基于粒子群支持向量机的轨道电路故障诊断

支持向量机（SVM）是一种解决小样本分类问题的最佳理论算法，它的核函数的参数选择非常重要，直接影响着故障诊断的准确率。本文将粒子群算法（PSO）用于支持向量机的参数优化，提出基于粒子群支持向量机的故障诊断模型，并将其运用于轨道电路中。通过对比MATLAB仿真结果得出:经过粒子群寻优得到的参数比随机选取的参数更优，所建立的PSO-SVM模型的故障诊断准确率高于普通的SVM模型。     

基于PSO-SVM的轨道交通车站安全态势预测研究

提出一种基于PSO-SVM算法的安全态势预测模型,用于城市轨道交通车站安全态势预测研究。首先介绍支持向量机(SVM)和粒子群优化算法(PSO)的基本概念,以高斯径向基函数为核函数建立支持向量机安全态势预测模型,然后应用粒子群算法优化模型参数,得到优化的预测模型,再以某车站为例进行仿真实验,结果表明利用PSO-SVM算法预测车站安全态势值具有可行性。该预测方法对车站安全运营和乘客安全出行具有一定指导意义。     

斜拉桥主梁损伤对车激索力响应的影响研究

以斜拉桥的损伤识别为目的,提出了一种索力比指标,研究了斜拉桥在车辆荷载激励下,主梁发生损伤时斜拉索索力比指标的变化规律。以实验室独塔斜拉桥试验模型为研究对象,基于ANSYS建立其空间板壳有限元模型,以单元刚度的折减模拟主梁损伤,对主梁在不同位置损伤、不同程度损伤两类工况下,车辆荷载激励下斜拉索的索力比指标变化进行了数值仿真。结果表明:车辆荷载激励下,斜拉索的索力比指标与主梁的损伤位置和损伤程度存在一定的对应关系。为后续基于车辆荷载激励下的索力响应指标识别斜拉桥损伤方法的研究提供了重要的参考,具有一定的理论意义。     

一种顾及用户朝向的PSO-LSSVM指纹定位算法

为了解决人体对WiFi信号遮蔽和最小二乘支持向量机参数优化的问题,提出了一种顾及用户朝向的粒子群优化最小二乘支持向量机指纹定位方法。建立全向指纹库,采用粒子群优化算法求出最小二乘支持向量机最优参数,通过最小二乘支持向量机训练出定位模型,将待测点指纹信息输入定位模型中,最终估算出待测点位置坐标。仿真实验结果表明所提算法在定位误差上达到0.72 m,普通的粒子群优化最小二乘支持向量机算法定位误差为0.84 m,提高了室内定位精度,具有实际的应用价值。     

基于支持向量机的静力损伤识别方法

针对使用静力测试数据进行桥梁结构损伤识别时容易出现误判的问题,基于支持向量机理论,提出1种新的静力损伤识别方法。将损伤识别过程分为损伤发生识别、损伤位置识别和损伤程度识别3个步骤。使用理论计算结果与测试数据比较的方法判断损伤是否发生,采用C-支持向量机分类算法进行损伤位置识别,利用ε-支持向量机回归算法进行损伤程度识别。将该方法与优化识别方法同时运用于1个连续梁试验中。试验结果表明:与优化识别方法相比,支持向量机方法通过分开求解损伤位置和程度,并先进行结构有限元分析,然后再使用支持向量机进行识别,将这2个过程解耦,从而降低了问题的难度,不仅能够正确地识别损伤出现的位置,而且能够得到与实际相符的损伤程度识别结果,并且具有较好的推广能力和较强的抗噪声能力,能够很好地对桥梁静力损伤进行识别。     

基于MSE与PSO-SVM的机车轮对轴承智能诊断方法

针对DF4型内燃机车轮对轴承单一和复合故障在内的7种不同健康状态的识别问题,提出了一种基于多尺度熵(Multiscale Entropy,MSE)和粒子群优化支持向量机(PSO-SVM)的机车轮对轴承故障识别方法.计算轴承不同健康状态下振动信号在多个尺度上的样本熵构成MSE特征向量,利用PSO-SVM识别轴承所属故障类型及故障程度.收集了DF4型内燃机车包含单一和复合故障在内的7种不同健康状态的轮对轴承试件,在南昌机务段的JL-501机车轴承检测台上采集了各轴承试件的振动信号样本.实验数据分析结果表明,MSE的特征提取效果优于多尺度近似熵(Multiscale Approximate Entropy,MAE)和小波包分解,PSO-SVM的故障识别效果优于参数不经优化的SVM和参数网格寻优法的Grid-SVM.本文方法能够有效诊断机车轮对轴承的不同故障,为提高机务段检测机车轮对轴承故障的精度提供了一种有效的方法.     

