基于粒子群支持向量机的轨道电路故障诊断

支持向量机（SVM）是一种解决小样本分类问题的最佳理论算法，它的核函数的参数选择非常重要，直接影响着故障诊断的准确率。本文将粒子群算法（PSO）用于支持向量机的参数优化，提出基于粒子群支持向量机的故障诊断模型，并将其运用于轨道电路中。通过对比MATLAB仿真结果得出:经过粒子群寻优得到的参数比随机选取的参数更优，所建立的PSO-SVM模型的故障诊断准确率高于普通的SVM模型。     

基于改进对抗网络与自适应数据对齐的转辙机故障诊断研究

针对转辙机故障监测数据的非均衡小样本的诊断问题，提出一种基于改进生成对抗网络数据增强的转辙机故障诊断方法。该方法以故障诊断为目标改进ACGAN网络，利用生成器扩充样本分布空间及判别器的辅助分类器学习故障曲线的特征分布模式，以少量样本训练模型实现对常见故障的精确诊断。鉴于转辙机动作电流数据长度不一致，采用自适应压缩实现数据对齐，避免了以往硬填充或硬截断对齐方式对模式特征的破坏，进一步增强了故障诊断性能。最后采用成都地铁四号线的转辙机实际数据进行测试验证并与相关方法对比实验。结果表明，本文方法对转辙机非均衡小样本的数据集具有良好的适用性，其故障诊断AUC指数为0.999,诊断准确率高且实时性好，具有较好的现场应用前景。     

基于Mallat小波分解与改进GWO-SVM的道岔故障诊断

为顺应道岔故障诊断向智能化和自动化的发展趋势,以S700K转辙机功率曲线为例,提出一种改进型灰狼优化算法(GWO)与支持向量机(SVM)相结合的故障诊断方法。在8种故障模式和正常模式所对应的功率曲线实施5层Mallat小波分解,得到各层近似系数和细节系数,并计算各层系数的平方和;利用主成分分析法对系数平方和组成的向量集进行降维,得到特征向量集;改进型灰狼优化算法优化支持向量机参数,并用优化好的支持向量机进行故障预测。研究结果表明:该方法能有效提高道岔故障诊断的准确率。     

基于支持向量机的牵引供电系统高阻接地故障诊断方法

提出一种利用牵引供电系统电流信号、基于支持向量机(SVM)的牵引网高阻接地故障诊断方法。针对不同位置接地阻抗故障的电流信号,先采用希尔伯特变换和伯格谱估计提取时频特征量和频谱特征量,再构造SVM二分类器,利用交叉验证法对SVM二分类器进行参数优化,形成一个牵引网高阻接地故障分类器。将特征向量组送入SVM分类器中进行处理,能诊断出牵引网高阻接地故障。仿真验证结果表明,该方法在小样本情况下具有较高的分辨正确率。     

基于支持向量机的机车轴承故障诊断方法

通过对机车轴承振动信号的分析处理,提出基于支持向量机(SVM)的故障诊断方法,提取反映轴承运行状态的无量纲系数作为故障的特征向量,并以此作为输入来建立支持向量机分类器,利用SVM网络的智能性来判断机车轴承的工作状态和故障类型.实验结果表明,提出的方法在小样本的情况下仍能准确、有效地对机车轴承的工作状态和故障类型进行分类,实现机车轴承故障的智能诊断.     

基于旅客面部特征的实名制铁路车票检票身份认证算法

为了高效地完成实名制铁路车票的验票流程,提出1种基于旅客面部Gabor特征的身份认证算法.采用二维Gabor滤波器提取人脸图像的Gabor特征,并对这些特征进行变换和重组;对重组后得到的特征矩阵进行类内差和类间差运算,获得初始样本,并运用主成分分析法进行样本降维,构造出支持向量机分类器,从而通过支持向量机分类器实现旅客身份的认证.在F-Gnet人脸图像库上的实验结果表明,该算法的正确认证率可达94.14％,且对光照与人脸表情变化具有鲁棒性.     

