基于最小二乘支持向量机的轨道电路故障诊断方法

为提高轨道电路故障处理效率和正确率,对轨道电路的多故障诊断方法进行研究。建立基于最小二乘支持向量机的轨道电路故障诊断模型,用某轨道电路实测数据进行训练和测试,选择基于BP神经网络的故障诊断方法进行对比。结果表明:基于最小二乘支持向量机的轨道电路故障诊断方法能有效实现轨道电路5种故障的诊断,且具有更快的运算速度。与BP神经网络故障诊断方法比较,故障诊断正确率提高了17.14%,运算时间减少2/3。     

基于FTA与改进神经网络的轨道电路红光带诊断方法

以ZPW-2000无绝缘移频轨道电路红光带故障为研究对象,针对其故障的多样性与复杂性,提出一种基于故障树分析(FTA)与改进BP神经网络相结合的轨道电路智能故障诊断方法。根据轨道电路组成与故障关系建立故障树进行FTA定性分析,分析故障成因并提取故障诊断规则,确定诊断模型的输入输出,构建两个BP神经子网以并联方式联接组成诊断模型,采用LM算法和遗传算法对模型参数进行调整。通过仿真分析,表明该方法可行有效,为轨道电路智能故障诊断提供一种新思路。     

基于D-S证据理论信息融合的轨道电路故障诊断方法研究

在闭塞区间主流设备越来越多的采用ZPW-2000A型无绝缘轨道电路的背景下,针对单一故障诊断方法的诊断精度偏低问题,提出基于信息融合的故障诊断模型和故障诊断方法。该方法分别用BP神经网络和模糊综合评判对轨道电路进行故障诊断,然后将这2种方法的诊断结果作为D-S证据理论的证据体,利用神经网络输出和模糊综合评判输出来构造D-S证据理论中的概率分配,最后利用D-S证据理论将BP神经网络和模糊综合评判对轨道电路的故障诊断结果在决策级进行融合,诊断轨道电路是否有故障并判断故障的模式。仿真结果表明:该诊断方法具有较高的故障诊断精度,诊断结论的可信度有明显提高。     

基于PNN的轨道电路补偿电容故障检测研究

为及时有效地诊断轨道电路补偿电容故障,通过研究ZPW-2000轨道电路短路电流数据,提出了一种基于概率神经网络的故障诊断方法。首先,仿真机车短路电流信号并提取特征参数;然后,引入概率神经网络建立故障诊断模型;最后,通过对特征参数分析,实现故障判定。仿真结果表明:该方法相比误差反向传播算法BP,具有诊断速度快、预测准确率高的优点,具有可行性与有效性。     

蝙蝠算法优化模糊神经网络的25Hz相敏轨道电路故障诊断研究

针对传统25Hz相敏轨道电路故障诊断网络求解时收敛速度慢、诊断精度不高的问题,提出智能蝙蝠算法(BA)与模糊逻辑理论(FS)、神经网络(NN)相融合的BA-FNN模型,优化网络参数,对25Hz相敏轨道电路进行故障诊断。考虑到轨道电路特征参数的不确定性、模糊性,运用模糊逻辑理论对轨道电路特征参数进行模糊化预处理;为了克服传统的BP算法存在易陷入局部极小点和速度收敛慢等问题,引入蝙蝠算法,模拟蝙蝠的飞行过程对模糊BP网络的相关参数进行优化;建立最优BA-FNN模型用于网络诊断。仿真结果表明,相对于GA-FNN、PSO-FNN比较算法模型,BA-FNN模型不仅学习训练次数明显减少,训练时间缩短,且寻优精度较高,可有效提高25Hz相敏轨道电路故障诊断的精度。     

基于粗糙集-C4.5的轨道电路故障诊断方法研究

针对轨道电路故障信息存在大量重复样本和冗余属性,提出一种基于粗糙集和C4.5决策树算法相融合的轨道电路故障诊断方法。轨道电路故障特征数据多为连续量,需要根据模糊集理论对故障样本进行模糊化,形成离散决策表。利用粗糙集处理不完备决策表的能力,去除离散决策表的冗余属性得到约简表,结合决策树C4.5算法对约简决策表进行快速训练提取诊断规则,产生的诊断规则清晰、可解释性强,能够直接运用于轨道电路故障诊断中。最后利用模拟数据仿真验证该方法的有效性,与ID3算法和BP神经网络法进行对比,仿真测试表明该方法具有更高的诊断效率和准确率,对实现轨道电路快速鲁棒故障诊断具有一定意义。     

基于方法组合的轨道电路故障诊断模型

为了解决单一方法对25 Hz相敏轨道电路的故障诊断精度偏低等问题,提出基于最优权值的多方法组合故障诊断模型。首先通过模糊综合评判、灰色关联分析和BP(Back propagation)神经网络3种不同的诊断方法,对轨道电路进行初步故障诊断,然后根据各诊断方法的误判率计算出对应的最优权值,最后对各方法的诊断输出进行最优权值加权平均得到综合诊断的输出结果,确定故障类型。诊断结果表明:组合诊断模型有效地提高了轨道电路故障诊断的准确度,并证明了组合诊断模型的诊断准确度随着诊断方法的数量增加而提高。     

基于模糊神经网络的轨道电路故障诊断方法研究

将模糊神经网络FNN(Fuzzy Neural Network)理论引入轨道电路的故障诊断应用中,在对轨道电路的故障原因进行分析的基础上,根据轨道电路的工作原理和故障特点建立了FNN故障诊断模型。模型选定了3个关键部件的电压值作为输入,4种典型的故障作为输出,并根据专家经验总结了9条推理规则。通过对样本数据的学习训练,采用一阶梯度寻优算法对模型参数进行了优化。通过计算机仿真验证,这种用于轨道电路故障诊断的FNN模型是有效的,并具有一定的准确度,为轨道电路的故障诊断提供了良好的方法。     

