基于形态学滤波和CEEMDAN-WVD的车轮失圆诊断

现有列车车轮失圆监测方法的准确性受车速及线路条件影响较大,为了更准确地监测车轮服役状态,文中提出基于形态学滤波和CEEMDAN-WVD的车轮失圆诊断方法：车辆轴箱垂向振动加速度经数学形态学滤波器滤波降噪后,运用完全噪声辅助聚合经验模态分解（CEEMDAN）将其分解为一系列的固有模态函数（IMF）,然后选取能量熵增量相对较大的几阶IMF分量进行Wigner-Ville分布（WVD）计算,从而叠加得到轴箱振动加速度的多尺度时频图,最后根据多尺度时频图的分布特征来诊断车轮状态。通过仿真分析和工程实例研究结果表明,运用该方法可有效地识别复杂工况下的车轮服役状态。     

基于卷积神经网络的牵引电机定子绕组匝间短路故障诊断

为实现牵引电机定子绕组匝间短路故障诊断,提出一种基于一维卷积神经网络(one-dimensional convolutional neural network, 1D-CNN)的故障诊断方法。首先对电机健康状态、不同相发生匝间短路故障及不同故障严重程度下的定子电流进行三层小波分解,得到小波分解高频系数和低频系数;求取小波分解系数的二范数,作为电机电流的特征;设计并训练1D-CNN,将训练好的1D-CNN作为分类器,实现牵引电机定子绕组匝间短路故障“端到端”的智能诊断。设计并搭建异步电机定子绕组匝间短路故障诊断实验平台。实验结果表明：所提方法可以准确有效诊断出轻微的匝间短路故障。在闭环控制下,电机发生1匝短路故障时,诊断正确率达到90.5%,并能够有效区分故障相。     

基于卷积神经网络优化算法的列车智能测试系统技术研究

设计基于卷积神经网络优化算法的列车智能测试系统,解决城市轨道交通领域列车系统测试自动化模拟问题。提出的列车智能测试系统,采用卷积神经网络的结构模型和基于分层压缩的卷积神经网络算法,详尽介绍构建分层压缩卷积神经网络的具体过程和卷积核优化结构设计。对站场测试用例的自动化模拟实验和测试数据分析的结果表明,基于卷积神经网络优化算法的列车智能测试系统可以优化测试过程、降低人工错误操作、合理分配测试资源、提高测试质量,加快整体系统测试进度的要求,为城市轨道交通领域未来实现全面自动化测试提供技术保障。     

基于改进卷积神经网络的无绝缘轨道电路调谐区故障诊断

针对现有故障诊断中忽略调谐区故障对列车安全影响的问题,建立分路状态下机车信号电压模型,获取调谐区正常状态及不同故障状态的机车信号电压;并考虑补偿电容故障、不同道砟电阻等对机车信号电压的影响,对现有数据库进行扩充,得到调谐区故障数据集。在此基础上,采用卷积神经网络(CNN,Convolutional Neural Networks)实现调谐区的故障诊断,特征提取通过CNN中卷积层实现,并对比不同卷积层参数下诊断准确率及训练时间,选择当前条件下相对最优的卷积层参数;采用dropout函数避免训练中出现过拟合现象,并通过CNN中第2全连接层实现故障分类。针对人为构建数据集时数据标签错误的问题,通过构建标签错误数据集的方式,减小错误标签数据对训练过程的影响。测试结果表明:当信噪比为40 dB时,测试集的准确率为97.92%,即在噪声环境下,该诊断方式仍然有效。     

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。     

基于卷积神经网络的列控车载设备故障分类研究

列控车载设备故障复杂且车载记录数据为海量非结构化文本,针对车载记录数据特点,提出基于卷积神经网络的车载设备故障智能分类模型.使用CBOW模型实现车载记录数据的文本分布式表示;为提高网络的泛化性,加快网络收敛,利用加入批归一化处理的卷积神经网络实现故障分类;考虑到不平衡、难分样本对分类效果的影响,通过SMOTE算法随机生...     

