基于仿真试验和BOA-VMD的轴箱轴承故障特征提取算法研究

针对城轨列车运行过程中轴箱轴承故障难以发现的问题，提出一种利用蝴蝶优化算法(Butterfly Optimization Algorithm,BOA)对变分模态分解(Variational Mode Decomposition,VMD）参数进行优化的轴承故障特征提取方法。首先构建基于轴承-车辆刚柔耦合的轴承故障动力学模型，提取轮轨激扰和轴承故障情况下的轴箱振动信号；然后利用蝴蝶优化算法对轴箱振动信号的VMD模态分量数和二次惩罚系数进行寻优，确定最佳参数组合；最后利用已确定的最佳参数对轴承振动信号进行VMD分解，得到不同本征模态分量(Intrinsic Mode Function,IMF)，并对最佳模态分量信号进行包络分析，识别到轴承故障时的特征频率。试验分析表明，基于优化参数的VMD分析方法能够有效提取轴承故障特征频率，通过经验模态分解(Empirical Mode Decomposition,EMD)分析方法对比，可以发现文章提出的分析方法效果更加有效。     

基于改进VMD和APSO-SVM的高速列车轴承故障诊断

针对高速列车轮对轴承故障信息微弱难以提取的问题,提出一种结合变分模态分解(Variational mode decomposition,VMD)和粒子群算法参数优化支持向量机(Adaptive Particle Swarm Optimization-Support Vector Machine,APSO-SVM)的高速...     

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PSO-MK-ELM的动车轮对尺寸预测模型

动车轮对安全尺寸预测为动车安全性评估提供了依据。由于轮对尺寸变化受到运行环境等因素影响的复杂性,提出了一种适用于动车轮对尺寸数据的粒子群优化多核极限学习机(PSO-MK-ELM)预测模型。将多项式核函数和径向基核函数加权构成的多核函数(MK)引入极限学习机中,并采用粒子群优化算法对模型的4个关键参数进行寻优。针对CRH2车型的动车车轮直径数据,通过对比不同算法的预测结果,验证该方法的合理性和准确性。预测结果表明,在动车轮对尺寸数据的预测上,PSO-MK-ELM预测模型能够获取比BP模型、ELM模型和3种常用KELM模型更好的拟合优度、均方差、平均绝对误差和平均绝对百分比误差,验证了模型在动车轮对尺寸预测上的有效性。     

基于BEMD-IPSO-SVM的 扣件完损状态检测

扣件的完损状态关乎铁路系统的安危,而传统检测算法运算复杂且精度不足,为进一步提升检测性能,提出基于BEMD-IPSO-SVM的扣件完损状态检测算法。该算法首先对初始化的扣件图像进行二维经验模态分解,提取固有模态函数的频谱特征,通过改进粒子群算法优化支持向量机来实现检测分类,达到了简化运算,增强泛化性,提升识别准确度的目的。通过实验仿真得出平均检测准确率可达95.15%,证明该算法在扣件检测方面切实可行。     

自适应频域字典的机车轮对轴承稀疏诊断方法

稀疏分解是强噪声环境下故障特征提取的一种有效方法,构造与故障振动信号匹配的字典对稀疏分解效果至关重要。小波参数字典因小波的灵活多变性和良好的局部时频特性而被广泛应用于轴承故障诊断领域。然而,现有小波参数字典多是通过时域相关滤波法(CFA)以小波与故障冲击间的相关系数为指标获取字典原子的最优中心频率、阻尼比等参数,时域滤波耗时长、抗噪性差,相关系数指标没有考虑冲击发生的周期性特点,导致字典匹配性欠佳。针对上述问题,提出一种自适应频域滤波进行参数字典设计的机车轮对轴承故障诊断方法。该方法以新提出的时频域指标——加窗包络谱峭度(WESK)和相似度指标——皮尔逊相关系数(PCC)作为字典原子参数选取依据,以粒子群优化算法(PSO)优化的Morlet小波带通滤波器确定轴承故障产生的系统共振频率作为字典原子的中心频率,按照PCC值最大原则选取最优阻尼比完成字典原子的构造,改变时移变量张成小波字典后,结合正交匹配追踪算法(OMP)稀疏重构原始信号,提取故障特征频率。自制试验台数据以及机车轮对轴承的工程实际应用均验证了所提方法和新指标(WESK)的有效性和稳定性,诊断效果优于现有时域相关滤波法(CFA...     

