基于递归二分类法的电力机车四象限输入过流故障诊断研究

四象限输入过流故障是HXD1型机车牵引变流器的主要故障之一,由于引发该故障的原因较多且故障样本分布不均,导致该故障难以诊断与定位,为此提出了一种基于递归二分类的故障诊断方法。基于K-Means与小波包分解对数据相关关键字段进行特征提取,用基于集成学习的梯度提升决策树(GBDT)构造可靠的分类模型以及用递归二分类法对多标签数据进行递归分类与诊断。对HXD1型机车四象限输入过流故障样本文件进行相关试验,结果表明该方法对于故障样本分类及故障诊断定位有显著提升效果。     

基于数据驱动的高速铁路动车组列车头尾车车轮踏面缺陷预测方法

[目的]踏面缺陷是高速铁路动车组列车车轮失效的主要表现形式之一,严重影响了动车组运行的安全性及乘客的乘坐舒适性。车轮踏面缺陷主要集中在头尾车,可能是多种因素共同作用的结果,需要寻找一种能综合多种影响因素的预测方法。[方法]基于某铁路局动车组列车的车轮镟修数据,每个数据样本包括10个特征(4个名义特征和6个连续特征),对数据进行预处理。通过合成少数类样本过采样技术对不平衡数据集进行处理,构建了标准化数据集。建立了DNN(深度神经网络)模型,对底层特征进行组合,形成了特征的高层抽象表示。通过网络结构调整和超参数优化得到了模型的最优学习效果。对模型进行训练并测试,验证了该模型的预测效果。[结果及结论]基于数据驱动的头尾车车轮踏面缺陷预测方法具有较高的预测精度和较优的综合性能,其预测精确率达92.5%,可有效预测头尾车车轮踏面损伤的发生概率。     

考虑峰值数据重平衡的地铁客流预测研究

地铁客流预测是城市轨道交通系统日常运营管理的基础,尤其是对突发大客流影响时的准确客流预测,能够有助于缓解城市地铁运营压力并降低安全风险。虽然目前的地铁客流预测方法在对日常客流预测准确性上有较好的表现,然而由于忽视了客流波动造成的客流峰值和谷值数据量不平衡,其对客流的峰值预测效果并不佳。为了进一步提高客流预测精度,考虑从峰值数据自身特征出发,通过聚类模型判断客流类别并验证不同客流类别间显著的不平衡问题,参照分类任务中类别不平衡问题的处理方式,通过欠采样、随机过采样和合成少数类过采样3种数据平衡方式,实现客流平衡处理。同时,采用支持向量回归、人工神经网络和长短时记忆神经网络3种预测模型,进行客流预测并对比不同数据平衡方式对模型性能的影响。研究结果表明：相比于未对训练集进行数据平衡处理,类别平衡在一定程度上提升了模型的预测精度;基于合成少数类过采样技术平衡数据的支持向量回归模型可以提供最佳的进站客流预测精度;基于随机过采样技术平衡数据的长短时记忆神经网络模型可以提供最佳的出站客流预测精度。研究结果可为客流波动较大情况下的城市轨道客流精准预测提供理论依据。     

基于聚类分析算法的铁路通信设备厂商信息智能分类

针对铁路通信大数据平台中设备厂商信息不规范的问题,提出一种采用聚类分析算法对厂商信息智能分类的方法,介绍聚类分析算法、相似度计算方法和聚类性能度量等理论,通过分词处理、构建词袋模型、权值转换等数据预处理技术,将文本转换为适合分类的权值向量,采用K-均值聚类、层次聚类算法分别对部分样本进行聚类分析,比较测试结果,最终选择层次聚类算法对所有样本进行聚类分析。该算法可以将不规范的厂商信息进行合理的分类,从而为形成厂商信息字典提供数据支持。     

基于一维深度卷积生成对抗网络的钢轨波磨识别方法

实际工程中钢轨波磨数据难以大量获取,无法构建庞大数据集进行智能诊断模型训练。针对这一问题,本文提出了一种基于一维深度卷积生成对抗网络的钢轨波磨识别方法。首先使用一维生成对抗网络生成与实际波磨振动信号结构相同的伪样本,对样本信号的数据集进行扩充;然后提取波磨振动信号的时域统计指标作为波磨数据的特征;最后使用分类算法对不同特征的波磨振动数据进行学习与分类。使用实测钢轨波磨振动数据进行试验验证,结果表明：利用本文方法所生成的伪样本数据,在时域、频域以及时域特征指标方面均与真实样本数据基本一致;使用KNN、SVM和DT三种分类模型对波磨数据的特征进行分类和对比,均可较好地进行波磨识别。     