基于SVM-PSO算法的大跨度悬索桥挠度可靠度研究

为了研究高维随机参数作用下大跨度悬索桥运营阶段挠度可靠度,在有限元计算基础上,基于支持向量机(support vector machine,SVM)建立成桥阶段挠度可靠度模型,结合优化后的粒子群算法(Particle Swarm Optimization,PSO)计算结构运营阶段挠度可靠指标。研究结果表明:借鉴遗传算法中的变异思想,通过设置中间变量约束条件,可以解决粒子群算法易早熟、后期迭代效率低的问题,进而提高计算效率与精度,基于SVM-PSO算法的结构可靠度方法高效准确,普立特大桥挠度可靠度满足正常使用极限条件下的要求。     

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。     

非对称单侧悬臂施工斜拉桥结构参数敏感性研究

为研究非对称单侧悬臂施工斜拉桥施工时的敏感参数,分别以成桥状态和最大悬臂状态相关力学指标为控制目标,采用不同的方法分析了主梁混凝土容重、混凝土弹性模量、斜拉索弹性模量、斜拉索初张力、主梁预应力荷载、施工临时荷载以及边跨填充铁块荷载等参数对各控制目标的影响程度。结果显示:以成桥状态主梁线形、主梁顶底面应力以及成桥索力为控制目标,将各参数增加10%的幅值,得出主要的结构影响参数为斜拉索初拉力和主梁混凝土容重;以最大悬臂状态悬臂端竖向变形和主梁根部顶底面应力为控制目标,以参数敏感度为指标,分析得出此状态下主要的结构影响参数同样为斜拉索初拉力和主梁混凝土容重。以敏感度为指标可以量化判断参数敏感性,建议进行具体分析时可采用此类方法。     

基于网格搜索的PCA-SVM道路交通标志识别

针对现有识别方法对交通标志的识别精度和算法效率不高的问题,提出了一种基于网格搜索的主成分分析-支持向量机(PCA-SVM)道路交通标志识别方法。该方法首先采用主成分分析(PCA)法对交通标志进行降维处理,提取出交通标志的主元特征,然后利用网格搜索法(GS)对支持向量机(SVM)进行参数优化,最后利用参数优化好的支持向量机分类器实现对交通标志的识别。通过实验仿真,并与现有的其他交通标志识别算法进行分析对比,实验结果表明,本文方法在保证较高识别精度的同时,算法效率得到显著提高。     

高铁大跨拱承式独塔斜拉桥成桥状态力学参数敏感性分析

以国内某高铁拱承式独塔斜拉桥为工程背景,通过有限元分析,研究主梁容重、拉索初张力、材料弹性模量和温度作用等力学参数对该桥成桥状态下力学性能(主梁线形、截面应力、成桥索力和主塔线形等)的影响规律,识别影响较大的敏感力学参数和对这些参数敏感的结构关键部位.研究结果表明:主梁容重和拉索初张力对主梁线形、截面应力和成桥索力的影响较大,对主塔线形的影响较小;材料弹性模量对成桥状态下结构力学性能的影响都很小;温度作用对成桥状态下结构力学性能的影响规律较为复杂.     

基于自适应粒子群算法的轨下基础病害识别

基于车辆-轨道耦合动力学模型，对不同轨下基础病害情况下的轨枕振动响应进行仿真分析。提出利用支持向量机算法和粒子群算法对轨下基础病害进行识别。为了提高粒子群算法的收敛速度，提出一种自适应粒子群算法，并将所提方法应用于轨下基础病害识别仿真，分析不同病害条件下的轨枕振动特征。研究表明：所提算法的病害识别准确率≥80%,且其算法收敛速度有明显提升。     

既有提梁机结构损伤识别方法研究

研究目的:针对大吨位提梁机表面锈蚀、焊缝或板材裂纹等结构损伤不易检测识别,极易引发安全事故这一问题,结合提梁机结构特点,本文利用ANSYS软件建立有限元模型,进行不同结构部位、不同损伤程度的仿真分析,研究结构损伤对结构动力特性和主梁挠度的影响规律,以探求提梁机结构损伤识别方法。研究结论:(1)利用动力特性的变化可以识别结构损伤的发生,但不能确定损伤位置;(2)提梁机结构型式的不同导致其振动模态发生变化,针对不同结构型式的提梁机,结构损伤引起的频率变化敏感阶次不同;(3)通过观察主梁挠度变化曲线可以识别主梁结构损伤,且能够确定单点损伤或多点损伤的损伤位置;(4)该研究成果可为既有提梁机的结构检测和状态评估提供理论参考。     

