面向軌道車輛傳動(dòng)系統(tǒng)的異常檢測方法及其在滾動(dòng)軸承中的應(yīng)用.pdf

1、軌道車輛的狀態(tài)監(jiān)測數(shù)據(jù)通常是符合期望行為的海量正常樣本，由于其真實(shí)故障樣本采樣代價(jià)高昂或采樣過程非常困難，使得對異常行為所知甚少，甚至一無所知。異常樣本缺失決定了軌道車輛異常檢測無法按照常規(guī)方式進(jìn)行，因此故障數(shù)據(jù)缺失下的異常檢測是軌道車輛安全與可靠性保障面臨的難點(diǎn)問題之一。特征提取和檢測模型建立是面向軌道車輛傳動(dòng)系統(tǒng)異常檢測中的兩個(gè)關(guān)鍵技術(shù)。特征提取旨在獲取能夠有效反映檢測對象運(yùn)行狀態(tài)的敏感特征，檢測模型建立則是利用敏感特征對正常數(shù)據(jù)的

2、分布進(jìn)行描述，以上兩方面相輔相成共同決定了異常檢測方法的性能。
　　本文針對面向軌道車輛傳動(dòng)系統(tǒng)異常檢測方法的關(guān)鍵技術(shù)開展研究，主要?jiǎng)?chuàng)新與工作如下：
　?。?）針對篩分過程出現(xiàn)的過篩分和欠篩分問題，提出了局部均值分解的自適應(yīng)篩分停止準(zhǔn)則。該準(zhǔn)則根據(jù)乘積函數(shù)的理論定義，考慮局部均值（幅值）函數(shù)的估計(jì)誤差，構(gòu)建關(guān)于篩分次數(shù)的目標(biāo)函數(shù)，從而實(shí)現(xiàn)最優(yōu)篩分次數(shù)的自適應(yīng)選擇。實(shí)驗(yàn)結(jié)果表明，該準(zhǔn)則能夠避免篩分停止準(zhǔn)則人為設(shè)定閾值的不足，有

3、效抑制了過篩分和欠篩分問題，提高了局部均值分解的效率和準(zhǔn)確性。
　　（2）針對乘積函數(shù)中存在虛假分量的問題，提出了基于遞歸排序的虛假分量識(shí)別方法。該方法利用 K-L散度評(píng)價(jià)各乘積函數(shù)與原始信號(hào)之間的相似程度，通過遞歸排序獲取各乘積函數(shù)的綜合K-L散度值，實(shí)現(xiàn)虛假分量和敏感分量的識(shí)別。實(shí)驗(yàn)結(jié)果表明，該方法避免了僅將各乘積函數(shù)與原始信號(hào)相比較的片面性，能夠更為客觀合理地評(píng)價(jià)各乘積函數(shù)與原始信號(hào)成分的相似性，提高了虛假分量識(shí)別的準(zhǔn)確率。

4、
　?。?）針對模型建立過程中出現(xiàn)的過擬合和欠擬合問題，提出了基于核矩陣統(tǒng)計(jì)量的支持向量數(shù)據(jù)描述參數(shù)選擇方法。該方法通過分析核矩陣元素的分散性與支持向量數(shù)據(jù)描述模型擬合程度的內(nèi)在聯(lián)系，利用核矩陣統(tǒng)計(jì)量構(gòu)造表征模型擬合程度的目標(biāo)函數(shù)，進(jìn)而實(shí)現(xiàn)支持向量數(shù)據(jù)描述的參數(shù)選擇。實(shí)驗(yàn)結(jié)果表明，該方法避免傳統(tǒng)參數(shù)選擇中的模型迭代訓(xùn)練過程，大幅提高了參數(shù)選擇過程的計(jì)算效率，改善了支持向量數(shù)據(jù)描述模型的過擬合和欠擬合問題。
　?。?）以滾動(dòng)軸