基于BP神经网络的道岔智能故障诊断方法

为将神经网络技术运用在铁路道岔故障诊断领域,提出了以神经网络技术为基准,针对道岔常见的3个故障类分别建立3个子神经网络,并总体组建成一个并行神经网络系统的道岔智能故障诊断方法,以帮助维修人员快捷、准确、自动地诊断出故障原因,降低故障处理时间,提高运行效率。     

基于模糊神经网络的道岔故障诊断系统研究

运用模糊理论和神经网络技术相结合的方法,构造了基于模糊神经网络的铁路道岔故障诊断系统,介绍该系统的的结构、原理及诊断过程,并采用Matlab神经网络工具箱进行仿真,仿真结果表明模糊神经网络方法适用于道岔设备故障诊断.     

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。     

基于概率神经网络的S700K转辙机故障诊断方法

转辙机故障对铁路运输安全影响重大。针对转辙机故障原因与现象之间的复杂不确定性关系,提出一种基于概率神经网络的S700K转辙机故障诊断方法。在对转辙机各个状态功率曲线动作原理进行分析的基础上,根据信号不同时域特征参数,对各工作区段的特征进行提取;依据故障现象与故障类型的关系建立概率神经网络模型,以F1-Score作为诊断准确性评价指标,通过测试不同平滑因子对F1-Score值的影响,确定0.019为概率神经网络进行故障诊断最优的平滑因子;最后选择来自某电务段的81组S700K转辙机故障数据作为测试数据,验证了该智能故障诊断方法的可靠性。     

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。     

改进的道岔智能故障诊断系统建模研究

铁路系统转辙机维修方式仍沿用故障修模式,无法提高故障排除速度和准确性,提出利用改进遗传算法优化贝叶斯网络的方法建立故障诊断模型。利用遗传算法搜索能力强,不易陷入局部最优的特点,采用连接矩阵代替网络结构的编码方式,通过修改适应度函数、更新遗传操作方式、修正非法图等方法改进遗传算法,最终解决贝叶斯网络结构学习算法容易缩小搜索空间及易陷入局部最优的缺点。最后利用标准Asia网络验证本文算法比K2和GA算法有更好的搜索结果和更快的收敛速度,以道岔失去表示故障为例验证改进算法对转辙机故障诊断的优越性。     

城市轨道交通道岔转辙机 智能运维系统研究

道岔转辙机是信号系统核心设备,其维护量大、维保难度高、设备故障影响程度较广,随着智能运维研究在城市轨道交通行业的兴起,道岔转辙机智能运维是实现城轨信号维护智能化、运维生产组织模式智能化的基础。总结传统微机监测系统的不足,结合行业道岔转辙机维保难点和痛点,提出一套智能运维系统,主要包括关键状态感知、故障智能诊断、关键状态预警及健康评估等,并提出具体的实现方法。该系统目前已成功应用于南宁轨道交通 4、5 号线,具有显著效益。     

基于DCNN-SVM的道岔智能故障诊断方法研究

针对道岔故障难检测、难分类、时效差等难题,以S700型转辙机道岔为研究对象,提出一种基于DCNN-SVM的道岔故障诊断方法。首先从道岔正常转换曲线和发生故障时的动作曲线入手,总结故障类型、故障原因和故障信号形态特征,并对道岔转换动作曲线进行预处理,即数据统一维度和归一化。然后计算标准电流曲线和功率曲线,根据道岔转换曲线与标准曲线的相似度来识别道岔转换正常和异常。再采用分区时域特征提取和ReliefF特征筛选,选取对故障分类具有明显效果的时域特征,以及根据深度学习算法获取的图像特征,形成有效特征向量空间。最后使用训练集对DCNN-SVM道岔故障诊断算法进行模型训练,并基于诊断模型实现道岔故障的实时诊断。实验表明：在样本数据量足够大的情况下,DCNN-SVM道岔故障诊断方法正确率达99.01%,相比SVM算法提高0.64%,对保障行车安全具有十分重要的作用。     

基于神经网络联锁系统故障诊断专家系统的研究

介绍神经网络的专家系统的基本结构和工作原理,描述了基于神经网络的计算机联锁系统故障诊断专家系统.     

