输电线路接地故障研究

利用R/S方法对输电线路弧光接地故障采样信号进行研究。分析弧光故障信号的频谱分布的规律及分形维数的特点。弧光故障采样信号的频谱分布在某种程度上定性地反映采样信号所对应的弧光接地故障的位置的变化,故障信号波形的分形维数是采样信号所对应的弧光接地故障位置的定量表达,故障信号波形的分形维数与其频谱分布具有很强的相关性。滤除基波后的故障信号波形的分形维数与线路的故障位置近似呈二次曲线的关系。弧光故障信号的频谱分布及R/S分析在输电线路弧光接地保护和弧光接地位置估计方面有很大的应用潜力。     

动车组速度信号耦合干扰问题的研究

文章主要研究了某型动车组在调试时出现牵引电机速度传感器干扰故障及牵引测试失败问题，故障表现为变流器静态启动测试或动态运行过程中闪报速度传感器故障，严重情况下需切除变流器维持动车组运行。通过对牵引电机速度传感器、变流器屏蔽线缆内部屏蔽接地、变流器速度信号软件处理逻辑等进行排查，确认故障原因为牵引电机速度传感器信号受到系统产生的随机耦合干扰。该故障是多设备在整车接地条件下耦合产生的综合性故障，在故障的排查过程中，采取对变流器内部多处接地进行优化整改。通过逐步实施整改策略，故障发生的概率逐渐减小，最终所有的接地处理优化措施实施后速度信号波形较之前有较大改善，毛刺等干扰信号大幅减少，基本不再报出故障。同时，针对此类接地耦合故障问题，除了对所影响系统进行良好的屏蔽层接地处理措施外，为避免该问题再次发生，采用了优化系统软件滤波方法滤除干扰信号，防止信号失真。     

东风_4型机车柴油机压力波检测仪的应用分析

对压力波检测仪在机车检修中的具体使用方法、使用要求进行了论述,分析了大量的检测数据及压力波波形,总结了判断故障的经验方法,提出了4种典型故障的判别数据参考值及波形图样。     

柴油机主轴承故障振动信号波形识别的研究

通过对柴油机动力系统的分析计算，得出主轴承载荷变化状态，为振动信号的波形辨识提供了理论依据；利用小波变换模极大值分析技术，有效地去除实际信号中Lipstchz指数小于0的噪声，从而为振动信号的有效撮及定位提供了技术条件；同时，对正常信号与故障信号特征进行了比较分析。实践表明，在对柴油机主轴承故障振动信号分析中，这种方法可以得到准确可靠的分析波形，从而为进一步建立故障诊断模型奠定基础。     

机车速度信号仿真仪的研制及应用

针对机车运行中出现的速度信号故障无法在机车静态时查处和验证的问题,研制了速度信号仿真仪,该仪器可向机车速度系统注入速度信号,模拟机车运行的状态,提高处理故障的准确性,缩短维修时间。文章介绍了速度信号仿真仪的工作原理及使用效果。     

LKJ速度传感器自动转换装置的改进设计

针对机车LKJ装置的3路速度通道中只要有1路发生电源线短路故障,LKJ装置的速度传感器供电电源模块就会短路保护,造成无速度信号导致机破事故以及在0通道或者1通道发生信号故障时,LKJ装置相位防溜功能无法实现,存在较大安全隐患的问题,提出利用机车已有的4个速度传感器,在每个传感器中取2路信号进行自动判断切换的思路,介绍了自动转换装置的原理和功能。该装置可减少故障处理时间,并保证机车相位防溜功能的实现,保证列车正常运行。     

基于迭代学习的速度传感器故障诊断研究

霍尔式速度传感器利用实时检测的速度信号作为系统速度反馈参考,广泛应用于轨道交通和汽车电子产品中,为系统安全可靠运行提供保障.针对霍尔式速度传感器工作原理,构建含有实时故障估计变量的线性时不变系统模型,根据传感器实际输出和估计输出的残差信号确定目标函数及基于迭代学习的故障诊断数学模型,并对此迭代学习故障诊断策略进行收敛速度和收敛精度分析.为验证诊断策略的普适性和正确性,在速度传感器正常工作状态下施加典型阶跃、指数和正弦形式的故障信号,探究诊断算法对故障信号估计的准确性和时效性.研究结果表明:所提故障诊断策略能够利用实时故障估计变量准确估计故障信号,并在有限时域周期内全局收敛,为诊断策略的工程化应用奠定基础.     

铁路信号电源监控系统的研究和应用

介绍了一个适合于铁路信号电源的监控系统.该系统可以实现数据采集、数据处理以及数据通信,还可以对设备故障进行监视、报警和记录故障波形.同时,着重讨论了信号电源监控系统的核心元件SPM60的结构和功能.     

基于列控车载BTM设备的应答器误码处理研究

分析应答器传输系统的信号特点,搭建FSK信号解调的Simulink等仿真环境,结合应答器误码故障发生时列控车载BTM设备记录模块采集的数据,对应答器上行链路误码问题进行特征分析,得到信号的频谱、波形等特征,为现场的故障排查提供分析方法,对设备的优化提供指导。     

基于CNN-LSTM的车辆悬挂系统故障识别方法研究

高速铁路车辆（简称：车辆）运行条件恶劣多变,车辆悬挂系统的可靠性关系到行车安全和乘坐舒适性。当车辆的悬挂系统发生故障时,振动信号呈现非线性、非平稳的特征。为此,提出了一种基于卷积神经网络（CNN,Convolutional Neural Network）-长短时记忆（LSTM,Long Short-Term Memory）模型的车辆悬挂系统故障识别方法。通过SIMPACK平台建立了包含悬挂系统的车辆-轨道耦合动力学模型,获得了车辆系统各部件在健康状态及各类故障状态下的振动信号;以与故障元件关联部件的振动加速度信号作为模型输入,通过构建的CNN-LSTM模型对时序信号进行特征提取和分类预测,进而实现对车辆悬挂系统的故障识别;通过构建不同工况的故障数据集对该方法进行评估。试验结果表明,该方法在速度等级相同的情况下,故障识别准确率可达98%;在速度等级不同的情况下,故障识别准确率可达99%,验证了该方法的有效性。