EMD-ISOMAP高速列车小幅蛇行异常特征提取

• 作者: 宁静 崔万里 李艳萍 种传杰 陈春俊
• 来源期刊: 中国测试
• 关键词: 高速列车 小幅蛇行 流形学习 等距映射 经验模态分解 特征提取 最小二乘法支持向量机
• 年，卷（期）: 2016,（12）
• 所属期刊栏目: 测控技术
• 页码范围: 105-110
• 页数: 6页
• 字数: 4653字
• 语种: 中文
• DOI: 10.11857/j.issn.1674-5124.2016.12.022

摘要

小幅蛇行异常是剧烈蛇行失稳的征兆，它不仅影响乘坐舒适性，导致轮轨疲劳接触，而且随着轮轨磨损加剧、列车服役时间增长、运行速度提高，小幅蛇行会不断加剧，特别是在抗蛇行减震器失效的状况下，可能会引起列车脱轨，严重影响行车安全。但现有的高速列车转向架峰值监测法不能监测小幅蛇行异常。针对该问题，提出一种基于经验模态分解和流形学习的特征提取方法。首先，利用EMD分解得到多个固有模态函数（IMF），计算每个IMF的样本熵，作为初步提取特征；然后利用流形学习方法对初步提取的特征进一步提取；最后利用最小二乘法支持向量机对特征提取方法进行评估，并将该方法应用于高速列车320~350 km/h状态下小幅蛇行异常识别中，小幅蛇行异常的识别率达到100%。结果证明：EMD-ISOMAP方法能够有效识别小幅蛇行异常，识别效果优于基于小波变换特征提取方法；该方法降低特征数据复杂度的同时，还增强状态识别的分类性能。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈春俊	西南交通大学机械工程学院	112	556	12.0	19.0
2	宁静	西南交通大学机械工程学院	23	93	5.0	9.0
3	李艳萍	西南交通大学机械工程学院	13	39	3.0	5.0
4	种传杰	西南交通大学机械工程学院	5	11	2.0	3.0
5	崔万里	西南交通大学机械工程学院	4	10	2.0	3.0