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。     

基于文本分析的高速铁路道岔故障分类模型研究

道岔是保障高速铁路运输安全的关键电务信号设备,研究其故障发生规律对指挥现场人员巡检和维修作业具有重要意义。针对非结构化铁路道岔故障描述的文本数据分类,根据高速铁路道岔故障发生原因和设备结构,结合专家经验进行人工划分,基于实时道岔动作电流或转辙机拉力等结构化数据进行自动分类。提出一种新的基于非结构化历史道岔故障文本描述的文本分类模型,首先应用融合铁路领域词典的中文分词工具Jieba进行分词,并通过Word2Vec和TF-IDF分别生成特征向量,最后应用SVM模型实现铁路道岔故障的智能分类。试验表明,该分类模型可以取得较好的分类结果,为现场作业人员提供一种客观的、基于海量历史数据的故障诊断模型。     

ZD6型转辙机动作电流曲线分析

道岔动作电流曲线是道岔动作过程中,牵引点转辙机电流变化情况的直观图形表示.通过对某个道岔动作电流曲线的查询与分析,可以判断该道岔转换设备的运用状态,及时发现和消除影响设备正常使用的隐患,最大限度地减少道岔故障的发生.     

浅谈ZYJ7＋SH6牵引分动外锁闭提速道岔维护

根据ZYJ7 SH6牵引分动外锁闭提速道岔故障情况及日常维修攻关的结果,提出了降低道岔转换阻力,使其对应动作压力小于或等于6MPa的维修标准。详细介绍了如何降低该种道岔转换阻力的方法,以及如何利用微机监测来发现有问题的道岔,及时消除该种道岔故障隐患,保障道岔转换设备正常使用。     

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。     

基于相似度的道岔健康状态评估及故障检测方法研究

针对道岔系统故障诊断需要大量数据且较难获取的情况,提出基于波形相似度的健康状态评估及故障检测算法.使用SURF算法进行特征点预提取,提高计算的实时性;通过Hausdorff距离计算待识别曲线与标准曲线间的相似度,确定健康值及理论故障时间;对于已经处于故障状态的样本,与故障曲线库内模板曲线进行对比,选择匹配度最大的故障模板曲线所对应的故障类型作为待识别曲线的可能故障,从而提出检修意见.实例分析表明,该方法准确率高、速度快、适应性强,具有实际应用价值.     

提速道岔小波包能量熵故障诊断方法

将小波包变换应用于S700K型提速道岔转辙机故障诊断中,以微机监测系统采集的S700K型转辙机三相交流电流为信号源,基于小波包多尺度分析对道岔转辙机正常工作状态和各故障状态下的三相交流电流进行分解,并通过小波包能量熵提取故障特征,然后根据能量熵定义故障诊断指标,并对每相电流的故障诊断指标设定2个阈值,来定量划分故障类型。实验结果表明:道岔不同故障情况下,三相电流小波包能量熵分布有一定的规律,故障诊断指标阈值的设定能有效划分道岔故障类型,待测样本测试结果与现场诊断结果一致。     

道岔动作电流监测曲线分析

道岔是地铁最重要的行车设备之一。道岔动作电流及功率曲线是反映道岔运用质量的一个重要指标。通过对道岔动作电流的实时监测,能直接测量出电动转辙机的启动电流、工作电流、故障电流、动作功率及动作时间,并以此描绘出道岔动作电流曲线。日常微机监测数据调看时,应对每组道岔的动作电流曲线作详细调看。对照参考曲线进行对比、分析,以便随时掌握道岔的电气特性、时间特性和机械特性,从而发现转换过程中的不良反应。这对预防故障发生、消除不良隐患及故障应急抢险有着不可替代的作用。     

