EMD-ISOMAP高速列车小幅蛇行异常特征提取

作     者：崔万里 宁静 种传杰 李艳萍 陈春俊 CUI Wanli;NING Jing;CHONG Chuanjie;LI Yanping;CHEN Chunjun

作者机构：西南交通大学机械工程学院四川成都610031 

出 版 物：《中国测试》 (China Measurement & Test)

年 卷 期：2016年第42卷第12期

页      面：105-110页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(51475387) 四川省科技创新苗子工程项目(2015102) 

主　　题：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 

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320～350km／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。