基于改进对抗网络与自适应数据对齐的转辙机故障诊断研究

针对转辙机故障监测数据的非均衡小样本的诊断问题，提出一种基于改进生成对抗网络数据增强的转辙机故障诊断方法。该方法以故障诊断为目标改进ACGAN网络，利用生成器扩充样本分布空间及判别器的辅助分类器学习故障曲线的特征分布模式，以少量样本训练模型实现对常见故障的精确诊断。鉴于转辙机动作电流数据长度不一致，采用自适应压缩实现数据对齐，避免了以往硬填充或硬截断对齐方式对模式特征的破坏，进一步增强了故障诊断性能。最后采用成都地铁四号线的转辙机实际数据进行测试验证并与相关方法对比实验。结果表明，本文方法对转辙机非均衡小样本的数据集具有良好的适用性，其故障诊断AUC指数为0.999,诊断准确率高且实时性好，具有较好的现场应用前景。     

基于BP神经网络的转辙机故障检测方法

为提高城市轨道交通中ZDJ9型转辙机故障维修效率,提出基于反向传播（BP,Back Propagation）神经网络的转辙机故障检测方法。文章深入分析转辙机动作电流采集原理及现场转辙机转换过程中不同阶段电流曲线特征,确定故障电流曲线种类;对转辙机转换过程中动作电流曲线进行小波分解与重构,对重构后的曲线进行关键特征值提取,将其作为基于BP神经网络的故障检测模型训练数据,最终经过8 000次迭代训练后,故障检测模型的故障检测准确率达到96%,表明该方法能够有效检测转辙机故障及其故障类型。     

基于不平衡文本数据挖掘的铁路信号设备故障智能分类

针对铁路信号设备不平衡故障文本数据,提出基于文本挖掘的铁路信号设备故障智能分类模型。采用TF-IDF模型实现电务信号设备故障文本的特征提取并转换为向量,基于Voting的方式实现多分类器集成学习分类。该模型利用SVM-SMOTE算法对TF-IDF转换后的小类别文本向量数据进行随机生成,采用逻辑回归、朴素贝叶斯、SVM等基分类器和GBDT、随机森林集成分类器对平衡后的数据进行分类,考虑不同分类器的适用特点,通过Voting方式进行多分类器集成学习。通过对某铁路局2012—2016年铁路信号设备故障文本数据进行试验分析,表明该模型可使故障分类的准确率、召回率和F-score均得到显著提升。     

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Labeled-LDA的列控车载设备故障特征提取与诊断方法研究

准确地诊断出列控车载设备的故障类型是保障列车安全运行的基础。针对车载设备故障诊断问题,根据北京动车段300T车载日志数据的特点,基于数据挖掘方法并结合现场技术人员的经验知识,构建车载设备的故障特征词库;在此基础上,改进了Labeled-LDA(Latent Dirichlet Allocation)模型用于提取日志数据的语义特征。采用基于粒子群优化的支持向量机算法PSO-SVM对日志文本的故障进行分类,以降低故障样本数据分布不均衡对分类精度的影响,并与传统的支持向量机算法SVM,K最近邻算法KNN进行对比分析。实验结果表明,KNN、SVM、PSO-SVM三种算法的故障文本数据一级故障诊断准确率依次为79.4%,81.8%和90.9%,二级故障诊断准确率依次为74.6%,78.1%和81.3%,验证了PSO-SVM算法在车载设备故障诊断方面的有效性。该研究成果对列控车载设备日常维护具有一定的指导意义。     

基于快速贝叶斯网络的S700K转辙机故障诊断研究

转辙机故障对铁路运输安全和效益影响重大,针对转辙机故障原因与现象之间的复杂不确定性关系,提出一种基于粗糙集约简的高效贝叶斯网络故障诊断方法。首先,建立故障诊断决策表,利用改进的差别矩阵算法剔除对结果影响较小的属性,得到最简故障诊断决策表。其次,根据表中故障现象与故障类型连接关系建立贝叶斯网络模型,利用推理算法求解各类故障发生的概率。算法通过约简属性简化贝叶斯网络结构,降低算法复杂度,加快计算速度。最后,用某车站转辙机故障实例验证该智能故障诊断方法的正确性。     

地铁道岔转辙机辅助维修系统的研究开发

针对地铁道岔转辙机设备现场维护及故障处理的特点,研究了转辙机不同维修模式下的故障诊断方法;提出在故障修和预防性维修模式下分别采用故障树和模糊识别技术以提高诊断效率及精度;在转辙机三维仿真及评估系统中集成开发了S700K辅助维修系统,同时运用计算机虚拟现实技术对诊断结果及故障处理方案进行快速搜索和引导,提高了辅助维修系统的准确性和便利性。     

基于文本分析的高速铁路道岔故障分类模型研究

道岔是保障高速铁路运输安全的关键电务信号设备,研究其故障发生规律对指挥现场人员巡检和维修作业具有重要意义。针对非结构化铁路道岔故障描述的文本数据分类,根据高速铁路道岔故障发生原因和设备结构,结合专家经验进行人工划分,基于实时道岔动作电流或转辙机拉力等结构化数据进行自动分类。提出一种新的基于非结构化历史道岔故障文本描述的文本分类模型,首先应用融合铁路领域词典的中文分词工具Jieba进行分词,并通过Word2Vec和TF-IDF分别生成特征向量,最后应用SVM模型实现铁路道岔故障的智能分类。试验表明,该分类模型可以取得较好的分类结果,为现场作业人员提供一种客观的、基于海量历史数据的故障诊断模型。     

