基于CEEMD和特征融合的高速列车振动信号特征分析-信号与信息处理专业论文.docxVIP

西南交通大学硕士学位论文主要工作(贡献)声明本人在学位论文中所做的主要工作或贡献如下： 西南交通大学硕士学位论文主要工作(贡献)声明 本人在学位论文中所做的主要工作或贡献如下： (1)结合完备聚合经验模态分解和信息熵测度，提出了一种基于特征融合的列车 振动信号特征分析方法，实现对高速列车振动信号的特征提取并进行了工况识别。在 该方法中，通过相关性分析对振动信号分量进行筛选，并对所有选择的分量分别提取 时域奇异谱熵、频域功率谱熵、时．频域小波能谱熵，构成融合特征向量。最后，将 向量输入最小二乘支持向量机进行工况识别。结果表明，与单一特征相比，该方法能 取得更好的识别效果。 (2)结合完备聚合经验模态分解和复杂性测度实现对多传感器特征的融合及列 车的工况识别。这里，计算信号分解后筛选到的模态分量的权重，对所有选择的模态 分量求模糊熵并进行加权平均，代替传统的选取所有分量的特征进行算术平均的方 法，并将该加权值作为特征向量。由于不同传感器采集的信息既有互补性又有冗余性， 利用ReliefF算法对列车多传感器特征进行权重排序，并根据排序结果对多传感器特 征进行筛选。最后将多传感器特征进行融合处理，降低了计算负担同时提高了算法的 稳定性。通过实验仿真，该方法取得了良好的分类性能。 本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所得的成 果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰 写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中作了明确说明。 本人完全了解违反上述声明所引起的一切法律责任将由本人承担。 学位论文作者签名： 宋移 日期：≥o脓 上-1 万方数据 西南交通大学硕士研究生学位论文 西南交通大学硕士研究生学位论文 第1页 摘 要 高铁在人们生活中扮演着非常重要的角色，这离不开高铁技术的发展。但是该项 技术是把“双刃剑”，也可能会带来一定的安全风险。因此，有必要对列车的安全性 进行研究。由于采集到的高速列车振动信号具有非线性和非平稳的特点，传统的信号 分析方法对于这类信号具有一定的局限性，而完备聚合经验模态分解(CEEMD)I因其完 备性和良好的自适应性，非常适合对列车振动信号的处理。此外，往往单一特征由于 具有模糊性和不确定性，达不到有效的识别目的。所以，需要找到有效的特征提取方 法来处理列车安全性态评估等方面的问题。本文基于CEEMD和特征融合实现对高速 列车振动信号的特征分析。 本文主要研究内容可概括如下： (1)针对单一特征具有模糊性和不确定性的特点，结合完备聚合经验模态分解和 信息熵测度，提出基于多特征融合的列车振动信号特征分析方法。首先，对振动信号 进行分解，将复杂信号分解为一系列近似平稳的简单信号。通过相关系数的计算，选 择与原信号关联比较大的信号分量。其次，对这些信号分别提取时域奇异谱熵、频域 功率谱熵、时．频域小波能谱熵，构成融合特征向量。最后，利用最小二乘支持向量 机构建诊断模型进行工况识别。结果表明，该方法比利用单一特征进行工况识别效果 好。 (2)鉴于高速列车振动信号由位于列车不同部位和不同方向的传感器采集得到， 不同传感器采集的信息既有互补性又有冗余性，研究了基于ReliefF的高速列车多传 感器特征选择方法。利用ReliefF算法将不同的传感器特征按权重排序。根据排序结 果实现对传感器特征的筛选。结合复杂性测度，将选择的传感器信号进行特征融合。 这里，求出筛选的模态分量的权重，然后对这些模态分量求模糊熵并进行加权处理， 构建特征向量。代替传统的选取所有分量的特征求算术平均的方法。这不仅减轻了计 算负担，同时提高了算法的稳定性。通过实验的仿真分析，该方法具有较好的识别性 能。 关键词：振动信号；完备聚合经验模态分解(CEEMD)：信息熵；复杂性测度；特征融 厶 口 万方数据 西南交通大学硕士研究生学位论文 西南交通大学硕士研究生学位论文 第1I页 Abstract High speed train plays a very important role in our life which can hardly do without the development of high speed train technology．However，it is a two-edged sword and may bring the risk of safety．Therefore，it is necessary to research the safety of train．In view of the characteristics of nonlinear and nonstationary vibration signal of high spee