没有合适的资源?快使用搜索试试~ 我知道了~
基于排列熵和支持向量机的轨枕病害诊断.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 96 浏览量
2022-07-13
16:28:32
上传
评论
收藏 254KB DOCX 举报
温馨提示
试读
13页
基于排列熵和支持向量机的轨枕病害诊断.docx
资源推荐
资源详情
资源评论
近年来我国高铁建设发展迅速,高铁运营里程稳居世界第一。截至 2019 年
底,我国高铁运营里程突破 35 000 km,占全球高铁里程的 70%
[1]
。随着高铁线路
长期运营,在列车动载荷、环境温度和其内部应力等因素的作用下,作为列车承
载系统的轨道结构的各种病害日益凸显。有砟轨道的病害主要体现在轨枕空吊、
道床板结、翻浆冒泥等。目前,国内外针对轨道病害的检测主要依靠轨检车和
人工定期检测,此方式劳动强度大,效率低,漏检率高
[2]
。一旦无法及时发现轨道
的病害,就有可能导致列车脱轨倾覆等灾难性的后果,因此对轨道结构的病害进
行实时监测、病害判断和失效预警具有一定的现实意义。
由于轨道结构并非完全刚性,当轨道系统的某一部件出现病害时,整个轨道
结构的动力学特性将会发生改变。因此,从轨道结构的振动响应中提取出病害
信息是诊断轨道病害的关键。在对道岔设备的病害诊断和分类上,利用主题模
型算法来提取病害的主题特征,并通过支持向量机算法,实现了道岔设备的病害
诊断和分类
[3]
。为了有效诊断出基体裂纹等结构病害,文献[4]提出一种基于频率
的声发射测量损伤诊断分类的方法。该方法使用短时傅立叶变换从测量信号中
提取时频域特征,并利用支持向量机进行了诊断分类。针对大样本问题,文献[5]
提 出 一 种 综 合 压 缩 感 知 和 变 分 模 态 分 解 方 法 (Variational Mode
Decomposition,VMD)有效地识别了船舶推进轴系轴承的故障特征。为了解决
数据特征高维、冗余等问题,文献[6]基于可分度函数与支持向量机算法,降低了
故障特征的冗余程度,提高了分类效率和精度。此外,文献[7]利用主成分分析法
和 K-means 聚类算法对监测数据进行了病害特征提取,实现了对混凝土结构不
同 病 害 的 诊 断 。 文 献 [8] 提 出 了 一 种 基 于 递 归 神 经 网 络 (Recursive Neural
Network,RNN) 和 长 短 期 记 忆 神 经 网 络 (Long Short Term Mermory
Network,LSTM)融合的磨矿系统故障智能诊断方法。研究人员通过 LSTM 神经
网络提取出样本与时间的相关性,再利用 RNN 神经网络对比故障前后时刻输入
特征的变化实现故障诊断,将故障诊断的错误率降至 3%。针对钢轨表面缺陷识
别的问题,文献[9]提出了一种基于 Faster R-CNN(Radon-Convolutional Neural
Networks)的检测方法,并实现了对 4 种钢轨表面缺陷的分类识别,识别精度均
达到了 90%以上。一些大型设备焊接部位的可靠性在工业生产中起着举足轻重
的作用。文献[10]基于主成分分析 (Principal Component Analysis,PCA)和支
持向量机(Support Vector Machine,SVM)实现 了对 焊缝 缺陷信号的分类识别 ,
为焊缝缺陷检测提供了有效的方法。然而,针对轨道结构病害诊断方法的研究
仍处于起步阶段。
近年来,排列熵作为一种描述时间序列复杂程度的度量,正逐渐从医学、生
物和气候
[11,12,13]
等方面向机械病害诊断领域扩展。排列熵的概念于 2002 年提出
[14]
,该方法针对时间序列动态变化的检测具有计算效率高、鲁棒性强、结果直
观等优点。因此,本文以有砟轨道的轨枕为研究对象,通过研究轨枕病害时的动
力学表现,提取轨枕振动响应时间序列的排列熵值(其在归一化处理后能够清晰
地反应轨枕病害的变化),并基于此构建了轨枕病害诊断的特征集,从而降低了
数据的维度,减少了后续算法的运行时间。本文以排列熵值特征集为输入,基于
遗传算法优化的支持向量机对轨枕病害进行分类,实现了对轨枕 4 种病害服役
状态的诊断,从而为轨道结构病害的智能诊断方法研究提供一定的依据。
1 轨枕 病害 模拟仿真
对于车轨耦合动力学模型,本文基于文献[15],采用四轴二系悬挂整车模型,
将轨道系统模拟成 3 层弹簧-阻尼连续弹性支承的轨道模型。其中,钢轨采用连
续弹性离散点支承 Euler 梁,将轨下基础(道床-路基)沿纵向离散,并以各轨枕之
间的间距将离散点间隔开,图 1 给出了车轨耦合垂向振动模型。基于文献[15],
本文建立的车轨耦合模型中,选取轨道长度 l 为 120 m,各轨枕之间的间距 l
s
为
0.6 m。针对轨下基础结构的模拟,文献[15]中给出了相应的解决方法,即通过对
弹簧和阻尼器逐一进行赋值,便可模拟出轨道系统结构存在的病害。本文的研
究对象是轨枕病害,当道床形成了局部暗坑时,轨枕会出现空吊病害。若某一轨
枕与道床之间的空隙过大以至于该处的道床完全失去支承能力,则可在模型中
设置该处道床的刚度和阻尼为 0;若某一轨枕与道床之间的间隙并不大,该处道
床还可发挥其部分支承能力,则可以通过分别改变道床的刚度和阻尼系数来模
拟轨枕不同的病害。
图 1
图 1 车辆-轨道垂向耦合振动模型
Figure 1. Vehicle-track vertical coupled vibration model
基于上文所建立的车辆-轨道耦合振动模型和本文的研究对象,则第 i 号轨
枕的振动方程为
MsiZ··si(t)+(Cpi+Cbi)Z·si(t)+(Kpi+Kbi)Zsi(t)-CbiZ·bi(t)-KbiZbi(t)-
Cpi∑h=1NMZh(xi)q˙h(t)-Kpi∑h=1NMZh(xi)qh(t)=0
(1)
式中,M
si
为单位长度轨枕的质量;Z
si
为轨枕的振动位移;C
pi
和 K
pi
分别为轨下
垫层的阻尼和刚度;C
bi
和 K
bi
分别为道床的阻尼和刚度。
对轨枕振动响应仿真数据描述如表 1 所示。选取第 51~150 号轨枕作为仿
真 对 象 , 分 别 以 5 种 轨 道 不 平 顺 谱 作 为 激 励 ,仿 真 出 列 车 的 速 度 分 别 为 100
km·h
-1
、110 km·h
-1
、120 km·h
-1
、130 km·h
-1
、140 km·h
-1
、150 km·h
-1
、160 km·h
-
1
、180 km·h
-1
和 200 km·h
-1
的轨枕振动加速度。设置轨下道床的 4 种刚度和阻
尼,分别为 :K'
bi
= K
bi
、C'
bi
= C
bi
(S
1
);K'
bi
=0.9 K
bi
、C'
bi
=0.9 C
bi
(S
2
);K'
bi
=0.7 K
bi
、
C'
bi
=0.7 C
bi
(S
3
);K'
bi
=0.5 K
bi
、C'
bi
=0.5 C
bi
(S
4
),并对这 4 种服役状态进行仿真。
表 1 各轨道不平顺谱下的轨枕振动响应仿真数据
剩余12页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3727
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功