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。     

基于融合注意力机制的多智能体磁浮谐波预测算法

为减小高速磁浮系统谐波对牵引供电网产生的影响,解决谐波治理存在的时滞性问题,通常需要对谐波电流进行预测。对此,采用融合深度学习算法的组合模型相比于传统算法的表现更加出色。文章提出一种新的融合注意力机制的多智能体磁浮谐波预测算法,该算法通过麻雀搜索算法（SSA）优化变分模态分解（VMD）的相关参数,并利用该优化参数将原始电流信号分解为多个不同中心频率的谐波分量,将各个分量分别输入融合注意力机制的长短时记忆网络（LSTM）中进行时序预测,形成多个独立预测智能体,再对各个智能体预测结果进行重构,从而实现对高速磁浮谐波电流预测。在此基础上引入误差修正机制,进一步提高模型的预测精度。对上海高速磁浮牵引系统进行理论分析与仿真,采集网侧电流数据,并用所提出的算法模型对此数据进行试验和分析。结果表明,与其他模型相比,所提的预测模型在磁浮谐波电流预测方面具有较好的性能,并可使时滞性得到进一步改善。     

基于EWT-MCKD的机车轮对轴承故障诊断

针对机车轮对轴承在实际运行过程中故障特征难以提取的问题,提出经验小波变换(Empirical Wavelet Transform,EWT)和最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)相结合的滚动轴承故障特征提取方法.对原始信号进行傅里叶变换得到Fourier频谱图,根据频谱中的极大值将Fourier频谱图进行分段得到若干模态分量,以无量纲的裕度指标作为评价指标,再采用最大相关峭度解卷积对裕度因子最大的模态分量进行降噪处理.通过分析其包络谱中的频率成分来实现故障诊断.研究结果表明:所提方法对不同故障类型的轮对轴承进行诊断,可以准确有效的识别轮对轴承故障类型,具有一定的工程实用价值.     

基于ICEEMDAN-MPE-RF和SVM的齿轮箱特征提取与故障诊断

针对齿轮箱非平稳振动信号特征提取难、特征向量冗余度高和故障识别率低的问题,提出基于改进的自适应噪声完备集成经验模态分解（Improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN）、多尺度排列熵（Multi-scale permutation entropy,MPE）、随机森林（Random forest,RF）特征重要性排序和支持向量机（Support vector machine,SVM）的齿轮箱特征提取与故障诊断方法。首先,通过ICEEMDAN将各种故障状态的齿轮振动信号分解为一系列不同频率分布的本征模态分量（Intrinsic mode functions,IMF）;然后,计算各阶IMF的MPE值获得非平稳信号时频分布下的非线性动力学特征;最后,通过RF算法评估特征重要性,选择高重要性敏感特征组成最优特征子集输入SVM进行故障模式识别。试验结果表明,该方法特征提取和表征能力强,在不同工况下的平均识别率可达99.79%,在多工况和小样本数据集上比其他方法更具稳健性。     

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CEEMDAN-IPSO-LSTM的城市轨道交通短时客流预测方法研究

消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适应噪声完全集成经验模式分解算法(CEEMDAN)将客流时序数据分解为若干个频率和复杂度均不同的固有模态函数分量和剩余分量后,利用引入自适应策略的改进粒子群算法(IPSO)动态求解长短期记忆神经网络(LSTM)超参数的最优值,构建CEEMDAN-IPSO-LSTM组合模型预测城市轨道交通短时客流量。以广州地铁杨箕站自动售检票系统采集的历史进(出)站客流数据为例进行实验,研究结果表明：IPSO算法较PSO算法在基准测试函数Sphere,Sum Squars,Sum of Different Power,Rosenbrock,Rastigrin,Ackley,Griewank和Penalized上的最小值、最大值、平均值和标准差均更接近最佳优化值,CEEMDAN-IPSO-LSTM模型较LSTM模型、CEEMDAN-LSTM模型、CEEMDAN-PSO-LSTM模型的全月全日进(出)站的预测误差评价指标SD,RMSE,MAE和MAPE分别降低了12～40人次(13～35人次...