基于梯度提升决策树级联分类方法的城市轨道交通列车突发事件延误时间预测

为了精确预测城市轨道交通设备故障等突发事件致使的列车延误时间,提升应急处置效率和乘客引导服务水平,对地铁突发事件互联网发布数据和现场事故数据进行了关联融合,对面向不平衡的地铁事故数据随机欠采样,提出了一种基于GBDT (梯度提升决策树)的级联分类预测方法,对地铁突发事件的延误时间进行预测。结果表明,GBDT级联分类方法在延误时间容许偏差为0～5 min时的预测延误时间准确率,比现场发布的预测延误时间准确率高20%～25%,比GBDT多分类预测方法准确率高5%。     

基于随机森林的动车组牵引电机故障特征选择方法

动车组车载数据具有维度高、数据量大的特点,从高维度的数据中提取出牵引电机相关的有效特征是进行数据驱动模型构建的基础。文章以基尼指数为例,介绍了基于基尼指数的CART分类树构建步骤、基于CART分类树的随机森林构建方式以及基于随机森林分类算法的基尼指数平均不纯度减少和袋外误差平均准确度减少2种特征选择方法,并对2种特征选择方法进行了试验验证。基于UCI机器学习样本库,通过Dry Bean Dataset和Wine Dataset 2种典型案例验证了2种特征选择方法在特征选择和模型分类方面的有效性;基于动车组车载实测数据,通过对动车组牵引电机的特征选择,验证了2种方法都能有效筛选出牵引电机故障特征,同时基于所选故障特征建立的牵引电机故障诊断模型具有较高准确率和召回率,可用于动车组牵引电机故障特征选择。     

基于三维重构的钢桥表面锈蚀提取方法研究

为实现钢桥表面锈蚀的准确提取及可视化，提出基于三维重构的钢桥锈蚀提取方法。该方法利用无人机采集桥梁影像，基于倾斜摄影生成三维点云模型，通过点云模型进行RGB颜色分布直方图统计，获取模型初始聚类中心，运用K-means聚类算法结合最大类间方差法获取锈蚀最佳分割阈值，进而对锈蚀率及锈蚀等级进行评估，并结合点云模型实现锈蚀可视化。以某钢桁拱桥为背景，采用该方法提取锈蚀区域，基于视觉分析和定量分析进行精确度评价，验证方法的有效性。结果表明，该钢桥的表面锈蚀率1.3%～9.4%,锈蚀等级为3～4级；提出的钢桥锈蚀提取方法平均正确提取率可达90.1%,平均漏提取率、误提取率分别为9.9%、8.2%,可有效用于钢桥表面锈蚀提取。     

基于粗糙集理论和FCM的轨道电路故障诊断模型

由于轨道电路数据多且其维数高,这往往会导致所选特征之间存在冗余和相容性的问题。基于主分量启发式算法,引入相容度概念,并提出一种改进的主分量启发式属性约简算法,提取初始数据的主要特征属性来降低样本的维数。同时将模糊认知图概念引入到轨道电路故障诊断中,利用最小二乘法完成模糊认知图节点间权值的选择,最后根据权值建立轨道电路诊断模型并对预处理的样本进行训练和分类。实验结果表明,与单独的FCM分类器相比较,加入属性约简算法后, FCM分类器可提高分类性能,与采用人工确定权值的FCM方法对比,最小二乘法提高了FCM分类的精度。     

变负载工况下滚动轴承故障分类识别方法研究

针对变负载工况下单尺度CNN提取滚动轴承健康状态特征不充分的问题,提出了一种DSCNN-BiLSTM诊断模型。该模型基于粗粒度化和平均池化层的理论基础,通过双尺度卷积神经网络结合双向长短时记忆网络,对滚动轴承振动信号进行空间维度特征和时间序列特征的提取,实现端对端的滚动轴承故障诊断。通过设置2种不同变负载工况实验,采用DSCNN-BiLSTM模型进行滚动轴承故障特征提取,平均准确率分别达到了97.55%和98.07%,有效提高了在变负载工况下的滚动轴承故障诊断准确率,为滚动轴承健康状态识别提供了关键技术。     