基于组合决策树的无绝缘轨道电路故障诊断方法研究

针对ZPW-2000A型无绝缘轨道电路故障的随机性及组合复杂性,提出一种基于C4.5组合决策树的故障诊断方法。以C4.5决策树为基本单元构建轨道电路故障诊断组合网络模型,并给出粗糙集属性约简方法为各网络单元简化条件属性,由此提高C4.5训练效率得到诊断规则,逐级压缩诊断范围最终可准确识别14种常见故障模式。仿真测试结果表明,不仅粗分故障范围的测试准确率高于BP神经网络方法,故障模式细分后的诊断准确率也有明显提高。     

神经网络在铁道车辆齿轮箱故障诊断系统中的应用

将BP神经网络技术应用于铁道车辆齿轮箱故障诊断领域,搭建了BP神经网络诊断模型,在此基础上提出了一种改进的BP算法,并将常规诊断方法所提取的典型故障信号作为神经网络的输入数据,用改进的BP神经网络进行仿真测试。测试结果表明,经过改进的BP神经网络诊断系统具有较好的诊断效率和诊断精度,达到了预期的诊断结果。     

基于Mamdani模糊神经网络的相敏轨道电路故障诊断方法研究

针对25 Hz相敏轨道电路故障的不确定性与模糊性,提出一种基于Mamdani模糊神经网络的轨道电路故障智能诊断改进方法。采用自适应-动量BP学习调整法对模型参数进行训练优化,给出推导过程,并讨论系统参数初始值的设定。仿真实验表明,在相同实验条件下改进方法降低了训练误差,并有效地提高了诊断学习过程的稳定性与收敛速度,对25 Hz轨道电路故障进行智能模糊诊断是可行的。     

粒子群优化的神经网络在齿轮故障诊断中的应用

针对BP神经网络容易陷入局部极小及收敛速度慢的问题,本文利用粒子群优化算法代替BP算法中的梯度下降法训练神经网络的权重和阚值,有效地改善了BP网络诊断性能;利用训练后的神经网络对齿轮进行了故障诊断,并比较了基于粒子群优化算法与BP算法的诊断结果,通过仿真实验表明:无论是在诊断速度上还是在诊断精度上,PSO-BP神经网络诊断性能都比单独的运用神经网络有很大提高.     

ZPW-2000A轨道电路智能故障诊断算法应用研究简

提出一种基于模糊推理的轨道电路智能故障诊断算法,通过对ZPW-2000A轨道电路监测子系统实时采集的信息进行智能分析,实时故障诊断,该诊断算法对于诊断轨道电路模拟元件的短路、开路等硬故障有较好的效果.在ZPW-2000A轨道电路监测子系统平台进行了工程化实现,在现场真实环境下,进行多种故障的测试,测试结果达到预期效果.     

改进粒子群优化算法的BP神经网络在机车滚动轴承故障诊断中的应用

本文提出了一个基于改进粒子群优化算法的BP神经网络优化模型来进行轴承故障诊断,此模型融合粒子群优化算法的全局寻优能力和BP神经网络算法的局部搜索的优势,有效地防止了网络陷入局部极小值,同时又保证了诊断结果的精确性.仿真结果表明机车滚动轴承故障得到了有效诊断.相比于常规的BP神经网络模型,此方法不仅改进网络的收敛速度并且提高了预测准确性.     

电力机车主变流器故障智能诊断系统

对电力机车主变流器的输出电压波形采用能量分布特征提取方法和优化BP算法,提出了基于小波变换和BP神经网络的主变流器故障智能诊断系统。利用该系统对变流器整流元件的开路故障进行了故障诊断仿真,验证了该智能诊断系统的准确性和有效性。     

基于BP神经网络的动车组智能化控制和诊断研究

为解决因采集数据异常导致的列车控制的误动作和误诊断问题,对基于BP神经网络的动车组智能化控制和诊断方法进行了研究,建立了基于BP神经网络的预测模型,采用列车实际运行数据进行多次训练和参数调整,获取最优网络模型,结合该模型的预测值和实际值得到最终可信值,并融入到现有列车控制逻辑中进行控制和诊断。通过实验验证,采用训练模型的预测结果与实际采集值相比具有较高准确性,能够达到预测效果。实验结果表明,采用BP神经网络模型进行状态预测,并结合相关处理策略进行列车运行控制及故障诊断具有可行性。     

ZPW-2000无绝缘轨道电路相邻区段干扰仿真研究

根据均匀传输线和四端网络理论,建立ZPW-2000无绝缘轨道电路分路电流的计算模型,利用MATLAB软件实现相邻区段干扰电流的数值算法,对轨道电路正常情况、调谐单元故障情况下邻区段干扰电流的分布进行仿真.     

基于图像处理和双BP神经网络的电气化铁路接触网立柱标识牌识别算法研究

故障位置点定位是实现轨道维护及保养的前提,利用接触网立柱标识牌实现定位是一种常用的轨道定位方法,但常规的识别方法存在识别率低且速度慢的缺点。针对该问题,提出一种基于图像处理和双神经网络的接触网立柱标识牌识别算法。首先利用Hough变换提取出接触网支柱区域,减小识别区域,其次通过形态学方法实现标识牌的定位与裁剪,再采用水平投影方法对字符进行分割,最后对字符中的字母和数字分别进行特征提取,利用两路并行的反向传播神经网络进行识别。通过实验验证了该算法的有效性,结果表明:该方法精度可达98.3%,相较于传统识别方法速度提高了17%。因此该识别算法能够实现轨道故障位置的快速精确定位,可用于轨道智能巡检系统。