基于自适应变分模态分解的桥梁振动信号降噪

针对实际桥梁结构振动响应信号易受环境噪声的影响,而降噪效果较好的VMD方法存在本征模态函数分解数量难以确定的问题,提出了一种改进的变分模态分解(Variational Mode Decomposition)方法——自适应变分模态分解方法(Adaptive VMD,AVMD),实现了桥梁振动响应信号的自适应降噪。在传统VMD方法的基础上,通过结合EMD方法和主成分分析,解决了VMD方法中本征模态函数分解数量难以确定的问题,并引入多尺度小波分解技术,对受噪声污染的信号进行多尺度分解、优选与重构,进而实现复杂桥梁结构振动信号的降噪。以一座大型悬索桥为工程背景,对桥梁实测振动响应数据进行了降噪与模态参数提取。结果表明,AVMD方法解决了传统VMD方法中本征模态函数分量难以确定的问题,降噪信号所识别出的桥梁结构虚假频率比原始信号所识别出的虚假频率减少了58.82%。     

基于HPSO-WNN的牵引变压器故障诊断算法研究

为全面有效地诊断电力机车牵引变压器故障,提出一种基于混合粒子群算法的正交小波神经网络(HP-SO-WNN)方法,对牵引变压器进行综合测试和诊断。将色谱数据和电气试验数据作为正交小波神经网络的输入量,网络隐藏层采用具有正交性的小波函数db4作为基函数,利用混合粒子群算法获得正交小波神经网络的初始值并优化网络参数。试验结果证明,本文提出的HPSO-WNN确实可有效提高牵引变压器故障诊断速度和准确度。     

基于VMD-FastICA的齿轮箱故障诊断

针对齿轮箱故障信号微弱且易受周围噪声影响的问题,提出了一种基于变分模态分解(VMD)的独立分量(ICA)算法。该方法首先将采集的信号进行MCKD降噪,将降噪后的信号利用VMD算法分解为多个不同的本征模态分量(IMF),然后依据快速谱峭度图和相关系数选取有效的IMF分量进行重构信号,对于重构信号利用FastICA再次进行降噪处理,根据FastICA降噪后得到的故障特征分量,可以有效地识别故障。结果表明:该方法可以更清晰、准确地提取出故障特征频率和找出故障发生的位置。     

基于小波包分解多尺度排列熵及2阶特征选择的转辙机故障诊断方法

针对转辙机高精度故障诊断的需求，结合声音信号非接触、易采集等优势，提出一种基于声音信号的非接触式故障诊断方法。首先，基于小波包分解与多尺度排列熵，实现对声音样本的特征提取；其次，提出基于ReliefF和二进制粒子群优化算法的2阶特征选择方法，得到最佳特征集合，实现对声音样本的特征选择；最后，基于支持向量机算法对最佳特征集进行训练和测试，完成对转辙机的故障诊断。依托10种常见工况下共计800组声音样本开展实验，结果表明：该方法在反位—定位和定位—反位转换过程中得到的特征点数分别为13和39个，故障诊断准确率分别为99.67%和100%；相比于单一特征选择方法，采用的2阶特征选择方法能够大大降低特征维度，提高故障诊断准确率；相比于k近邻和线性判别分析这2种分类器，支持向量机分类器在转辙机故障诊断中更具优势。     

