【技术实现步骤摘要】
本专利技术涉及列车故障分析领域，特别是涉及一种基于模糊智能的轨道交通车辆悬挂系统故障分析方法及系统。
技术介绍
轨道交通的高速发展，对车辆的安全性和可靠性提出了新的要求。在一些大城市，例如北京、上海和广州，早晚高峰时段很多运营线路均在超负荷运行。这就要求列车各个关键系统必须安全可靠，不能出现大的故障甚至失效。悬挂系统作为车辆的主要部分之一，对于车辆的安全有着至关重要的作用。悬挂系统的故障会引起列车运行舒适性变差、轮轨接触力不平衡等问题，严重故障会导致列车运行失稳甚至脱轨。对于高速列车来讲，车辆悬挂系统故障对于列车来讲都是致命的。现存的车辆悬挂系统故障诊断研究还局限在模型参数确知的情况下采用基于模型的方法对系统的故障进行检测或估计，基于数据驱动的车辆悬挂系统关键零部件故障分离仍然未得到足够重视，这对于快速查找故障元件和辅助维修具有重要意义，必须开展深入研究。传统的特征提取方法主要是通过计算时频域特征指标来获得特征样本。需要指出的是，时频域特征指标仅是从时域或频域对信号做出描述，并且计算过程存在将信号的所有数据进行加和和取平均的过程，能反映信号间差异性的信息有可能被...
【技术保护点】
基于模糊智能的轨道交通车辆悬挂系统故障分类方法，其特征在于，该方法的步骤包括：S1、构建轨道交通车辆悬挂系统模型，并对该模型进行动力学特征分析；S2、根据轨道交通车辆悬挂系统模型动力学分析结果，布置加速度传感器；S3、对加速度传感器采集得到的加速度数据进行时域和频域特征提取，同时基于功率谱分析对所述加速度数据进行距离特征的提取，并将时域、频域和距离特征进行组合得到原始特征样本；S4、对步骤S3中原始特征样本进行降维处理，获得故障特征样本；S5、基于故障特征样本，利用模糊智能对车辆悬挂系统进行故障分类。
【技术特征摘要】
1.基于模糊智能的轨道交通车辆悬挂系统故障分类方法，其特征在于，该方法的步骤包括：S1、构建轨道交通车辆悬挂系统模型，并对该模型进行动力学特征分析；S2、根据轨道交通车辆悬挂系统模型动力学分析结果，布置加速度传感器；S3、对加速度传感器采集得到的加速度数据进行时域和频域特征提取，同时基于功率谱分析对所述加速度数据进行距离特征的提取，并将时域、频域和距离特征进行组合得到原始特征样本；S4、对步骤S3中原始特征样本进行降维处理，获得故障特征样本；S5、基于故障特征样本，利用模糊智能对车辆悬挂系统进行故障分类。2.根据权利要求1所述的车辆悬挂系统故障分析方法，其特征在于，所述步骤S1中采用SIMPACK多体动力学仿真软件对轨道交通车辆悬挂系统模型进行动力学仿真与特征分析。3.根据权利要求1所述的车辆悬挂系统故障分析方法，其特征在于，所述步骤S2中分别在轨道交通车辆的前转向架、后转向架和车体的四个边角处各设置有1个三轴加速度传感器。4.根据权利要求1所述的车辆悬挂系统故障分析方法，其特征在于，所述步骤S3包括：S31、提取的每组数据的时域和频域特征，利用welch方法分别计算每组数据的功率谱，即正常工况P正常、第一类故障P故障1、第一类故障P故障2……第n类故障P故障n的功率谱；S32、通过拟合的方法对正常工况下的功率谱P正常进行连续谱提取；S33、分别通过各工况下的功率谱减去正常工况下的连续谱，获得相应的各工况下的线谱；S34、对各工况下的线谱进行简化及噪声处理，获得满足分析要求的各工况下的线谱；S35、基于欧氏距离，对计算各故障工况与正常工况间的差异性。5.根据权利要求1所述的车辆悬挂系统故障分析方法，其特征在于，所述步骤S5包括：S51、利用FPCM算法将X个故障特征样本分为c类，获得每一类的聚类中心vi，i＝1,2,…,c和隶属度矩阵U；S52、根据FPCM算法的样本聚类结果，对BP神经网络的训练样本进行初选；S53、以步骤S52的初选BP神经网络的训练样本作为BP神经网络的初始训练样本，利用交叉验证，反复进行BP神经网络的预测分类和训练样本的选择，直至获得精确而稳定的分类结果。6.根据权利要求5所述的车辆悬挂系统故障分析方法，其特征在于，所述步骤S53中基于交叉验证的故障分类的步骤包括：S531、利用根据FPCM算法初选的BP神经网络的训练样本训练神经网络；S532、利用训练好的BP神经网络对故障特征样本进行预测分类；S533、根据步骤S532中的预测分类重新选取BP神经网络训练样本；S534、利...
【专利技术属性】
技术研发人员：魏秀琨，张晓中，贾利民，朱明，王腾腾，贺延芳，张靖林，闫冬，吕又冉，李卓玥，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。