论文研究-基于MEEMD香农熵-LSSVM的高速列车蛇行失稳诊断方法.pdf下载

针对列车高速运行时易出现蛇行失稳这一问题，提出了一种改进的集合经验模态分解（modified ensemble empirical mode decomposition，MEEMD）香农熵—最小二乘法支持向量机（least squares support vector machine，LSSVM）的高速列车蛇行失稳诊断方法。首先通过MEEMD对列车330～350 km/h时转向架构架的横向振动信号进行分解，得到固有模态函数（intrinsic mode function，IMF），再通过Hilbert变换（HT）分析其时频聚集性，同时提取IMF分量的香农熵特征，最后用LSSVM进行训练和识别。结果表明，转向架蛇行失稳状态下的时频分布的聚集性较正常状态下好，并且MEEMD香农熵-LSSVM方法的识别率和计算耗时优于EEMD-SVM方法，识别率达到96.67%。