基于随机森林的动车组牵引电机故障特征选择方法

动车组车载数据具有维度高、数据量大的特点,从高维度的数据中提取出牵引电机相关的有效特征是进行数据驱动模型构建的基础。文章以基尼指数为例,介绍了基于基尼指数的CART分类树构建步骤、基于CART分类树的随机森林构建方式以及基于随机森林分类算法的基尼指数平均不纯度减少和袋外误差平均准确度减少2种特征选择方法,并对2种特征选择方法进行了试验验证。基于UCI机器学习样本库,通过Dry Bean Dataset和Wine Dataset 2种典型案例验证了2种特征选择方法在特征选择和模型分类方面的有效性;基于动车组车载实测数据,通过对动车组牵引电机的特征选择,验证了2种方法都能有效筛选出牵引电机故障特征,同时基于所选故障特征建立的牵引电机故障诊断模型具有较高准确率和召回率,可用于动车组牵引电机故障特征选择。     

基于双通道特征融合的轴承故障诊断方法

基于卷积神经网络（Convolution Neural Network,CNN）的智能诊断方法在轴承故障诊断中应用广泛，但是大多数诊断模型以单源信息输入为主，这将影响基于CNN的故障诊断准确性和可靠性。针对这个问题，文章提出一种基于双通道特征融合的滚动轴承故障诊断方法。首先利用多重Q因子连续Gabor小波变换（Multiple Q-factor Continuous Gabor Wavelet Transform,CMQGWT）和快速谱相干（Fast Spectral Coherence,Fast-SC）分别构造滚动轴承振动信号的时频分析图；然后搭建1个具有双输入通道的CNN网络模型，通过特征融合层将各个通道提取的深度时频特征融合成1个新的特征；最后利用分类器输出诊断结果。在高速列车滚动轴承单故障和复合故障的分类识别试验中，较之于单输入通道的CNN模型，该模型具有更高的诊断准确性和鲁棒性。     

基于深度高斯过程的永磁牵引电机匝间短路分级评估方法

定子绕组匝间短路是影响永磁牵引电机安全稳定运行的主要故障之一,受运行工况、供电与电机本体不平衡的影响,现有方法难以实现永磁牵引电机匝间短路在线精准评估,这成为永磁电机推广应用迫切需要解决的关键技术难题。因此,文章提出一种基于多特征融合的深度高斯过程永磁牵引电机匝间短路分级评估方法：首先通过建立永磁牵引电机匝间短路故障模型,提取电流不平衡、电流三次谐波与dq电流的二次谐波特征;然后采用一种双随机变分推断深度高斯过程（Doubly Stochastic Deep Gaussian Processes,DSDGP）方法对提取特征进行融合训练建模,实现永磁牵引电机匝间短路劣化状态在线分级评估;最后通过永磁电机匝间短路试验与现场案例进行算法验证。结果表明,文章所提方法在多特征融合条件下的评估准确率达到95%以上,相较于支持向量机（support vector machine, SVM）和反向传播神经网络（back-propagation neural, BPN）等分类方法,具有准确率高,适用于变工况、小样本的工程实际应用环境等优点,解决了永磁牵引电机匝间短路早期故障检测及故障严重程度评估的行业难...     

基于温振融合与深度自编码器的高速动车组轴箱轴承故障诊断模型

因物理监测信息利用不足，动车组轴箱轴承故障诊断存在准确率较低问题。首先，利用高速动车组轴箱轴承试验台获取丰富数据，融合温度特征数据与振动特征数据，并使用主成分分析法进行融合与降维；然后，建立基于温振融合与DAE(深度自编码器)的轴箱轴承故障诊断模型，并通过深度自编码器进行模型训练；最后，用高速动车组轴箱轴承试验台测试集的数据进行模型验证。验证结果表明：与其他对比模型相比，基于温振融合与DAE的轴箱轴承故障诊断模型的诊断准确率更高。     

基于EEMD模糊熵和GA-SVM的牵引网故障诊断研究

牵引网发生故障时，如何快速诊断故障对维护铁路的正常运输秩序有极大影响，针对这一问题，提出一种基于EEMD模糊熵和GA-SVM的故障诊断方法。选取牵引网馈线电压在故障发生时刻后两个周期的故障分量波形作为原始故障信号，首先，对其进行EEMD分解得到一系列的本征模态函数(IMF)分量，选取IMF1～IMF3分量并计算其模糊熵作为表征不同故障类型的特征量；然后，为对故障类型进行诊断，建立多分类支持向量机(SVM)模型，将特征量输入至SVM模型中进行训练和识别；同时，为使模型的性能达到最佳，采用遗传算法(GA)对模型进行优化。测试结果表明，该方法能够有效地对5种典型牵引网故障进行诊断，且准确率达到了96%,验证了该方法的可行性。     

