基于多域特征提取与改进PSO-PNN的道岔故障诊断

针对S700K常见的8种故障模式和正常模式所对应功率曲线,提出一种基于概率神经网络(PNN)与改进的粒子群算法(PSO)相结合的道岔故障诊断方法。首先,在9种功率曲线上分别提取时域、频域特征统计量和时频域小波系数,并用主成分分析法降维每个域的特征量,得到特征向量;其次,以3个改进的PSO-PNN做分类器,并对分类器进行训练和预测;最后,3个分类器的预测结果做三取二表决。仿真结果表明:该方法能有效提高道岔故障诊断的准确率,具有良好的容错性。     

基于灰关联的道岔故障诊断方法

本文基于道岔转辙机典型故障下的动作功率曲线变化规律,提出一种基于灰关联的道岔故障诊断方法。通过采用Fisher准则对相应故障模式所对应的特征向量进行选择,通过优化分辨系数,并计算待测样本与各故障模式特征间的灰关联度,将满足门限要求的最大灰关联度所对应的故障模式作为待测样本的故障诊断结果。实验表明,该方法无需训练即可对道岔转辙机故障进行诊断,且有较好的适应性和较高的准确性。     

基于CNN-GRU模型的道岔故障诊断算法研究

道岔作为铁路重要的信号基础设备,在保障铁路安全运行中起到重要作用。基于信号集中监测系统中道岔的故障电流和功率曲线,经过哈尔小波变换后,通过卷积神经网络(CNN)中的卷积层,对故障曲线提取一定维度的道岔故障特征;然后把提取到的故障特征作为门控循环单元(GRU)的输入,从而实现道岔故障诊断;最后将数据集分成训练集和测试集,对模型做训练和验证。实验仿真表明,特征矩阵采用40维输入,迭代75次时,道岔故障诊断准确率达95%,训练时间也优于其他方法。     

基于PLSA和SVM的道岔故障特征提取与诊断方法研究

铁路局和电务段长期以来保留的道岔故障记录是非常宝贵的数据,对道岔故障类型统计、故障特征分析、故障诊断和故障预测有非常好的参考作用,但这些数据往往保存格式多样,难以直接利用。本文提出基于主题模型PLSA和支持向量机SVM的道岔设备故障特征提取与诊断方法。通过分词算法将故障文档表达在词项特征空间中;采用主题模型算法提取主题特征,并将故障文档表达在主题特征空间上;以SVM算法构造诊断器实现道岔设备的故障诊断。利用中国铁路广州局集团有限公司道岔故障记录的真实数据,对提出的算法有效性进行验证。实验表明,提出的算法能有效实现道岔设备故障诊断,对现场维护有一定的指导意义。     

基于DCNN-SVM的道岔智能故障诊断方法研究

针对道岔故障难检测、难分类、时效差等难题，以S700型转辙机道岔为研究对象，提出一种基于DCNN-SVM的道岔故障诊断方法。首先从道岔正常转换曲线和发生故障时的动作曲线入手，总结故障类型、故障原因和故障信号形态特征，并对道岔转换动作曲线进行预处理，即数据统一维度和归一化。然后计算标准电流曲线和功率曲线，根据道岔转换曲线与标准曲线的相似度来识别道岔转换正常和异常。再采用分区时域特征提取和ReliefF特征筛选，选取对故障分类具有明显效果的时域特征，以及根据深度学习算法获取的图像特征，形成有效特征向量空间。最后使用训练集对DCNN-SVM道岔故障诊断算法进行模型训练，并基于诊断模型实现道岔故障的实时诊断。实验表明：在样本数据量足够大的情况下，DCNN-SVM道岔故障诊断方法正确率达99.01%,相比SVM算法提高0.64%,对保障行车安全具有十分重要的作用。     

基于波形特征提取和FA-Grid SVM的MVB故障诊断

列车通信网络的故障诊断一直是列车健康管理的难点,文章针对列车MVB(多功能车辆总线)网络,提出了一种基于波形特征提取和联合萤火虫网格寻优支持向量机(FA-Grid Support Vector Machines, FA-Grid SVM)相结合的故障诊断方法。通过提取MVB总线物理波形的时域特征,作为支持向量机的样本,构建MVB故障数据集;基于SVM较优参数点基本集中于同一区域这一现象,提出FA-Grid两步寻优的参数优化模型。试验结果表明,与传统网格寻优和遗传算法(GA)相比,提出的FA-Grid寻优模型时间复杂度低,分类效率高,能够准确地对MVB故障进行诊断。     

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.     

