作;開展高速列車懸掛系統(tǒng)的故障辨識(shí)研究，可以實(shí)現(xiàn)關(guān)鍵零部件性能參數(shù)的跟蹤監(jiān)測(cè)，并對(duì)參數(shù)衰減和突發(fā)故障進(jìn)行辨識(shí)。
　　為實(shí)現(xiàn)高速列車懸掛系統(tǒng)

2、的故障分離與故障辨識(shí)，本文針對(duì)特征提取、特征降維、故障分離以及參數(shù)辨識(shí)開展了一系列的研究工作，主要內(nèi)容如下:
　　(1)研究了基于譜細(xì)化分析的故障特征提取與降維算法。針對(duì)故障特征提取問題，本文提出了基于譜細(xì)化分析的功率譜特征提取算法，實(shí)現(xiàn)對(duì)傳統(tǒng)時(shí)頻域特征的補(bǔ)充和完善，提高了故障特征樣本的質(zhì)量。針對(duì)故障特征降維問題，本文基于核主元分析法(KPCA)實(shí)現(xiàn)高維非線性故障特征樣本的降維，克服了PCA算法僅能實(shí)現(xiàn)線性降維的缺點(diǎn)，并通過(guò)參數(shù)尋

3、優(yōu)算法提高了KPCA算法的降維效率。最后，基于高速列車懸掛系統(tǒng)故障仿真實(shí)驗(yàn)平臺(tái)，驗(yàn)證了算法的有效性和可靠性。
　　(2)研究了基于模糊智能的故障分離算法。本文基于模糊可能性C均值聚類算法(FPCM)開展故障分離研究，討論輸入樣本的合理維數(shù)，并應(yīng)用優(yōu)化算法確定最佳聚類數(shù)和最優(yōu)的初始化聚類中心，提高了故障分離結(jié)果的穩(wěn)定性和正確率。本文基于BP神經(jīng)網(wǎng)絡(luò)開展故障分離研究，對(duì)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)進(jìn)行了優(yōu)化設(shè)計(jì)?；贔PCM算法對(duì)樣本先驗(yàn)知識(shí)依賴性

4、較低的特點(diǎn)，本文提出了基于模糊智能的混合算法，通過(guò)聚類分析優(yōu)化選取訓(xùn)練樣本，提高了BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率，且故障分離結(jié)果的穩(wěn)定性和正確率也有了顯著的提高。最后，基于故障特征提取與降維結(jié)果，驗(yàn)證了算法的有效性和可靠性。
　　(3)研究了基于非線性濾波的故障辨識(shí)算法。針對(duì)懸掛系統(tǒng)的故障辨識(shí)問題，本文采用基于粒子濾波(PF)和邊緣化粒子濾波(RBPF)的參數(shù)辨識(shí)算法，跟蹤監(jiān)測(cè)關(guān)鍵零部件性能參數(shù)的衰減情況。本文引入誤差比的概念，對(duì)算法的辨