基于CEEMDAN与KFCM聚类的转辙机退化状态识别方法

针对道岔转换设备在使用寿命内的功率信号特征提取与退化状态识别问题，提出基于自适应白噪声完备经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）与核模糊C均值聚类（Kernel-based Fuzzy C-Means clustering,KFCM）相结合的转辙机退化状态识别方法。首先，对S700K转辙机采集的功率曲线数据进行模态分解，得到多个固有模态函数（Intrinsic Mode Functions,IMFs），通过IMFs的能量幅值获得表征数据退化过程的特征向量；然后，由KFCM算法对特征向量进行转辙机退化状态识别，并进行状态划分；最后，通过计算分类系数和平均模糊熵对该方法的分类性能进行综合评估，并与模糊C均值聚类（Fuzzy C-Means clustering,FCM）和GK (Gustafson Keseel)聚类算法进行比较。结果表明：该方法聚类效果准确率达95.6%，优于FCM和GK聚类算法，能对转辙机的退化状态进行科学划分，为铁路现场道岔设备健康状态监测提供...     

计及牵引负荷相关性的随机潮流计算

结合随机潮流计算量化系统状态变量的概率信息,构建牵引变电所概率负荷模型,描述牵引负荷的随机性和波动性,对实现系统优化运行具有重要意义。通过蒙特卡洛算法模拟相应数据并结合非线性递减惯性权重与混沌优化的粒子群算法辨识模型参数;针对随机潮流计算输入变量的相关性控制问题,提出一种基于模拟退火算法与拉丁超立方采样的方法。仿真实验结果表明:改进的粒子群算法较普通粒子群算法拟合精度更高;改进的相关性控制方法可以不受随机变量概率密度表达式的约束,实现多个随机变量的相关性控制;计及牵引负荷样本之间的相关性对节点电压越限概率、支路功率的影响较仅考虑普通负荷相关性时更为明显,可指导系统进行概率潮流优化。     

基于PSO-SVM的轨道交通车站安全态势预测研究

提出一种基于PSO-SVM算法的安全态势预测模型,用于城市轨道交通车站安全态势预测研究。首先介绍支持向量机(SVM)和粒子群优化算法(PSO)的基本概念,以高斯径向基函数为核函数建立支持向量机安全态势预测模型,然后应用粒子群算法优化模型参数,得到优化的预测模型,再以某车站为例进行仿真实验,结果表明利用PSO-SVM算法预测车站安全态势值具有可行性。该预测方法对车站安全运营和乘客安全出行具有一定指导意义。     

基于参数优化VMD和SPWVD的轨道波磨辨识方法

为了有效检测轨道波磨故障,提出一种基于参数优化变分模态分解(VMD,Variable Mode Decomposition)和平滑伪维格纳分布(SPWVD,Smooth Pseudo Wigner Ville Distribution)的轨道波磨辨识方法。采用变步长最小均方(VSSLMS,Variable Step Size Least Mean Square)算法对列车轴箱振动加速度原始信号滤波;对滤波后的信号进行变分模态分解,将分解信号包络熵作为轨道波磨辨识的指标;采用平滑伪维格纳分布对分解后的信号进行时频分析,确定波磨发生的位置及波长;通过仿真信号与实例验证方法的有效性。验证结果表明,该方法可提高轨道波磨辨识的准确性,辅助轨道维修和养护。     

基于EMD-PSO-ELM的基坑变形时变序列预测研究

变形是造成基坑事故的最主要因素,为准确分析变形特性,实现变形的精准动态预测,保证基坑的安全施工。提出一种将经验模态分解(EMD)、粒子群算法(PSO)和极限学习机(ELM)组合的深基坑多维度时变预测模型。经EMD将基坑变形时变序列进行分解,获得多尺度本征模态函数(IMF);采用PSO-ELM对各IMF时变序列进行预测,等权叠加各预测值,得到模型最终预测结果,同时利用PSO-ELM模型对未经处理的时变序列进行预测。以南宁市某深基坑为例,结果表明:经EMD分解的模型预测相对误差为0.22%0.42%,平均相对误差值仅为0.32%;未经EMD分解的模型预测相对误差为0.31%0.75%,平均相对误差值为0.64%,经EMD分解后模型预测精度明显高于未经分解的模型精度,能较好地应用于非平稳时变预测,为深基坑变形预测提供一种新的方法。     

