论文部分内容阅读
高速列车悬挂系统是高速列车重要组成部件之一,对其进行定期故障诊断,不仅能提高其安全性,还能缩小维修成本,具有十分重要的意义。本论文依托广西教育厅科研资助项目:高速列车悬挂系统的故障诊断技术研究项目(编号:KY2016KB247),研究了基于数据驱动的高速列车悬挂系统故障检测和分离算法。本论文主要内容包括以下几个方面:1.介绍高速列车垂向悬挂系统结构,并基于其结构利用SIMPACK动力学软件建立悬挂系统模型,搭建高速列车悬挂系统仿真平台,在加上轨道不平顺(包括横向、垂向、侧滚)的情况下,为之后MATLAB进行算法仿真提供相关实验数据。2.分别采用改进核主元分析(KPCA)算法和模糊神经网络算法对悬挂系统进行故障检测。在KPCA算法基础上,结合费舍尔判别法(FDA),根据计算T~2统计指标和SPE统计指标,对悬挂系统成功进行故障检测,通过对比KPCA算法与改进KPCA算法的误报率和漏检率,结果表明:改进KPCA算法明显优于传统KPCA算法,且核函数参数s的选取对改进KPCA算法检测精度十分重要。在模糊神经网络对悬挂系统故障诊断中,根据SIMPACK中获得的数据设计了模糊神经网络,实验结果表明了此方法的有效性,并且精度很高。3.研究了基于主元分析(PCA)与支持向量机(SVM)算法的高速列车悬挂系统故障分离,研究结果发现,使用主元分析(PCA)处理数据后的故障分离准确度高于使用原始数据的故障分离准确度。另外,核函数的选取对分离准确度影响很大,选取高斯核函数的性能高于线性核函数和多项式核函数。4.研究粒子群(PSO)优化支持向量机故障分离算法。通过PSO对支持向量机两个最关键的参数惩罚因子C与核函数参数s的寻优,来提高故障分离的准确度,结果表明,应用此算法较SVM算法大幅度提高了准确度。