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.     

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WNN分析功率曲线的S700K转辙机故障诊断

基于S700K转辙机常见故障下的功率曲线提出一种将小波变换、改进型遗传算法与神经网络相结合的故障诊断方法。用相应故障模式下的功率信号进行正交小波分解,把结果作为神经网络的输入特征向量,利用改进的遗传算法优化BP神经网络的参数,用训练好的BP神经网络进行故障诊断。研究结果表明:该方法可以有效的运用到S700K转辙机的故障诊断中,并提高转辙机故障诊断的精度与速度。     

基于CHMM和SSA-SVM模型的高速铁路道岔设备健康状态评估方法

为更加精准地评估道岔设备健康状态，加强对设备的维护与管理，以ZDJ9型转辙机驱动的高速铁路道岔设备为研究对象，提取道岔功率曲线的时域、频域特征指标及经验模态分解奇异值熵，组成道岔特征指标向量，并采用核主成分分析法消除原始多维特征信息的冗余，构建道岔特征指标样本数据库；利用连续隐马尔可夫模型划分道岔退化状态，在此基础上，建立麻雀搜索算法优化支持向量机的健康状态综合评估模型。研究结果表明：所构建的健康状态评估模型的评估正确率高达98.75%,不仅能够实现高铁道岔设备健康状态综合评估效能，而且明显优于GridSearch-SVM、GA-SVM、PSO-SVM等组合算法，为实现道岔设备由“故障修”到“状态修”的综合智能维护提供可行途径。     

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。     

基于隐马尔科夫模型的道岔故障诊断方法

针对国内外高速铁路的快速发展,道岔故障严重影响行车安全及运输效率,本文提出一种基于隐马尔科夫模型的道岔故障诊断方法,通过增加道岔设备的潜在故障状态,将道岔设备的状态进行多状态细分。采用基于Fisher准则函数和主成分分析的方法进行特征提取,矢量量化处理后,建立不同故障模式下的HMM模型,通过比较测试数据与训练得到的不同HMM模型的匹配值进行故障诊断。利用京广铁路长沙南某型号道岔连续动作功率数据,对模型的性能进行测试,完成了故障诊断的实现与验证。仿真结果表明,采用四维特征信息时,其训练时间相对于其他机器学习方法有了较大提高,正确率达到90%以上,且该方法将道岔状态进行细分,通过分析每种状态之间的状态转移,可以预测道岔故障,从而进行道岔设备健康状态监测。     

基于网格搜索的PCA-SVM道路交通标志识别

针对现有识别方法对交通标志的识别精度和算法效率不高的问题,提出了一种基于网格搜索的主成分分析-支持向量机(PCA-SVM)道路交通标志识别方法。该方法首先采用主成分分析(PCA)法对交通标志进行降维处理,提取出交通标志的主元特征,然后利用网格搜索法(GS)对支持向量机(SVM)进行参数优化,最后利用参数优化好的支持向量机分类器实现对交通标志的识别。通过实验仿真,并与现有的其他交通标志识别算法进行分析对比,实验结果表明,本文方法在保证较高识别精度的同时,算法效率得到显著提高。     

基于三相电流检测的逆变器开路故障诊断及容错方案研究

为解决逆变器开路故障诊断问题及充分利用剩余桥臂资源,针对基于矢量控制的异步电机驱动系统中逆变器开路故障诊断及容错方案,采用逆变器输出三相电流信号作为特征参数,利用小波分析理论提取特征向量,进而通过支持向量机(SVM)判断逆变器是否故障。当SVM检测到逆变器故障时,逆变器由传统的六开关拓扑切换为四开关拓扑,采用四开关模式"七段式"空间矢量脉宽调制(SVPWM)算法调制。通过计算机仿真验证了SVM诊断逆变器开路故障及四开关容错控制的正确性和有效性。     

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。