轨道交通车辆转向架牵引电机滚动轴承可靠性研究

为保障轨道交通车辆转向架牵引电机滚动轴承安全、平稳、可靠地运行,提出一种基于IMF-PCA(本征模态分量-主成份分析)和WPHM(威布尔比例故障模型)相结合的轨道车辆转向架牵引电机滚动轴承(以下简称"电机轴承")可靠性评估方法。将实测采集的振动信号利用自相关系数对IMF中起主导的信息成分进行辨别,对于不同信息成分占主导的IMF分量,利用PCA将其分解为有用信息和虚假分量或噪声组成的一系列主分量。采取不同的筛选剔除方法对IMF进行筛选,将筛选保留的IMF进行重构,得到纯净、敏感的振动信号,并从中提取出能反映电机轴承状态的特征指标,将优选出的特征指标进行特征信息的加权融合。将这个融合后的特征指标作为WPHM的协变量,建立可靠性评估模型,从而实现电机轴承运行可靠性的有效评估。     

基于PSO-LSSVM的牵引供电系统故障诊断研究

为了提高列车运行稳定性,针对牵引供电系统故障诊断进行研究。根据牵引供电系统工作原理和特性分析故障现象与发生原因,提取用于故障诊断的特征信号;建立基于粒子群优化算法(Particle Swarm Optimization,简称PSO)优化最小二乘支持向量机(Least Squares Support Vector Machine,简称LSSVM)的故障诊断模型,并使用主成分分析(Principal Component Analysis,简称PCA)算法提取数据特征作为故障诊断模型的输入来降低输入维数;使用多种故障诊断模型进行对比分析。研究结果表明:经过PCA算法提取特征的PSO-LSSVM故障诊断模型具有较高的识别效率和识别准确性。     

基于模糊穴映射方法的牵引变压器全局故障诊断

针对基于DGA的牵引变压器故障诊断方法中的不足,提出一种基于模糊穴映射方法的牵引变压器全局故障诊断方法。此方法在DGA分析基础上,增加了组件电阻、电流等多种故障信息,通过DGA与模糊穴映射方法的融合,实现牵引变压器故障的全局诊断。试验结果表明：这种方法对于牵引变压器全局故障诊断而言,可以更好地分析各类故障产生原因,明确有效输入与故障特征类型,避免单一特征数据集对牵引变压器故障诊断的局限性,具备可行性、高准确率。     

基于贝叶斯网络的牵引逆变器开路故障多特征融合诊断方法

为了增强牵引逆变器开路故障诊断方法对于不确定因素的免疫能力,提出一种基于贝叶斯网络的信息融合诊断方法。以牵引逆变器输出侧的电流和电压为信号源,提取小波包熵特征,采用主成分分析法对原始特征进行降维,使用贝叶斯参数估计法融合降维后的特征量,得到信息互补的新的特征向量。利用贝叶斯网络对融合后的新的特征向量进行识别,对不同观测值情况下的最大后验概率估计结果进行信息融合并做出决策,进而完成故障诊断。建立仿真模型,与使用K均值算法的故障分类情况做对比,验证不同转速和白噪声情况下所提故障诊断方法的有效性。研究结果表明:所提方法能够对牵引逆变器IGBT的单管和双管开路故障进行准确检测与定位,能够去除冗余信息和互补有效信息,具有一定的抗干扰能力,准确率高,适应性强。     

基于WATV去噪的冲击特征提取方法在高速列车轴承故障诊断中的应用

提取高速列车轴承故障振动信号中的冲击特征,可以有效地对其进行故障诊断。利用"小波-全变差(Wavelet-Total Variation,WATV)"算法能够对信号进行稀疏引导的特点,提出了基于WATV去噪的冲击特征提取方法。该算法针对含噪声冲击特征的提取问题构建了目标优化函数,该函数融合了冲击特征的保真度度量算子以及惩罚因子。利用凸优化理论可对目标函数进行求解,从而增强信号在小波域和时域的稀疏性,使得特征提取结果最优化。通过构造一仿真信号对WATV算法的有效性进行了验证,并将该方法应用于高速列车齿轮箱轴承故障诊断中。结果表明,该方法能够很好地提取出信号中的冲击特征,并且频谱中的故障表征明显,能够有效地应用于高速列车轴承故障诊断中。     