基于代价敏感RBF神经网络的道岔故障诊断系统

针对铁路道岔故障中几种常见类型故障,为尽量减少道岔故障误分类所造成的损失,特建立基于遗传算法的代价敏感RBF神经网络模型以及基于该模型的道岔故障诊断系统。模型通过建立代价敏感适应度函数,实现基于遗传算法的RBF神经网络向代价最优的方向进行随机搜索。利用某车站道岔动作电流监测数据进行验证,证明系统能够提高故障数据的识别精度,降低故障数据的误分类代价。该系统可帮助维护人员快速、准确地对道岔故障进行诊断,缩短故障处理时间,提高铁路行车的安全性。     

基于灰色关联理论的ZYJ7型电液转辙机故障诊断研究

以全主机多点牵引道岔第1牵引点为ZYJ7型转辙机的外锁闭道岔为例,通过分析转辙机动作过程中液压油压力的标准曲线和典型故障曲线,提取特征参数建立特征矩阵,对特征矩阵进行无量纲化处理,建立关联矩阵。对于实际出现的故障,提取特征向量,通过计算与关联矩阵的关联度大小,实现对道岔故障的智能诊断,可提高道岔故障诊断效率,对现场维修维护具有很大的指导意义。     

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BP神经网络的转辙机故障检测方法

为提高城市轨道交通中ZDJ9型转辙机故障维修效率,提出基于反向传播（BP,Back Propagation）神经网络的转辙机故障检测方法。文章深入分析转辙机动作电流采集原理及现场转辙机转换过程中不同阶段电流曲线特征,确定故障电流曲线种类;对转辙机转换过程中动作电流曲线进行小波分解与重构,对重构后的曲线进行关键特征值提取,将其作为基于BP神经网络的故障检测模型训练数据,最终经过8 000次迭代训练后,故障检测模型的故障检测准确率达到96%,表明该方法能够有效检测转辙机故障及其故障类型。     

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。     

一种间接的测量交流道岔阻力的方法

三相电动转辙机牵引的道岔,在道岔动作过程中道岔阻力变量(转换力)是道岔转换的主要数据参数,道岔阻力的变量是维护道岔的主要依据,直接测试道岔阻力参数很难实现。道岔在动作时,三相电动转辙机的转换功率的变化和道岔转换阻力成正比。TJWX-2006版信号集中监测,完成道岔功率的测试并画出功率曲线,根据电动转辙机输出功率,可以计算出道岔的转换阻力,电动转辙机输出功率曲线和道岔动作全过程的道岔阻力曲线形状一样,三相电动转辙机的输出功率的变量,就是道岔转换过程中阻力的变量。     

面向高速铁路道岔的隐患分析与故障定位改进

以高铁常用S700K型交流转辙机为例,通过测试道岔动作过程中关键继电器的时序周期,探究造成交流道岔中途停转的深层次原因。提出基于动量BP(Back Propagation)算法的神经网络故障定位的改进方法,并在以往微机监测系统测试的电气参数基础上补充故障样本。对神经网络进行训练并测试,由误差比对结果可知,该方法使得高速铁路道岔智能故障定位更加精确。     

微机监测道岔电流采集中的故障分析

道岔动作电流曲线是反映道岔运用质量的一个重要指标,合理利用微机监测对现场信号设备的实时监测这一特性,定期对每组道岔动作曲线进行分析比对,及时发现道岔转换过程中存在的不良情况,预防和消除设备故障隐患,对保障铁路行车安全、高效、无故障有着十分重要的作用。     

基于定性趋势分析的道岔故障诊断方法研究

道岔连接不同轨道并通常安装在两股或者多股轨道之间,不仅负责铁路线路的转换还保障线路的运营安全。随着我国轨道交通的快速发展,铁路线路和行车密度不断增长,道岔设备故障频率也日趋频繁,因此研究道岔故障诊断方法、提高诊断自动化水平具有重要现实意义。从定性的角度提出基于定性趋势分析的道岔故障诊断方法,该方法先采用区间半分法对道岔不同状态下的典型运转信号进行趋势提取,建立故障诊断知识库,之后对待诊断信号进行趋势提取,并计算其趋势序列与所有故障趋势规则的匹配度,综合比较匹配度值从而实现道岔故障诊断。实验结果表明,该方法具有良好的准确度。