基于改进D-S证据理论的高速列车走行部故障诊断研究

摘要

随着中国高速列车速度的加快，列车走行部的压力越来越大。然而，国内还没有很适用的针对高速列车走行部数据监测的故障诊断系统。为了保证高速列车的运行安全和舒适性，西南交通大学牵引动力实验室开始进行相关实验研究。实验中，将各类型传感器安装在高速列车走行部的各个部位，用于提取列车运行时的振动信号，然后依据振动信号来判断列车的运行状态。对振动信号进行特征提取后获得的数据是多传感器、多工况、多特征的高维数据，因此，本文针对降低特征维数和多传感器数据融合问题，采用Fisher's ratio特征评价方法降低特征维数，并提出一种改进D-S证据理论多传感器数据融合算法。
　　本文首先分析了高速列车走行部振动特征、高速列车实验监测数据、运行工况及常用振动特征提取方法;在此基础上，介绍Fisher's ratio特征评价方法和高速列车特征集;然后分析了本文所用的KNN与D-S证据理论结合的分类方法;之后，采用Fisher'sratio方法对高速列车特征集进行特征评价实验，实验结果表明:采用Fisher's ratio方法进行特征评价并去除适当冗余特征，不但可以降低特征维数，还可以提高故障判断准确率。
　　由于单个传感器存在信息不完整、错误率高的情况，为了得到更为准确的信息，本文采用了D-S证据理论信息融合技术。针对基本D-S证据理论无法融合高冲突证据并且对高铁数据没有针对性的问题，本文提出一种专门针对高铁监测数据的改进D-S证据理论。通过对基本D-S证据理论、典型改进D-S证据理论和本文提出的改进算法的典型算例对比分析，表明了本文提出的改进算法不仅能够有效地处理高冲突证据，并且比经典改进D-S证据理论聚焦效果更好。
　　最后，将本文提出的改进D-S证据理论应用于高速列车走行部故障诊断融合决策中。实验结果表明:本文提出的改进算法虽然比基本D-S证据理论和经典改进D-S证据理论融合时间稍长一些，但能够提高故障诊断准确率，并且适用性更好。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 本文研究的主要内容

第2章 高速列车走行部特性及监测数据分析

2．1 高速列车走行部振动分析

2．1．1 高速列车走行部振动特性

2．1．2 减振器

2．1．3 蛇形运动与蛇形失稳

2．2 高速列车监测数据

2．3 振动信号特征提取常用方法

2．4 本章小结

第3章 基于Fisher’s ratio特征评价与KNN分类的高速列车故障诊断

3．1 Fisher’s ratio特征评价方法及高铁数据集

3．1．1 Fisher’s ratio方法

3．1．2 高铁列车走行部特征集

3．2 基于KNN分类器的列车故障分类方法

3．2．1 KNN分类器

3．2．2 KNN与D-S证据理论结合方法

3．3 基于KNN分类的Fisher’s ratio高速列车特征评价

3．4 本章小结

第4章 改进D-S证据理论融合算法

4．1 证据理论基础及缺陷分析

4．1．1 D-S证据理论基础

4．1．2 D-S证据理论缺陷分析

4．2 经典证据理论改进方法

4．2．1 修改D-S组合规则

4．2．2 修改证据源

4．3 本文提出的改进D-S证据理论算法

4．3．1 证据间相互关系的衡量方法

4．3．2 模糊熵

4．3．3 本文改进算法

4．3．4 典型算例仿真对比

4．4 本章小结

第5章 基于改进D-S证据理论的高速列车故障诊断

5．1 高速列车走行部故障诊断模型

5．2 D-S证据理论决策融合

5．3 高速列车走行部故障诊断仿真实验

5．3．1 走行部仿真实验流程

5．3．2 走行部仿真实验分析

5．4 本章小结

结论

致谢

参考文献

攻读硕士学位期间发表的论文和参与项目