面向軌道車輛傳動系統(tǒng)的異常檢測方法及其在滾動軸承中的應用.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，由于其真實故障樣本采樣代價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問題之一。特征提取和檢測模型建立是面向軌道車輛傳動系統(tǒng)異常檢測中的兩個關鍵技術。特征提取旨在獲取能夠有效反映檢測對象運行狀態(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系統(tǒng)異常檢測方法的關鍵技術開展研究，主要創(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篩分停止準則。該準則根據(jù)乘積函數(shù)的理論定義，考慮局部均值（幅值）函數(shù)的估計誤差，構建關于篩分次數(shù)的目標函數(shù)，從而實現(xiàn)最優(yōu)篩分次數(shù)的自適應選擇。實驗結(jié)果表明，該準則能夠避免篩分停止準則人為設定閾值的不足，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確性。
　?。?）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別方法。該方法利用 K-L散度評價各乘積函數(shù)與原始信號之間的相似程度，通過遞歸排序獲取各乘積函數(shù)的綜合K-L散度值，實現(xiàn)虛假分量和敏感分量的識別。實驗結(jié)果表明，該方法避免了僅將各乘積函數(shù)與原始信號相比較的片面性，能夠更為客觀合理地評價各乘積函數(shù)與原始信號成分的相似性，提高了虛假分量識別的準確率。

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)計量構造表征模型擬合程度的目標函數(shù)，進而實現(xiàn)支持向量數(shù)據(jù)描述的參數(shù)選擇。實驗結(jié)果表明，該方法避免傳統(tǒng)參數(shù)選擇中的模型迭代訓練過程，大幅提高了參數(shù)選擇過程的計算效率，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。
　?。?）以滾動軸