基于PCA-WT的道岔故障电流特征识别

针对道岔故障电流特征识别中存在的特征冗余,提出一种基于小波变换和主成分分析的道岔电流特征提取方法.首先利用离散小波变换对道岔动作电流曲线分解重构得到各频带信息,采用主成分分析法选取有效频带信息建立特征向量以降低特征维度,减少数据计算量;然后利用BP神经网络进行电流特征分类,从而实现道岔故障诊断.以实际现场监测数据作为测试样本,通过实例仿真验证了本文方法的有效性.     

基于改进多尺度排列熵的S700K转辙机故障诊断

基于提速道岔S700K转辙机故障的功率曲线在频域上的多重特征,提出了基于改进多尺度排列熵的多变量支持向量机(structured support vector machine, SSVM)故障诊断方法.首先对S700K转辙机动作功率曲线进行集合经验模态分解和小波分解,获得两类不同时间尺度的模态分量;再利用改进多尺度排列熵计算不同分量的故障特征参数,为了降低计算维度,应用核主元分析理论,在不损失信号重要特征的情况下,取大于95%贡献率的特征值作为故障特征向量;最后,引入基于决策树的SSVM算法,经过小样本训练得到树状最优故障间隔面,从而实现S700K转辙机故障分类.实验结果表明:该方法可有效判定S700K转辙机故障类型,进而提高故障诊断精度和效率.     

基于SVM和小波边缘检测的车型图像识别

在基于小波边缘检测和SMO算法的基础上进行车型图像识别,首先将待识别目标进行二维小波分解,获取不同尺度下的小波系数,然后对其进行主元分析,得到的主元作为支持向量机的特征量输入.实验结果表明,该方法具有良好的分类性能.     

基于计算流体力学的离心泵汽蚀原因分析

针对某型号离心泵振动超标和扬程下降的特征,采用流场数值分析的方法,分析了该泵叶轮的内部流动并得到了大量的三维湍流场的分析结果,通过对叶轮入口处的分析,证实了该泵性能下降是由汽蚀造成的初步推测,该分析结果为改进离心泵的叶型设计、提高离心泵的效率提供了理论依据.     

基于小波能谱系数的声发射源特征提取方法研究

研究了基于小波能谱系数的声发射源特征提取方法,利用小波变换对典型声发射源的波形信号进行了分析,获取其频域特征.采用小波能谱系数描述信号能量在每个频率范围的分布情况,以区别各种不同的声发射源.利用该方法对港口链斗卸船机现场测试获取的裂纹声发射信号进行了小波分析和特征提取,结果表明,该方法能合理地描述缺陷的声发射特征.     

基于优化小波基的电力故障暂态数据压缩研究

在论述基于 辨分析的小波基构造方法和小波分解理论的基础上,针对电力故障信号富含瞬时性强、衰减快暂态成分的特点,研究了基于信号离用小波逼近品质,即离散逼近时域二范数最大的小波基优化方法。分析表明,基于优化小波基的离散小波变换对电力故障暂态数据具有较主的压缩比和较小的重构误差。     

TBM主轴承声发射故障诊断研究

以隧道施工TBM为研究对象,设计了主轴承声发射检测试验,进行了声发射信号采集,并取得较理想的分析信号。根据信号的时域图像特征及相关技术人员的数据支持,初步对TBM主轴承的工作状态做了判断,并采用了时变峭度法对实测信号进行分析,获取了强背景噪声下明显的故障特征,达到了抑制噪声、突出特征成分的目的。试验分析结果证明了该方法用于声发射故障信号特征提取的有效性,同时对TBM的状态监测提供了新思路。     

基于TQWT和稀疏表示的滚动轴承故障诊断方法

基于稀疏表示理论,提出了一种采用可调品质因子小波变换(TQWT)的滚动轴承故障诊断新方法,分析了包含早期故障成分的原始采集振动信号的特点和早期故障信号的特性,研究了稀疏表示模型在解决故障特征提取问题和故障类型识别问题的应用;运用TQWT将原始信号转换为一组子带小波系数集,研究了利用迭代收缩阈值算法提取出稀疏小波系数的有效性和谱峭度对故障冲击信号敏感的特性,通过计算各子带信号分量的谱峭度,选取包含故障信息明显的子带小波系数,建立了包含稀疏故障信号分量的故障特征提取方法;利用提取出的故障信号稀疏表示分类模型,实现了基于稀疏表示的滚动轴承故障诊断方法。试验结果表明:在凯斯西储数据集上,提出的故障特征提取方法在剔除干扰成分方面有显著效果,提出方法对于4种类型数据的平均诊断准确率为99.83%,对于10种类型数据的平均诊断准确率为97.73%;与只运用TQWT和迭代收缩阈值算法进行故障特征提取的方法相比,故障诊断精度提高了11.60%,算法运行时间减小8%;在QPZZ-Ⅱ旋转机械平台采集到的振动数据集上,提出的方法对于4种类型数据的平均诊断准确率为100%;与传统小波去噪方法相比,准确率提高了35.67%,算法运行时间减小了7.25%。可见,本文提出的方法可以有效解决滚动轴承故障诊断问题。      

一种改进K-means模型的城市轨道交通突发事件分级方法

针对城市轨道交通事件量化分级的难题,本文提出了一种改进的 K-means聚类的突发事件分级方法.首先,从事件类型、持续时间、影响程度等方面分析各种类型事件的特征规律,提取 8个关键特征量用于聚类分析;其次,应用主成分分析法提取 4个主成分变量并提出权重系数计算方法,实现特征向量降维;提出了基于密度扫描的初始聚类中心确定方法,并将改进的 K-means聚类算法应用于地铁突发事件的分级.案例结果表明,与原始 K-means聚类方法对比,应用本文提出的改进方法聚类效果更佳.研究成果已应用于北京地铁应急指挥系统,验证了本文方法的可行性.     

一种改进K-means模型的城市轨道交通突发事件分级方法

针对城市轨道交通事件量化分级的难题,本文提出了一种改进的 K-means聚类的突发事件分级方法.首先,从事件类型、持续时间、影响程度等方面分析各种类型事件的特征规律,提取 8个关键特征量用于聚类分析;其次,应用主成分分析法提取 4个主成分变量并提出权重系数计算方法,实现特征向量降维;提出了基于密度扫描的初始聚类中心确定方法,并将改进的 K-means聚类算法应用于地铁突发事件的分级.案例结果表明,与原始 K-means聚类方法对比,应用本文提出的改进方法聚类效果更佳.研究成果已应用于北京地铁应急指挥系统,验证了本文方法的可行性.