發(fā)布時間：2017-07-31 02:17

  本文關(guān)鍵詞：基于數(shù)學形態(tài)學的高速列車安全性態(tài)分析

  更多相關(guān)文章： 高速列車監(jiān)測數(shù)據(jù) 數(shù)學形態(tài)學 改進自適應(yīng)形態(tài)小波 形態(tài)學分形 形態(tài)學神經(jīng)網(wǎng)絡(luò) 踏面擦傷 漸變故障

【摘要】：高速列車在長期服役過程中,其安全性態(tài)將發(fā)生變化,利用傳感器監(jiān)測到海量的列車振動數(shù)據(jù),這些振動數(shù)據(jù)蘊含著大量的列車狀態(tài)信息,能夠反映列車的運行狀態(tài)。如何有效利用這些長期跟蹤獲得的監(jiān)測數(shù)據(jù),進而提取出能夠表征高速列車運行狀態(tài)的特征參數(shù),對高速列車運行狀態(tài)進行反演和識別具有重要意義。因此,針對高速列車,本文提出基于數(shù)學形態(tài)學的高速列車安全狀態(tài)識別方法,提取出能夠反映列車狀態(tài)信息的特征參數(shù),來實現(xiàn)高速列車安全狀態(tài)的識別。主要完成了以下研究工作：1.結(jié)合列車軸箱與車輪振動關(guān)系以及軌道激擾對列車振動的影響,分析了通過周期性沖擊響應(yīng)提取車輪踏面擦傷的可行性；通過對高速列車軸箱振動模型的分析,提出采用改進的自適應(yīng)形態(tài)提升小波(IAMGLW)對列車軸箱垂向振動信號分析的方法；實測軸箱垂向振動信號的分析結(jié)果證明了IAMGLW對分析高速列車軸箱振動信號的有效性。與自適應(yīng)形態(tài)提升小波(AMGLW)相比,IAMGLW通過前置濾波以及對梯度閾值的改進使其能夠有效地保留一定梯度范圍內(nèi)的沖擊響應(yīng),濾除幅值較大的隨機沖擊且抗噪能力強。2.分析了高速列車振動傳播的途徑,以及二系橫向減振器和抗蛇形減振器工作原理,從而找出適合監(jiān)測這兩種減振器性能變化的傳感器通道。提出使用形態(tài)學分形來識別二系橫向減振器阻尼漸變以及抗蛇形減振器阻尼漸變的方法,用提取形態(tài)學分形維數(shù)作為特征進行漸變狀態(tài)識別。3.構(gòu)造性形態(tài)學神經(jīng)網(wǎng)絡(luò)算法(CMNN)是一種數(shù)學形態(tài)學與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的一種非線性神經(jīng)網(wǎng)絡(luò),有較強的實用性。其訓練算法根據(jù)形態(tài)學聯(lián)想記憶而來,在測試過程中采用形態(tài)學算子將測試樣本歸類于訓練得到的超盒之中。由于其測試過程無法正確地將落在超盒外的樣本進行分類,后有人提出了一種基于模糊格的形態(tài)學神經(jīng)網(wǎng)絡(luò)(FL-CMNN),該算法用樣本與超盒的隸屬度判斷提高了原CMNN算法的分類效果,但增加了算法的復雜程度且分類效果不穩(wěn)定。這里提出一種基于構(gòu)造性形態(tài)學神經(jīng)網(wǎng)絡(luò)算法的提升算法(LCMNN),該算法繼承了原有的形態(tài)學算子運算速度快的優(yōu)點且能夠?qū)⒙湓诔兄獾臉颖具M行準確地歸類。數(shù)值試驗表明,基于構(gòu)造性形態(tài)學神經(jīng)網(wǎng)絡(luò)算法的提升算法(LCMNN)與其他幾種算法相比,能夠達到最好的分類效果,而且簡單易行,計算時間少。本文的研究內(nèi)容由國家自然科學基金重點項目《基于監(jiān)測數(shù)據(jù)的高速列車服役安全性態(tài)評估的關(guān)鍵問題研究》提供支持。
【關(guān)鍵詞】：高速列車監(jiān)測數(shù)據(jù) 數(shù)學形態(tài)學 改進自適應(yīng)形態(tài)小波 形態(tài)學分形 形態(tài)學神經(jīng)網(wǎng)絡(luò) 踏面擦傷 漸變故障
【學位授予單位】：西南交通大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：U270.1;O189
【目錄】：

