Print

基于振动信号时频分解-样本熵的受电弓裂纹故障诊断

论文摘要

构建了基于时频分解-样本熵测度的受电弓振动信号故障特征提取模型。对振动信号进行聚合经验模态分解,接着对分解得到的本征模态函数计算参数优化后的样本熵特征。将获取的故障特征输入基于粒子群参数优化的支持向量机（PSO-SVM）进行受电弓故障识别分析。结果发现,基于受电弓顶管振动信号的EEMD样本熵故障诊断效果较好,而碳滑板振动信号诊断效果较差。针对这一特点,利用二代小波样本熵进行优化,进一步提高了碳滑板振动信号故障诊断结果,验证了现代时频分析算法与信息熵联合的诊断方法在受电弓振动信号特征提取与故障诊断的可行性与有效性。

论文目录

  • 1 基于时频分析-样本熵的故障特征提取
  •   1.1 时频分解原理
  •     1.1.1 EEMD分解原理
  •     1.1.2 二代小波分解原理
  •       1) 信号剖分过程
  •       2) 预测算子计算过程
  •       3) 信号预测过程
  •       4) 更新算子计算过程
  •       5) 信号更新过程
  •   1.2 样本熵基本原理
  • 2 时频分解-样本熵故障检测模型
  • 3 受电弓台架试验数据分析
  • 4 结 论

    • 文章来源

    类型: 期刊论文

    作者: 施莹,林建辉,庄哲,刘泽潮

    关键词: 受电弓,故障诊断,时频分解,样本熵

    来源: 振动与冲击 2019年08期

    年度: 2019

    分类: 工程科技Ⅱ辑

    专业: 铁路运输

    单位: 西南交通大学牵引动力国家重点实验室

    基金: 国家自然科学基金(51305358),国家重点研发计划先进轨道交通重点专项(2017YFB1201004)

    分类号: U269.6

    DOI: 10.13465/j.cnki.jvs.2019.08.027

    页码: 180-187

    总页数: 8

    文件大小: 1938K

    下载量: 355

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/dbb6335185379a60bfe7aada.html