MEEMD香农熵-LSSVM高速列车蛇行失稳诊断新方法

"这篇论文提出了一种基于MEEMD(改进的集合经验模态分解)香农熵-最小二乘法支持向量机(LSSVM)的高速列车蛇行失稳诊断方法，用于解决列车在高速运行时可能出现的蛇行失稳问题。通过MEEMD对转向架构架的横向振动信号进行分解，获取固有模态函数(IMF)，然后利用Hilbert变换分析其时频特性，并提取香农熵作为特征参数。最后，运用LSSVM进行训练和识别，以判断列车是否处于蛇行失稳状态。实验证明，该方法在识别率和计算效率上优于传统的EEMD-SVM方法，识别率高达96.67%。" 本文研究的核心是高速列车的蛇行失稳问题，这是列车在高速运行时一个重要的安全问题。蛇行失稳是指列车在行驶过程中，转向架发生周期性的侧向摇摆，可能导致列车稳定性下降，影响乘客舒适度甚至危及行车安全。为了有效诊断和预防这种情况，研究人员提出了结合MEEMD和LSSVM的新方法。 MEEMD是一种时间序列分析工具，用于非线性和非平稳信号的分解。它能够将复杂的振动信号分解成一系列本征模态函数(IMFs)，每个IMF对应不同的频率成分和动态行为。在处理列车转向架构架的横向振动信号时，MEEMD可以更准确地分离出不同频率的振动模式，有助于识别异常行为。 接下来，通过Hilbert-Huang变换(HHT)，研究人员进一步分析了IMF的时频特性。HHT是结合希尔伯特变换和经验模态分解的一种方法，特别适合于分析具有瞬态特性的信号，能提供丰富的时频分布信息，帮助理解信号的变化规律。 香农熵被用作特征参数，它可以反映信号的复杂性和不确定性。在蛇行失稳状态下，转向架的振动信号通常呈现出不同于正常状态的时频聚集性，香农熵可以有效地捕捉这种变化，为识别提供关键的特征信息。 LSSVM是一种监督学习模型，常用于分类和回归问题。相比传统的支持向量机(SVM)，LSSVM在求解过程中有更高的计算效率，且在处理大量数据时表现良好。在本文的研究中，LSSVM对提取的香农熵特征进行训练，构建了识别模型，以区分正常状态和蛇行失稳状态。 实验结果显示，采用MEEMD香农熵-LSSVM方法的识别效果优于EEMD-SVM，识别率达到了96.67%，同时计算耗时减少，这表明该方法在高速列车蛇行失稳的诊断中具有较高的实用价值和有效性。 关键词涵盖了蛇行运动、MEEMD、HHT、香农熵和LSSVM，这些都是论文中的核心概念和技术。这项研究为高速列车的安全监测提供了新的理论支持和实践工具，对于预防和控制列车蛇行失稳问题具有重要意义。