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。     

动车组牵引电机接地故障预测

牵引电机是动车组动力传动系统中的关键部件,在牵引电机故障中最常见的故障为牵引电机接地故障。通过对某动车组牵引电机控制单元的历史数据挖掘,实现对牵引电机接地故障的预测。数据挖掘建模使用了RBF神经网络、决策树和支持向量机3种机器学习算法。试验结果表明,3种算法的预测准确度均高于84%,其中决策树相较于RBF神经网络和支持向量机,具有更高的预测精度,模型预测精度达到85.6%。因此,选取决策树模型预测动车组牵引电机接地故障的发生。     

基于Doc2vec-LightGBM的CBTC车载信号设备故障分类诊断方法

车载信号设备是城市轨道交通信号系统的重要组成部分,其运营过程中会产生海量离散化、片段化的日志文本数据。目前,CBTC车载设备故障记录文本仍存在语义不明确、词语冗余的问题,从而造成故障致因溯源难,针对此,提出一种基于Doc2vec-LightGBM的CBTC车载设备故障自动分类诊断方法。首先对故障文本使用Jieba完成文本分词,依据TF-IDF实现分词文本数据的特征提取,并采用Doc2vec训练文本分词向量;其次针对数据不均衡的问题,采用Borderline-SMOTE算法进行少数类文本向量数据的补全泛化;最后,通过训练轻量梯度提升机LightGBM分类器完成故障文本自动分类。采用某信号厂商所记录的1 133条故障文本数据进行分类实验分析,并与支持向量机(SVM)方法对比。实验结果表明,所提方法在分类精确率、召回率上分别为98.2%、97.5%,证明了该故障文本自动分类方法的有效性和优越性。     

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。     

基于改进最小二乘支持向量机的电力机车牵引电机建模

介绍利用最小二乘支持向量机的回归理论对牵引电机磁化曲线进行拟合,从而建立准确的电力机车牵引电机模型的方法.针对最小二乘支持向量机参数选择耗时长的问题,提出一种基于三步搜索技术的参数选择方法.理论分析及仿真结果表明,该方法可优化选择最小二乘支持向量机的参数,并可提高最小二乘支持向量机的建模速度.将该方法用于电力机车牵引电机建模的参数选择,仿真结果表明,该方法建立的电力机车牵引电机模型精确度高,可用于对电力机车主电路性能及控制策略的研究.     

基于多小波包排列熵和流形学习的故障特征提取方法

针对振动信号非线性、非平稳性导致的故障特征难以准确提取的问题,提出了一种基于多小波包排列熵和流形学习的故障特征提取方法。首先,利用多小波包分解方法得到故障信号的多维多小波系数,通过计算排列熵初步提取了各个小波系数中的故障特征信息;然后利用局部切空间排列(LTSA)流形学习方法对多维特征信息进行处理,在有效降低信息冗余度的同时,提取了其中主要的故障特征;最后利用支持向量机(SVM)对滚动轴承正常、外圈、内圈和滚动体故障实测信号进行故障模式识别试验。结果表明,该方法可以准确地识别出轴承不同的故障类型,并且在提取故障特征准确性方面要优于传统的单小波包方法和主成分分析(PCA)方法。     

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%.     

一种基于支持向量机的增量学习算法

具有增量学习功能的数据分类技术与普通的数据处理技术相比较,增量学习分类技术具有明显的优越性?在新的训练过程中充分利用了历史的训练结果,从而显著减少了后继训练的时间。介绍了支持向量机的基本理论和一般的支持向量机增量学习算法,针对有些渐变问题(如机械设备的早期故障期和损耗期),新样本所提供的信息量与历史样本所提供的信息量是不同的,给出一种新息加权的支持向量机的增量学习算法,通过循环来获得最优分类面仿真实验表明,采用加权的增量算法更能反映新样本点的特征?     

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EWT-MCKD的机车轮对轴承故障诊断

针对机车轮对轴承在实际运行过程中故障特征难以提取的问题,提出经验小波变换(Empirical Wavelet Transform,EWT)和最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)相结合的滚动轴承故障特征提取方法.对原始信号进行傅里叶变换得到Fourier频谱图,根据频谱中的极大值将Fourier频谱图进行分段得到若干模态分量,以无量纲的裕度指标作为评价指标,再采用最大相关峭度解卷积对裕度因子最大的模态分量进行降噪处理.通过分析其包络谱中的频率成分来实现故障诊断.研究结果表明:所提方法对不同故障类型的轮对轴承进行诊断,可以准确有效的识别轮对轴承故障类型,具有一定的工程实用价值.