ZPW-2000A设备的智能故障诊断方法

介绍了一种用于智能诊断ZPW-2000A设备故障的分析方法。首先描述了运用该方法构建的整体系统模型框架;然后重点介绍了实现该方法的故障分析流程模块;最后例举了具体诊断故障的运用方法。通过该种方法能够有效判断ZPW-2000A设备故障发生的处所及可能原因。     

城市轨道交通分布式智能道岔转辙机研究

为适应城市轨道交通分布式联锁系统、数字化信号设备的发展方向,提出了一种基于分布式计算机联锁系统的智能转辙机。该转辙机结合智能控制模块、无刷直流电机和高精度位移传感器等技术,实现了转辙机工作状态和道岔尖轨位置数据的实时采集与处理。试验表明,该转辙机具有启动电流小、动作过程中可变速等优点,不仅提高了转辙机的性能和维修效率,还为室外设备的故障分析与预测提供了依据。     

基于神经网络的机车速度传感器故障诊断方法研究

建立了RBF神经网络预测器模型,将其应用到机车双速度传感器的故障诊断中,并提出了诊断决策方法。利用MATLAB实现了RBF神经网络预测器的仿真,并模拟了机车速度传感器输出的3种故障模式进行了故障诊断辨识。仿真结果表明文中提出的方法能够准确地进行速度传感器在线故障诊断,为机车速度传感器故障诊断提供了新的思路。     

小波奇异熵改进SOM神经网络在道岔故障诊断中的应用

随着轨道交通技术的快速发展和智能算法的应用,用微机监测和人工处理的方法对道岔进行故障诊断存在效率低、及时性不够、准确性不足等问题,文章用 Meyer 小波分解原始数据,实现特征数据的选择和提取,再计算出相应的小波奇异熵作为神经网络的输入向量,加入训练数据到改进型的 SOM 神经网络中,从而实现对S700K 型转辙机的道岔故障诊断。通过提取 8 种典型的故障类型,在 MATLAB 中建立相应的模型并进行仿真,和目前普遍应用的 K-means 和 FCM 聚类算法进行时间和准确率方面的比较。仿真结果表明,在道岔故障诊断中,基于小波奇异熵和 SOM 神经网络的算法在时间和准确率方面具有明显优势。     

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。     

基于SOM-BP混合神经网络的道岔设备退化状态研究

针对道岔设备故障频繁、维修成本高,且现有基于故障数据的诊断方法无法描述道岔退化过程,难以实现故障超前预判的问题,进行基于SOM-BP混合神经网络的道岔设备退化状态研究。依据采集的道岔非故障功率数据按区段提取峰值、方差、峭度等特征参数,基于平均影响值进行特征参数选择,并确定输入维数;使用自组织特征映射(SOM)神经网络对输入特征参数进行多次聚类学习,分析学习结果得到6种退化状态样本数据;构建15-13-6型BP神经网络结构模型,实现对道岔设备退化状态的识别。结果表明,采用SOM-BP混合神经网络进行道岔设备退化状态识别的准确率达到95.56%。     

基于RBF神经网络的传感器故障诊断研究

提出一种基于RBF神经网络的多传感器故障在线诊断方法。同时对该方法在摆式列车加速度传感器故障诊断中的应用进行了仿真研究。仿真结果表明此方法是有效的，不仅消除了零偏对故障诊断的影响，而且提高了故障检测率及可靠性。     

智能故障诊断在地铁车站设备维护中的应用

根据轨道交通监控系统的特点,结合现有轨道交通车站设备监控系统的架构,运用智能故障诊断方法,为车站设备的维护、检修提供决策依据。针对人工神经网络模型的结构特点,比较几种常用算法的利弊,阐述基于Matlab的神经网络使用方法,讨论智能诊断系统的结构及诊断过程,对车站典型设备的故障进行诊断。     

道岔综合监测系统研究

针对目前道岔采用定期修模式,难以及时掌握道岔状态的问题,研发了道岔综合监测系统。通过对道岔电气特性参数和机械特性参数等关键数据的处理和分析,从工电结合方面,对道岔在运用过程中的整体性能进行评估。介绍系统架构、各子系统组成,以及智能分析平台原理,并通过动静态试验验证,可为道岔日常维护及检修提供科学有效的技术手段。