基于GST与改进CNN的滚动轴承智能故障诊断

针对滚动轴承传统故障诊断方法需要先验知识以及人工提取特征导致故障识别错误率高的问题,提出一种基于广义S变换(Generalized S transform,GST)和改进卷积神经网络(Convolutional Neural Network,CNN)的滚动轴承智能故障诊断方法。使用GST将一维振动信号转换为特征信息更加丰富的时频图,更加全面提取滚动轴承的故障特征信息。通过加入弹性斜率和高斯分布的神经元噪声,提出改进的激活函数EReLTanh(Elastic Rectified Linear Tanh,EReLTanh),并基于EReLTanh激活函数构建CNN。将得到的时频图进行压缩和归一化处理,生成时频图数据集并划分数据集。利用时频图数据集训练改进CNN,实现滚动轴承的智能故障诊断。使用自制实验平台采集不同种类滚动轴承故障数据,利用t-SNE进行全连接层特征降维可视化,结果表明：使用EReLTanh激活函数的CNN模型能够将不同故障样本的特征进行准确的分类,达到故障识别要求,同时使用该数据利用S变换、小波变换、GST并结合改进CNN和未改进CNN进行对比,提出的方法准确率得到提升。通...     

基于改进Yolov5的地铁隧道附属设施与衬砌表观病害检测方法

随着地铁隧道服役时间增长,隧道衬砌在多因素影响下病害频发,对隧道结构及临近附属设施造成不良影响,严重危及到行车安全。因此,亟需精确高效的地铁隧道病害及设施检测技术。然而,地铁隧道存在内部环境复杂,附属设施与衬砌病害纹理及灰度相似、目标尺度不一等检测难点,传统的人工巡检及数字图像处理方法均存在局限。针对上述问题,提出一种基于改进Yolov5的地铁隧道附属设施及衬砌表观病害检测模型。针对设施及病害的位置特征引入坐标注意力(Coordinate attention)引导模型对目标区域赋予更高权重,抑制背景噪声;采用Bi FPN(Bi-directional Feature Pyramid Network)特征融合网络提升小目标病害检测效果;并利用Ghost Bottleneck替代部分卷积减少模型参数,提高检测效率。为验证改进后模型检测性能,进行现场实验,构建样本数量为843的地铁隧道衬砌图像数据集。并采用随机裁剪、镜像翻转等数据增强方法,将样本量扩充至4 072。数据集上的实验结果表明,改进模型的平均精度均值(m AP)可达89.2%,较原模型提高了3.7%,有效提升了隧道环境中小目标病害...     

计及少样本的YOLOv5s轨枕掉块小目标缺陷检测方法研究

轨枕作为固定钢轨和扣件的重要轨道零部件之一,由于长期承受钢轨传来的各种作用力,其端部易出现掉块,造成轨道机械结构稳定性下降,故轨枕掉块缺陷检测对保证列车正常运行起到重要作用。针对轨枕掉块缺陷检测方法存在精度较低和缺陷样本少的问题,提出一种计及少样本的YOLOv5s轨枕掉块小目标缺陷检测方法。首先,采用Copy-Pasting数据增强方法增加轨枕图像中掉块小目标数量,解决缺陷样本少的问题;其次,通过降低网络下采样倍数和删除大尺度检测层的方式改进YOLOv5s模型的多尺度检测层,提高轨枕掉块缺陷检测精度和速度;然后,将锚框之间的平均交并比作为距离量度改进K-means聚类算法,并使用遗传算法优化,重新匹配适合轨枕掉块缺陷检测的锚框;最后,使用跨尺度连接结构和双向特征加权融合模块改进YOLOv5s的特征融合结构,增强特征融合能力。实验结果表明,与原模型相比较,改进后的YOLOv5s模型平均精度达到94.1%,提高2.3%,检测速度达到93.3 fps,提高26.6 fps,能够准确且快速地识别轨枕掉块小目标缺陷。     

基于YOLO v5的铁路塞钉检测方法

针对高速铁路和普速铁路的塞钉智能检测问题，提出基于YOLO v5的塞钉检测方法。该方法对训练模型采用He方法初始化，采用微调模式使模型收敛，同时使用dropout正则化方法解决过拟合问题。在训练数据时，对多样式塞钉进行有效分类和样本自动化裁剪，并利用塞钉样本的灰度直方图对数据进行增强；采用非冗余多置信度的方式进行检测，通过先验经验和增加反例来减少误判，并在检测时自动累积塞钉样本。该检测方法已投入现场使用，有效满足了铁路智能巡检的需求。     