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。     

基于文本挖掘的高铁信号系统车载设备故障诊断

本文以故障文本信息为依据,提出基于文本挖掘的高铁信号系统车载设备的故障诊断方法。针对故障追踪表记录的不规范性和随意性,采用主题模型对故障追踪表进行分析和特征提取;在此基础上,考虑到高铁信号系统车载设备故障诊断的不确定性,采用贝叶斯网络作为故障分类的方法。在贝叶斯网络结构的确定中,根据车载设备的特点与领域专家知识,提出适用于车载设备的贝叶斯结构学习算法HDBN_SL。以武广线的现场数据为依据,进行实验分析,测试结果表明本文特征提取以及故障诊断方法具有较好的诊断准确性。     

基于小波包分解多尺度排列熵及2阶特征选择的转辙机故障诊断方法

针对转辙机高精度故障诊断的需求，结合声音信号非接触、易采集等优势，提出一种基于声音信号的非接触式故障诊断方法。首先，基于小波包分解与多尺度排列熵，实现对声音样本的特征提取；其次，提出基于ReliefF和二进制粒子群优化算法的2阶特征选择方法，得到最佳特征集合，实现对声音样本的特征选择；最后，基于支持向量机算法对最佳特征集进行训练和测试，完成对转辙机的故障诊断。依托10种常见工况下共计800组声音样本开展实验，结果表明：该方法在反位—定位和定位—反位转换过程中得到的特征点数分别为13和39个，故障诊断准确率分别为99.67%和100%；相比于单一特征选择方法，采用的2阶特征选择方法能够大大降低特征维度，提高故障诊断准确率；相比于k近邻和线性判别分析这2种分类器，支持向量机分类器在转辙机故障诊断中更具优势。     

城市轨道交通ZDJ9型转辙机健康管理系统研究

根据城市轨道交通对ZDJ9型转辙机维护的需求,提出了一套基于案例推理技术的ZDJ9转辙机故障诊断方法.首先描述案例推理技术在道岔故障维护诊断方面的优势,然后重点介绍了运用该方法构建的分析模型,最后通过现场试验验证,证明了该系统能够有效判断ZDJ9型转辙机健康状况的有效性和可行性,为信号设备实现状态修提供了检修依据.     

基于Mallat小波分解与改进GWO-SVM的道岔故障诊断

为顺应道岔故障诊断向智能化和自动化的发展趋势,以S700K转辙机功率曲线为例,提出一种改进型灰狼优化算法(GWO)与支持向量机(SVM)相结合的故障诊断方法。在8种故障模式和正常模式所对应的功率曲线实施5层Mallat小波分解,得到各层近似系数和细节系数,并计算各层系数的平方和;利用主成分分析法对系数平方和组成的向量集进行降维,得到特征向量集;改进型灰狼优化算法优化支持向量机参数,并用优化好的支持向量机进行故障预测。研究结果表明:该方法能有效提高道岔故障诊断的准确率。     

基于改进WNN分析功率曲线的S700K转辙机故障诊断

基于S700K转辙机常见故障下的功率曲线提出一种将小波变换、改进型遗传算法与神经网络相结合的故障诊断方法。用相应故障模式下的功率信号进行正交小波分解,把结果作为神经网络的输入特征向量,利用改进的遗传算法优化BP神经网络的参数,用训练好的BP神经网络进行故障诊断。研究结果表明:该方法可以有效的运用到S700K转辙机的故障诊断中,并提高转辙机故障诊断的精度与速度。     

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。     

转辙机故障诊断在铁路信号集中监测系统中的应用

结合转辙机的电流曲线值、定位和反位表示、表示电压等采集值,设计了一种转辙机故障诊断模型,以实现对转辙机的故障诊断。该模型对转辙机的故障原因定位具有较高的识别率,可进一步推动信号设备由计划修到状态修转变的进程。     

基于解释结构模型的转辙机故障因素分析与研究

针对转辙机故障诊断复杂的特点,基于解释结构模型(ISM)模型,从管理、人为因素、制度监管、自然环境和设备状态五个方面进行影响系统运行故障的分析,得到23个故障因子。从系统工程的角度建立了故障影响传播模型,对故障因子进行了矩阵化和层次化处理,并排序确定优先级。结果表明转辙机系统故障因子体系是一个三级递阶的结构,划分了导致系统故障的直接原因、间接原因和深层次原因,为隐患重点防治及故障的快速排查提供了理论参考依据。     

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...     

基于灰关联的道岔故障诊断方法

本文基于道岔转辙机典型故障下的动作功率曲线变化规律,提出一种基于灰关联的道岔故障诊断方法。通过采用Fisher准则对相应故障模式所对应的特征向量进行选择,通过优化分辨系数,并计算待测样本与各故障模式特征间的灰关联度,将满足门限要求的最大灰关联度所对应的故障模式作为待测样本的故障诊断结果。实验表明,该方法无需训练即可对道岔转辙机故障进行诊断,且有较好的适应性和较高的准确性。     

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。