基于粒子群支持向量机的轨道电路分路不良预测方法

轨道电路分路不良是影响铁路运输效率和运营安全的重要因素。本文基于ZPW-2000型轨道电路理论模型分析了分路不良对机车感应电流信号的影响,采用小波分解与重构算法对正常和分路不良情况下分路电流信号的细节分量进行分析与比较,在此基础上提取了分路不良预测所需的特征参量,通过粒子群参数优化的支持向量机模型实现分路不良的预测。通过对比实验结果表明:本方法能够有效预测轨道电路分路不良现象,预测正确率可达99.5%,高于其他方法。     

基于VMD的地铁车辆平轮状态监测和诊断

针对地铁车辆轮轨振动信号信噪比低、非线性、不平稳等特点,为更好地提取地铁平轮的故障特征,提出一种基于变分模态分解(VMD,variationl mode decomposition)和包络谱熵的地铁平轮故障诊断方法。首先,构建虚拟仿真信号做变分模态分解,并与经验模态分解进行对比分析,说明VMD方法的有效性,再对实测4种工况的轮轨振动信号进行变分模态分解,求出不同分解模态的包络谱熵值,最后采用支持向量机分析故障诊断效果。试验结果表明:提出的方法能够有效地提取平轮故障特征,对地铁车辆平轮故障状态具有良好的诊断效果。     

基于VMD-HHT冲击回波法的隧道衬砌检测技术研究

研究目的:针对常规冲击回波法在进行隧道衬砌脱空检测时容易出现多重峰值、虚假频率等问题,提出以模糊熵和相关系数为综合目标函数的遗传算法对原始信号进行最优化变分模态分解(VMD),然后基于希尔伯特-黄变换(HHT)计算信号的边际谱,并据此进行脱空检测分析,解决了傅里叶变换对非平稳冲击回波信号分析存在的固有缺陷,并基于仿真信号和隧道衬砌物理模型检测信号对数据处理方法进行了验证。研究结论:(1)以模糊熵和相关系数为综合目标函数的遗传算法有效实现了VMD分解参数的最优化,避免了人为设定参数所具有的偶然性;(2)VMD能够自适应地实现对冲击回波信号不同主频分量的有效分离,不存在模态混叠,因此能够有效滤除噪音信号,提高数据信噪比;(3)本文所提出的基于改进VMD-HHT的冲击回波法能够对衬砌厚度进行可靠检测,且检测结果中主频清晰明显,干扰远小于常用的傅里叶变换,不容易产生误判,有效提高了检测精度;(4)由于傅里叶变换及VMD-HHT处理方法的检测结果均存在一定的误差,因此要精确判断衬砌是否存在脱空,需结合隧道衬砌为密实情况的结果进行综合对比分析。     

基于SVM-PSO算法的大跨度悬索桥挠度可靠度研究

为了研究高维随机参数作用下大跨度悬索桥运营阶段挠度可靠度,在有限元计算基础上,基于支持向量机(support vector machine,SVM)建立成桥阶段挠度可靠度模型,结合优化后的粒子群算法(Particle Swarm Optimization,PSO)计算结构运营阶段挠度可靠指标。研究结果表明:借鉴遗传算法中的变异思想,通过设置中间变量约束条件,可以解决粒子群算法易早熟、后期迭代效率低的问题,进而提高计算效率与精度,基于SVM-PSO算法的结构可靠度方法高效准确,普立特大桥挠度可靠度满足正常使用极限条件下的要求。     

经验小波变换在桥梁模态参数识别中的应用

针对桥梁结构模态密集、测试信号噪声强度高等特点,为在时频域内识别桥梁结构的模态参数,引入最新的经验小波变换,提出了一种基于经验小波变换的桥梁结构模态参数识别方法,以仿真信号验证了该方法在信号分解上的有效性。结合某曲线斜拉桥模型试验动力测试数据,识别了该模型桥梁前六阶竖向自振频率和前四阶横向自振频率,结果表明:该方法能对桥梁测试信号有效分解,各分量之间不存在模态混叠,并能正确识别出桥梁结构的模态参数,为该领域的研究提供了新思路。