隨著城軌車輛運行速度的不斷提升,輪軌之間的相互動力作用加劇,車輪全局不圓現(xiàn)象頻繁發(fā)生,對城軌列車的安全運營帶來很大影響。因此,研究車輪全局不圓的檢測方法具有重要意義。本文在總結(jié)國內(nèi)外研究成果的基礎(chǔ)上,提出了基于振動信號的城軌列車車輪全局不圓度檢測方法,主要工作內(nèi)容如下:(1)基于SIMPACK建立了車輛-軌道耦合動力學模型,并以車輪全局不圓度作為輸入信號進行仿真,得到輪軌振動信號。(2)設(shè)計了城軌列車車輪全局不圓度故障檢測系統(tǒng),包括需求分析、系統(tǒng)總體設(shè)計、關(guān)鍵硬件選型以及現(xiàn)場系統(tǒng)安裝,為后續(xù)算法提供現(xiàn)場數(shù)據(jù)來源。(3)研究了基于改進小波閾值的振動信號降噪。針對原始振動信號中包含噪聲的問題,提出了一種改進的小波閾值降噪方法,最后通過實驗證明了該方法具有更好的降噪效果。(4)研究了基于IMPE的振動信號特征提取。將多尺度排列熵引入到車輪全局不圓度故障特征提取中,但在熵值計算過程中穩(wěn)定性欠佳,為此提出一種改進的多尺度排列熵。最后通過仿真信號和實測數(shù)據(jù)驗證了該方法的可行性和有效性。(5)研究了基于極限學習機的故障識別方法。將正常和故障車輪的特征向量輸入到極限學習機中進行訓練,然后測試分類效果,...

【文章頁數(shù)】：93 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 車輪不圓度介紹
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 車輪不圓度檢測方法
        1.3.2 振動信號分析處理現(xiàn)狀
        1.3.3 故障模式識別方法研究
    1.4 本文主要內(nèi)容
2 車輛-軌道耦合動力學模型
    2.1 SIMPACK簡介
        2.1.1 SIMPACK軟件概述
        2.1.2 SIMPACK建模的多體動力學要素
    2.2 車輛-軌道耦合動力學模型建立
        2.2.1 建模基本原則
        2.2.2 車輛模型建立
        2.2.3 柔性軌道模型建立
        2.2.4 車輪全局不圓度故障模型
    2.3 車輪全局不圓度缺陷下的振動響應仿真
    2.4 本章小結(jié)
3 城軌列車車輪全局不圓度故障檢測系統(tǒng)設(shè)計
    3.1 系統(tǒng)需求分析
    3.2 系統(tǒng)總體設(shè)計
        3.2.1 整體架構(gòu)
        3.2.2 工作原理
    3.3 硬件選型
        3.3.1 車號識別系統(tǒng)
        3.3.2 車輪軸位傳感器
        3.3.3 振動加速度傳感器
        3.3.4 數(shù)據(jù)采集模塊
    3.4 現(xiàn)場系統(tǒng)安裝
    3.5 本章小結(jié)
4 基于改進小波閾值的振動信號降噪
    4.1 小波變換基本理論
        4.1.1 小波定義
        4.1.2 常用小波基函數(shù)
        4.1.3 連續(xù)小波變換
        4.1.4 離散小波變換
    4.2 小波閾值降噪
        4.2.1 小波降噪數(shù)學模型
        4.2.2 小波降噪方法
        4.2.3 小波閾值降噪原理
        4.2.4 閾值選取原則
        4.2.5 閾值函數(shù)
    4.3 改進的小波閾值降燥
        4.3.1 改進的閾值選取原則
        4.3.2 改進的閾值函數(shù)
    4.4 實驗分析
        4.4.1 評價指標
        4.4.2 模型仿真數(shù)據(jù)分析
        4.4.3 現(xiàn)場實測數(shù)據(jù)分析
    4.5 本章小結(jié)
5 基于IMPE的振動信號特征提取
    5.1 數(shù)據(jù)分輪處理
        5.1.1 振動加速度傳感器安裝位置
        5.1.2 有效數(shù)據(jù)段提取
    5.2 多尺度排列熵及其參數(shù)選取
        5.2.1 信息熵
        5.2.2 排列熵
        5.2.3 多尺度排列熵
        5.2.4 參數(shù)選取
    5.3 多尺度排列熵的改進及性能對比
        5.3.1 改進的多尺度排列熵
        5.3.2 IMPE和MPE性能對比
    5.4 實驗分析
        5.4.1 算法流程
        5.4.2 模型仿真數(shù)據(jù)分析
        5.4.3 現(xiàn)場實測數(shù)據(jù)分析
    5.5 本章小結(jié)
6 基于極限學習機的故障識別方法
    6.1 單隱含層前饋神經(jīng)網(wǎng)絡(luò)
        6.1.1 單隱含層前饋神經(jīng)網(wǎng)絡(luò)基本概念
        6.1.2 單隱含層前饋神經(jīng)網(wǎng)絡(luò)傳統(tǒng)學習算法
    6.2 極限學習機
        6.2.1 Moore-Penrose廣義逆矩陣
        6.2.2 極限學習機原理
        6.2.3 極限學習機特性
        6.2.4 基于極限學習機的分類算法
    6.3 實驗分析
        6.3.1 車輪全局不圓度故障檢測整體流程
        6.3.2 模型仿真數(shù)據(jù)驗證
        6.3.3 現(xiàn)場實測數(shù)據(jù)驗證
    6.4 本章小結(jié)
7 總結(jié)與展望
    7.1 全文總結(jié)
    7.2 研究展望
致謝
參考文獻
附錄



本文編號：3804038