• 摘要6-7
• Abstract7-11
• 第一章 緒論11-18
• 1.1 課題的背景及意義11
• 1.2 基于監(jiān)測數(shù)據(jù)進行列車故障特征分析的研究現(xiàn)狀11-13
• 1.3 數(shù)學形態(tài)學的理論與應(yīng)用13-16
• 1.3.1 數(shù)學形態(tài)學的發(fā)展簡史13
• 1.3.2 數(shù)學形態(tài)學基本理論13-15
• 1.3.3 數(shù)學形態(tài)學在故障診斷上的應(yīng)用15-16
• 1.4 本文主要的研究內(nèi)容16
• 1.5 本文結(jié)構(gòu)安排16-18
• 第二章 高速列車走行部故障機理及故障數(shù)據(jù)分析18-24
• 2.1 高速列車走行部上的關(guān)鍵部件18-20
• 2.1.1 輪對19
• 2.1.2 空氣彈簧19-20
• 2.1.3 橫向減振器20
• 2.1.4 抗蛇行減振器20
• 2.2 高速列車振動分析20-21
• 2.3 高速列車振動數(shù)據(jù)介紹21-23
• 2.4 本章小結(jié)23-24
• 第三章 基于自適應(yīng)形態(tài)提升小波的車輪踏面擦傷識別24-35
• 3.1 含車輪踏面擦傷的軸箱振動垂向信號的數(shù)學模型24-25
• 3.2 自適應(yīng)形態(tài)提升小波的改進方案25-27
• 3.2.1 自適應(yīng)形態(tài)提升小波25-26
• 3.2.2 改進的自適應(yīng)形態(tài)提升小波26-27
• 3.3 仿真實驗與實測信號分析27-34
• 3.3.1 仿真信號分析27-29
• 3.3.2 高速列車軸箱振動信號分析29-34
• 3.3.3 高速列車垂向振動信號的自適應(yīng)形態(tài)提升小波特征34
• 3.4 本章小結(jié)34-35
• 第四章 基于形態(tài)學分形的高速列車漸變狀態(tài)識別35-46
• 4.1 分形的基本概念35-36
• 4.2 形態(tài)學分形維數(shù)36-37
• 4.3 實驗與結(jié)果分析37-45
• 4.4 本章小結(jié)45-46
• 第五章 基于形態(tài)學神經(jīng)網(wǎng)絡(luò)的高速列車特征分類46-56
• 5.1 形態(tài)學神經(jīng)網(wǎng)絡(luò)簡介46-50
• 5.1.1 構(gòu)造性形態(tài)學神經(jīng)網(wǎng)絡(luò)(CMNN)46-47
• 5.1.2 模糊格形態(tài)學神經(jīng)網(wǎng)絡(luò)47-48
• 5.1.3 構(gòu)造性形態(tài)學神經(jīng)網(wǎng)絡(luò)的提升算法48-50
• 5.2 仿真數(shù)據(jù)測試50-52
• 5.3 高速列車特征分類測試52-55
• 5.4 本章小結(jié)55-56
• 總結(jié)與展望56-58
• 總結(jié)56-57
• 展望57-58
• 致謝58-59
• 參考文獻59-65
• 攻讀碩士學位期間發(fā)表的學術(shù)論文和參與的項目65

【參考文獻】

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 黃彩虹;高速車輛減振技術(shù)研究[D];西南交通大學;2012年

，

本文編號：597054