基于PSO-LSSVM的牵引供电系统故障诊断研究

为了提高列车运行稳定性,针对牵引供电系统故障诊断进行研究。根据牵引供电系统工作原理和特性分析故障现象与发生原因,提取用于故障诊断的特征信号;建立基于粒子群优化算法(Particle Swarm Optimization,简称PSO)优化最小二乘支持向量机(Least Squares Support Vector Machine,简称LSSVM)的故障诊断模型,并使用主成分分析(Principal Component Analysis,简称PCA)算法提取数据特征作为故障诊断模型的输入来降低输入维数;使用多种故障诊断模型进行对比分析。研究结果表明:经过PCA算法提取特征的PSO-LSSVM故障诊断模型具有较高的识别效率和识别准确性。     

基于粒子群优化最小二乘支持向量机的铁路客运量预测

对于铁路客运量预测的准确度问题,本研究提出了基于粒子群(PSO)优化最小二乘支持向量机(LS-SVM)重要参数的方法。以1995—2013年的铁路客运量历史数据作为训练集,2014—2018年的客运量作为测试集,用LS-SVM进行建模和预测。针对模型中参数难以选择问题,采用PSO全局搜索方法,与神经网络和LS-SVM的预测效果作比较,仿真表明,采用PSO优化LS-SVM对铁路客运量建模与预测效果更好,精度更高。     

基于人工神经网络的混合梁斜拉桥智能诊断方法研究

研究目的:本文以天津市河北大街混合梁斜拉桥为工程背景,基于人工神经网络模型,提出适用于混合梁斜拉桥的分步识别方法,分别采用概率和径向基函数神经网络对子结构和钢主梁子结构局部构件进行损伤识别.此外还提出适用于钢主梁局部构件识别的动-静组合损伤指标,并建立相应的径向基函数网络模型,分别针对单损伤、双损伤和三损伤的不同损伤情况进行数值模拟.研究结论:识别结果表明:(1)本文所提出的分步识别方法具有较高的识别精度,网络识别速度快,适用于大型混合梁斜拉桥的智能诊断过程;(2)所提出的动-静组合损伤指标对混合梁斜拉桥的局部损伤识别也较为敏感;(3)单处损伤测试工况中,识别精度几乎高达100％;(4)在两处和三处损伤测试工况中,位置识别正确率分别达到82.61％和78.3％.     

基于挠度的铁路双线简支钢桁梁桥杆件损伤程度识别研究

以梁桥节点最大位移改变率作为损伤程度伤识别指标,分别采用广义回归神经网络(GRNN)算法和ε-支持向量回归机(ε-SVR)算法,进行损伤程度识别研究。通过对一座铁路双线简支钢桁梁桥某杆件的损伤程度识别研究发现:(1)GRNN损伤程度识别模型具有一定的抗噪能力,不具有泛化性。(2)SVR损伤程度识别模型具有很强的抗噪能力和很好的泛化性。(3)以桥梁节点最大位移改变率作为损伤程度识别指标时,数据回归算法不能采用GRNN算法,应采用ε-SVR算法。     

基于改进VMD和APSO-SVM的高速列车轴承故障诊断

针对高速列车轮对轴承故障信息微弱难以提取的问题,提出一种结合变分模态分解(Variational mode decomposition,VMD)和粒子群算法参数优化支持向量机(Adaptive Particle Swarm Optimization-Support Vector Machine,APSO-SVM)的高速...     

塔墩梁固结的三塔四跨矮塔斜拉桥成桥状态力学参数研究

为了提高塔墩梁固结的三塔四跨矮塔斜拉桥的施工控制精度,为后续的参数识别和误差修正提供理论基础,以国内某矮塔斜拉桥为工程背景,通过计算比较各设计参数在成桥状态时对主梁线形、应力、成桥索力和主塔偏位的影响,分析各设计参数的敏感性。研究结果表明:主梁容重、拉索初张力、季节温差和索梁温差为主要设计参数,而混凝土弹模、日照温差和索塔两侧温差对成桥状态的影响较小,为次要参数。研究结果可为同类型斜拉桥的施工控制提供参考。     

基于模态分析技术的大跨度斜拉桥主梁损伤识别

根据模态曲率的概念,构造结构损伤指标。采用有限元方法,对1座设定主梁不同位置发生损伤的大跨度预应力混凝土斜拉桥进行动力特性分析,利用构造的结构损伤指标对结构损伤进行识别研究。结果表明:结构损伤指标对结构损伤的识别精度与参与计算的模态振型及节点间距有关。应选择在损伤位置振幅较大的模态振型,而避免平衡位置处于损伤位置或附近的模态振型。该方法对结构的早期损伤可进行定性判断,结构损伤指标随结构的早期损伤程度的增大而增大,且增长幅度逐渐变小,当结构损伤达到一定程度后,损伤指标不再增大,而在渐近线附近波动。节点间距在一定范围内增大时,不影响损伤位置的识别,甚至可以确定损伤程度,但可能会反映不出损伤对其临近区域的影响;节点间距过大,可能发生漏判。