基于局部特征描述的高速铁路接触网斜撑套筒定位与故障检测

针对高速铁路接触网支撑装置斜撑套筒部件的螺钉松脱与脱落问题,提出一种基于采用局部特征描述的统计模式识别算法和螺钉灰度分布规律的图像检测方法。首先计算斜撑套筒部件正负样本的HOG特征,训练基于AdaBoost算法的级联分类器,实现接触网支撑装置图像中斜撑套筒部件的定位识别。为减少误匹配率,采用支持向量机分类器与AdaBoost分类器级联的方法完成目标的精确定位。对定位得到的斜撑套筒子图像利用Hough变换和边缘检测寻找分割直线分离螺钉和套筒,使螺钉可以被单独分析。实验表明,本文方法能够较准确地实现斜撑套筒2种不良状态的检测。     

基于概率神经网络的S700K转辙机故障诊断方法

转辙机故障对铁路运输安全影响重大。针对转辙机故障原因与现象之间的复杂不确定性关系，提出一种基于概率神经网络的S700K转辙机故障诊断方法。在对转辙机各个状态功率曲线动作原理进行分析的基础上，根据信号不同时域特征参数，对各工作区段的特征进行提取；依据故障现象与故障类型的关系建立概率神经网络模型，以F1-Score作为诊断准确性评价指标，通过测试不同平滑因子对F1-Score值的影响，确定0.019为概率神经网络进行故障诊断最优的平滑因子；最后选择来自某电务段的81组S700K转辙机故障数据作为测试数据，验证了该智能故障诊断方法的可靠性。     

转辙机故障诊断在铁路信号集中监测系统中的应用

结合转辙机的电流曲线值、定位和反位表示、表示电压等采集值,设计了一种转辙机故障诊断模型,以实现对转辙机的故障诊断。该模型对转辙机的故障原因定位具有较高的识别率,可进一步推动信号设备由计划修到状态修转变的进程。     

基于Labeled-LDA的列控车载设备故障特征提取与诊断方法研究

准确地诊断出列控车载设备的故障类型是保障列车安全运行的基础。针对车载设备故障诊断问题,根据北京动车段300T车载日志数据的特点,基于数据挖掘方法并结合现场技术人员的经验知识,构建车载设备的故障特征词库;在此基础上,改进了Labeled-LDA(Latent Dirichlet Allocation)模型用于提取日志数据的语义特征。采用基于粒子群优化的支持向量机算法PSO-SVM对日志文本的故障进行分类,以降低故障样本数据分布不均衡对分类精度的影响,并与传统的支持向量机算法SVM,K最近邻算法KNN进行对比分析。实验结果表明,KNN、SVM、PSO-SVM三种算法的故障文本数据一级故障诊断准确率依次为79.4%,81.8%和90.9%,二级故障诊断准确率依次为74.6%,78.1%和81.3%,验证了PSO-SVM算法在车载设备故障诊断方面的有效性。该研究成果对列控车载设备日常维护具有一定的指导意义。     

基于小波分析和SVM的主变流器故障诊断

针对电力机车主变流器的故障,提出基于小波分析和支持向量机(SVM)的故障诊断方法.首先,运用小波包对特征信号进行分解和重构,然后提取各频带的能量,将得到的能量值构造为特征向量,最后把特征向量输入到支持向量机,进行故障诊断.MATLAB仿真结果表明,该方法能够准确地对故障进行诊断.     

支持向量机在内燃机车燃油系统故障诊断中的应用

将支持向量机应用到内燃机车柴油机燃油系统故障诊断中,将故障诊断问题转换为故障分类问题,成功地实现了小样本情况下的数据识别.以昆明机务段在修程期间记录的故障数据作为样本,采用1-a-1多类分类器对DF4B型内燃机车燃油系统部分故障信息进行了学习.计算结果显示采用支持向量机的识别方法,故障判断平均准确度可以达到99.2%.     

基于独立成分分析和支持向量机的交流电机故障诊断

研究了一种结合独立成分分析和支持向量机的方法在交流电机故障诊断中的应用.首先通过检测各种电机振动和定子电流信号得到数据,利用独立成分分析对交流电机原始数据进行特征提取和压缩;主成分分析也同时应用于独立成分分析特征提取过程中,在完成故障识别时应用了支持向量机技术,采用的是连续最小优化算法和基于支持向量机分类的多类统计分类方法.同时分类过程选择了典型的核函数,以达到诊断电机故障的目的.试验分析的结果表明,该方法是一种简单而有效的方法.     