铁路罐车容积检定点云干扰点的自动去除算法

运用三维激光扫描法检定铁路罐车容积是铁路罐车容积检定技术发展的趋势,然而目前在扫描形成点云中,由人工去除干扰点的做法严重影响后期数据的处理效率。提出自动去除干扰点的算法,该方法通过切片、投影将点云进行扁平化并进行极坐标系转换,在极坐标系中以确定微分区域内有效点云与干扰点云的特征差异作为判定依据,通过最大类间方差法计算阈值将其做出区分。运用Matlab R2012b平台对算法进行仿真,将G_(60k)型铁路罐车点云作为样本进行算法试验,有效去除了试验数据中的干扰点。     

RS-BN算法在高铁车载设备故障诊断中的应用研究

针对高速铁路列控车载设备结构复杂、故障诊断特征不确定、传统故障诊断方法过于依赖专家经验、故障诊断自动化程度低等问题,提出一种贝叶斯网络与粗糙集模型约简技术相融合的故障诊断方法。首先对故障追踪表进行分析提取和数据挖掘,结合专家经验建立诊断知识数据库;其次对故障数据进行K2算法学习、训练,并结合诊断知识数据库先验知识建立BN结构模型;然后结合故障信息数据建立诊断决策表,利用粗糙集进行条件属性约简,消除冗余条件信息,简化模型并建立基于RS-BN算法的BN结构模型;再通过MLE算法进行BN模型的参数学习,获得模型的条件概率表,建立完整的BN诊断模型;最后对约简模型和未约简模型进行对比分析。通过某高铁实际故障数据仿真验证分析,测试结果证明了该方法有较高的准确性和实际模型的高似然度。     

基于云模型相似性度量的结构不确定性损伤识别

测量噪声、建模误差等不确定性因素会影响损伤识别结果,甚至导致损伤误判的问题。为此,提出基于频响函数和云模型相似性度量的不确定性损伤识别方法。首先基于多次重复测量数据,根据频响函数理论计算结构损伤前后各单元的损伤系数,采用损伤前后云模型期望曲线的相似程度来构造损伤位置识别指标,识别结构的损伤位置。其次,利用单元损伤前后的云模型数字特征变化量来构造损伤程度指标,确定损伤单元的损伤程度。以23杆桁架结构数值算例验证该方法的可行性及可靠性,探讨原始样本个数、噪声程度对识别结果的影响,并研究在无健康工况数据条件下所提方法的识别效果。研究结果表明：与传统的云模型相似性度量方法中的夹角余弦法相比,所提算法可以更好地处理损伤识别过程中的不确定性问题,且仅需少量样本即可准确识别出单元的损伤位置及损伤程度,具有一定的工程应用价值。     

基于SVM的相关反馈图像分类和检索方案

图像获取和存储技术的进步可以获得包含大量有用信息的图像数据,在传统的图像分类和检索方案中,图像的低级视觉特征和高级概念之间存在着较大的语义间隔,导致图像的分类和检索效果不佳.针对该问题,提出了一种基于SVM相关反馈的图像分类和检索方案.该方案通过缩窄图像的领域,利用机器学习方法建立图像类的模型,并使用一种优化的SVM相关反馈图像检索方法学习图像的类别,将学习到的模型用于图像的分类和检索.实验结果表明,此方案能够高效的检索出较多相关图像,并对其进行有效分类.     

基于Wav2vec2.0神经网络的轨道交通钢轨损伤压电阵列超声导波定位方法

鉴于普通超声波检测方法无法实现对轨道交通钢轨的长距离检测，基于超声导波的SHM (结构健康监测)技术难以从响应信号中提取损伤特征而影响损伤定位精度，提出了一种基于Wav2vec2.0神经网络的压电阵列超声导波定位方法对轨道交通钢轨损伤进行定位。基于压电阵列超声导波数据的特点，对该方法进行了简要介绍。搭建了钢轨损伤的超声导波检测系统，并利用该系统进行数据集的采集。采用ABAQUS有限元软件建立钢轨损伤超声导波检测三维有限元模型，并利用该模型进行数据集的采集。利用小波信号处理方法对超声导波试验信号进行重构，以达到信号去噪的目的；在仿真信号中加入随机噪声，将叠加随机噪声后的超声导波仿真信号作为补充数据集；通过计算模型中钢轨损伤定位的准确率和误差对模型的性能进行评估。结果表明，当迭代轮次达到第120次时，训练样本的准确率达到100%。利用基于Wav2vec 2.0神经网络的压电阵列超声导波定位方法可实现轨道交通钢轨损伤的准确定位。