基于电机振动的动车组牵引逆变器故障诊断研究

牵引逆变器的安全性和可靠性对高速动车组车辆的稳定运行至关重要,为了对逆变器工作状态进行识别,文章结合车辆系统动力学,提出了一种基于电机振动信号分析的故障诊断方法。将电机振动信号作为监测对象,通过检测逆变器故障时电流畸变引起电机异常振动的特征信号来进行判断。以CRH2型动车组牵引传动系统为例,建立了基于空间矢量脉宽调制策略下的三电平牵引逆变器电路仿真模型,对逆变器结构故障模式进行仿真。仿真结果表明,逆变器故障会显著影响交流侧输出电流谐波含量,尤其是5倍频、7倍频、11倍频、13倍频电流谐波;而这些谐波电流输入到牵引电机后转化为6P(1-s)倍频、12P(1-s)倍频的脉动转矩,并作用于电机,使得其输出振动中含有相应频率的谐波成分。通过对高速动车组实际运行过程中的牵引电机振动信号进行分析可发现,在正常情况下振动信号不明显含有此类谐波频率成分,而当逆变器存在故障时,则会导致在振动信号中该频率信号含量非常明显。因此,文章所提出的基于振动信号分析法能够有效地监测并诊断牵引逆变器工作状态,并具有一定的工程应用价值。     

一种改进的地铁车辆转向架轴承故障诊断方法

转向架轴承故障特征极容易受到轮轨激扰和环境随机噪声的影响。现有地铁车辆转向架轴承故障诊断方法存在故障特征提取困难、诊断准确率低等不足。为此,提出一种故障诊断方法。该方法首先对采集的振动信号进行降噪预处理,并利用小波包分析法将其分解为多个频带,基于峭度指标自适应调整各频带包络分析和故障搜索的顺序,快速、充分地提取轴承故障特征。建立轴承测试台,使用广州地铁公司提供的转向架轴承对所提出的方法进行实验验证。测试结果表明,经过预处理后,轴承的故障特征更加明显,提出的转向架轴承故障诊断方法能够准确、快速地诊断轴承的故障状态。     

高速动车组大数据PHM系统研究与应用

针对延长高速动车组使用寿命和提高使用效率的问题，在研究了工业大数据、故障预测与健康管理（PHM）的定义和应用、PHM相关标准以及国外PHM软件开发平台的基础上，搭建了基于大数据的车载、地面故障预测与健康管理系统一体化的功能架构并提出技术实现方案，应用动车牵引电机轴承温度健康状态模型,以牵引电机轴承温度和环境温度数据为基础,进行了实例分析。     

基于模糊神经网络的牵引变压器全局故障诊断方法

在传统的油中溶解气体分析方法的基础上,利用模糊神经网络强有力的关系处理能力,研究提出牵引变压器全局故障诊断方法.依据模糊神经网络理论,通过对数值逻辑故障诊断模型和物理逻辑故障诊断模型2类模糊神经网络故障诊断模型的分析,考虑信息采集节点的向量特性、变化趋势特性以及模糊神经网络的反馈特性,给出牵引变压器全局故障诊断模型,以故障征兆特征变化趋势表征故障征兆与故障类别间的因果关系,确立增益参数、权系数判定矩阵与决策矩阵.试验结果表明:该方法能够更好地分析牵引变压器各类故障产生的原因,明确故障特征类型,避免用单一特征数据集诊断牵引变压器故障带来的局限性,可以提高故障诊断的准确率.     

基于改进双曲交点算法的牵引电机故障诊断

CRH(China Railway High Speed)动车组高速列车已成为我国最重要的交通工具,而高速列车牵引电机的可靠性对于保障列车安全运行具有重要意义.提出一种基于改进双曲交点算法的参数估计方法,采用双曲交点作为搜索点,通过约束条件限制搜索点的数目,并在参数估计过程中改变控制参数调节算法的自适应性,以提高参数估计的效率和准确率.以CRH2高速列车牵引电机为模型,基于数学模型在Matlab/Simulink中建立仿真模型,结合所提出的算法进行参数估计.研究结果表明,提出的参数估计方法,能够有效地提高电机故障诊断效率并准确诊断电机定子绕组故障,验证了所提算法的有效性.     