一种顾及用户朝向的PSO-LSSVM指纹定位算法

为了解决人体对WiFi信号遮蔽和最小二乘支持向量机参数优化的问题,提出了一种顾及用户朝向的粒子群优化最小二乘支持向量机指纹定位方法。建立全向指纹库,采用粒子群优化算法求出最小二乘支持向量机最优参数,通过最小二乘支持向量机训练出定位模型,将待测点指纹信息输入定位模型中,最终估算出待测点位置坐标。仿真实验结果表明所提算法在定位误差上达到0.72 m,普通的粒子群优化最小二乘支持向量机算法定位误差为0.84 m,提高了室内定位精度,具有实际的应用价值。     

基于改进支持向量域描述的道岔转辙机运行状态异常检测

针对铁路道岔转辙机缺乏大量异常样本来实施其运行状态异常检测的问题,提出了基于改进的支持向量数据域描述方法的异常检测模型。以ZYJ7型液压道岔转辙机为研究对象,利用既有微机监测系统采集道岔功率数据。用聚类的方法对数据进行清洗,接着对功率数据在时间序列上进行解锁、转换和锁闭分解,分别提取其统计特征值,采用主成分分析(PCA)法对特征值进行降维处理,将经过处理后的数据输入到异常检测分类器进行模型训练和模型测试。实验结果表明,改进的支持向量域描述(SVDD)分类器对道岔运行状态的异常检测有较强的识别能力。     

地铁视频监控系统中的行人检测研究与应用

行人检测是智能监控技术的一项重要内容,为了快速准确地对地铁站内的行人进行检测,采用图像的梯度向量直方图(Histograms of Oriented Gradient,HOG)特征表征行人,并通过改进HOG特征的提取算法,加快了特征向量的提取速度。分类器使用支持向量机(SVM),针对大量行人和背景训练样本,提取HOG特征并训练SVM行人分类器。用训练得到的分类器对测试样本进行检测,实验表明,提出的方法具有较高的识别率和较强的普适性,并可以应用于实际地铁环境中。     

基于布模拟滤波和支持向量机的隧道三维点云提取算法

针对传统隧道点云提取方法存在先验条件要求较高、参数依赖性较强、通用性较差的问题，提出基于布模拟滤波和支持向量机的隧道三维点云提取算法。介绍隧道三维点云提取算法流程，分析点云数据获取与下采样算法、基于布模拟滤波算法的地面滤波，以及基于支持向量机的隧道点云提取算法，并开展现场验证试验。试验结果表明，基于布模拟滤波和支持向量机的隧道三维点云提取算法，可准确剔除与隧道点云特征不一致的非隧道点云，隧道点云提取具有处理速度快、准确率高、通用性强的特点。但如果隧道中出现大量距离隧道非常接近的物体，且体积较小，该算法会出现较多误判。减少误判是该隧道三维点云提取算法今后的研究方向。     

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ICEEMDAN-MPE-RF和SVM的齿轮箱特征提取与故障诊断

针对齿轮箱非平稳振动信号特征提取难、特征向量冗余度高和故障识别率低的问题，提出基于改进的自适应噪声完备集成经验模态分解（Improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN）、多尺度排列熵（Multi-scale permutation entropy,MPE）、随机森林（Random forest,RF）特征重要性排序和支持向量机（Support vector machine,SVM）的齿轮箱特征提取与故障诊断方法。首先，通过ICEEMDAN将各种故障状态的齿轮振动信号分解为一系列不同频率分布的本征模态分量（Intrinsic mode functions,IMF）；然后，计算各阶IMF的MPE值获得非平稳信号时频分布下的非线性动力学特征；最后，通过RF算法评估特征重要性，选择高重要性敏感特征组成最优特征子集输入SVM进行故障模式识别。试验结果表明，该方法特征提取和表征能力强，在不同工况下的平均识别率可达99.79%，在多工况和小样本数据集上比其他方法更具稳健性。     

基于LBP-HOG特征的接触网旋转双耳区域识别

研究基于LBP特征、HOG特征与支持向量机相结合的目标定位原理,并对旋转双耳区域进行定位研究,分别使用LBP特征与支持向量机的方法和HOG特征与支持向量机的方法对旋转双耳区域进行定位,在此基础上,提出将LBP特征和HOG特征融合成LBP-HOG特征对旋转双耳区域进行定位。检测结果表明,同等条件下,LBP-HOG特征的检测效果优于单一使用LBP特征和HOG特征。