分形维数在接触网隔离开关故障识别中的应用

接触网隔离开关是牵引供电系统中的重要设备,其运行可靠性对于整个牵引供电系统的安全运行有着重要意义。隔离开关故障原因具有多样性与随机性,对不同故障进行及时有效识别存在一定的难度。文章针对隔离开关运行中机械特性,对其电机电流与输出扭矩间存在的关系进行推导,找出它们之间的二次函数关系,证明电机电流可以用以表征隔离开关的运行状态。通过搭建起电机电流采集系统,采集到一定量的电机电流信号,应用分形维数定理对电机电流进行特征提取,在一定程度上实现了对隔离开关机械故障的识别、分类,为接触网隔离开关故障诊断提供了一个新的思路。     

自适应小波分析和多层卷积极限学习码器的轴承故障识别研究

针对滚动轴承振动信号由于强时变和强噪声等特性导致其故障难以辨识的问题,提出一种基于自适应小波分析(AWA)和多层卷积极限学习自编码器(MLCELAE)的滚动轴承故障识别模型.首先,提出一种新的轴承振动信号频谱边界检测方法,对信号频谱进行自适应分割,进而将信号分解为若干本征模态分量;然后选择较能反映轴承故障特征的模态分量并重构;最后构造卷积极限学习自编码器,并逐层堆叠建立深层网络MLCELAE,将信号样本输入MLCELAE进行自动特征学习与故障识别.试验结果表明:提出方法的平均故障识别准确率达到了98.48％,标准差仅为0.17,相比于其他方法在轴承故障识别准确率方面更具优势,适用于滚动轴承故障的自动识别.     

列车牵引逆变器输出电能品质及其故障特征研究

列车牵引逆变器输出电能品质与牵引系统关键部件的工作状态紧密耦合。分析了牵引电机转子断条故障、电机定子匝间短路故障及逆变器IGBT开路故障状态下定子电流的特定谐波分量特性。针对定子电流故障特征,使用快速傅里叶变换(FFT)对故障特征进行识别,提取特定谐波分量,提出了以特定谐波分量含量与基波含量比值大小定位故障部件的故障诊断方法。搭建了牵引系统状态监测仿真模型,验证了提出的故障特征与故障诊断方法的正确性和有效性。     

基于邻相电流的逆变器功率管与电流传感器故障诊断方法

作为牵引逆变器的关键器件,功率管与电流传感器分别在能量转换与系统控制中扮演着至关重要的角色。然而,在恶劣多变的工作环境下,功率管与电流传感器会出现不同程度的老化或失效,从而引发故障。功率管开路故障与电流传感器零输出故障在某些情况下不仅具有相似的故障特征,而且极易给系统带来严重的后果,其故障诊断是当前的研究重点。目前,仅有少部分故障诊断方法对这2类故障的联合诊断进行了研究,且这些方法尚未考虑牵引逆变器两电流传感器方案下的故障诊断,容易出现故障误诊或漏诊等问题。针对牵引逆变器两电流传感器方案下的复合故障诊断问题,提出一种基于邻相电流的故障特征提取与诊断方法。该方法首先分析两相电流信号在功率管与电流传感器故障下的变化,从而推导故障相电流与邻相电流的准确数学模型。在此基础上,对邻相电流进行平移变换与坐标重构,得到具备故障辨识能力的邻相电流轨迹数学模型。将该模型与已有的电流轨迹相结合,可以对功率管单管开路故障、双管开路故障以及电流传感器零输出故障进行有效区分。验证结果表明,提出的方法在电机处于不同运转状态下是有效、可行的,对于有限电流信号下的牵引逆变器故障诊断具有较好的参考价值。     

基于小波包和贝叶斯分类的机车走行部滚动轴承故障诊断研究

机车走行部滚动轴承的状况直接关系到机车的性能和列车的运行安全。针对目前机车走行部滚动轴承故障诊断准确率不高、模型构建时间较长的问题,提出一种基于小波包和贝叶斯分类的故障诊断方法。通过小波包变换构造故障特征集,利用粗糙集和主成分分析进行降维,将未降维和降维之后的故障特征集输入到贝叶斯分类模型中实现故障诊断,最后将贝叶斯分类方法和神经网络及最小二乘支持向量机方法进行比较。仿真结果表明,朴素贝叶斯分类方法构建模型的时间更短,分类准确率更高。