基于工况事件时序特征的牵引变压器次边短路故障实时诊断与保护

针对目前列车牵引变压器次边短路故障无法实现实时检测,难以实现全工况有效保护和故障点精确定位的问题,提出了一种基于工况事件时序特征的实时诊断与保护方法。该方法通过分析不同工况下时序特征变化规律,总结与工况强关联的事件时序特征模式,并设计出能实现其故障检测与定位的工况事件诊断规则模型与时序特征模式诊断规则库,基于诊断结果设计合理的检测保护策略,实现次边短路故障的全工况实时诊断与保护。最后通过仿真测试验证了所提方法的有效性。     

Relief算法在关门车故障自动识别中的应用

针对货车运行故障动态图像检测(TFDS)系统中的图像识别问题,提出一种基于Relief算法的解决方案.该方案采用梯度-共生矩阵的数字特征来描述一幅图像,然后通过Relief算法进行有效的特征选择,根据这些特征,通过模板匹配技术,最终检测出关门车故障.现场运用表明,该方案具有很高的实用性.     

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。     

高速铁路接触网承力索座识别与辅助承力索缺失故障检测方法研究

针对高速铁路接触网承力索座辅助承力索缺失的问题,基于DHOG特征及离散余弦变换特征增强提出辅助承力索缺失故障检测方法。该方法首先需对样本库图像提取DHOG特征,在此基础上训练AdaBoost分类器并给出承力索座的精确定位;其次使用离散余弦变换滤除图像背景信息,实现辅助承力索目标特征信息增强;随后通过可接受圆弧检测、圆弧段聚类拟合实现图像内的圆形检测和统计,并根据统计数目,给出故障判据,最终实现高铁接触网辅助承力索缺失的故障判断。实验结果表明本文方法在目标定位上具有较好的尺度、旋转不变性,在故障检测上具有较高的检测精度。     

基于曲波域移动平行窗的受电弓滑板裂纹识别

针对受电弓滑板非接触式裂纹故障检测问题,提出一种基于曲波域移动平行窗的受电弓滑板裂纹识别算法。算法利用曲波变换多方向性及各向异性特点,对受电弓滑板图像点状、线性和非线性特征进行分类。在曲波分解方向矩阵中使用移动平行窗口并计算窗口能量值,依据能量值区分线性平行接缝与背景噪声、螺钉和刮痕等其他非线性图像特征,最终获取滑板裂纹信息。实验结果表明,本文算法能有效地分类滑板图像特征,较准确地检测并定位滑板裂纹故障,识别率达到94.1%。     

基于深度学习的高铁接触网旋转双耳开口销钉缺失故障检测

针对高速铁路接触网支撑装置中旋转双耳开口销钉缺失故障检测的问题,提出一种基于深度卷积神经网络和集成学习的故障检测方法。通过Faster R-CNN网络对旋转双耳整体进行精确定位;在整体定位结果的基础上,进一步完成对开口销钉的精确定位,最大程度上降低背景对故障检测的干扰;通过多个深度卷积神经网络提取开口销钉图像的多种特征,最终由多个线性SVM构成的集成分类器实现开口销钉缺失故障检测。实验结果表明:本方法能在复杂的接触网支撑装置图像中实现旋转双耳开口销钉的精确定位,并且在销钉的缺失故障检测中表现出较高的可靠性。     

基于安全编码处理器的检错工具研究与设计

为了提高安全编码处理器的可维护性,基于安全冗余编码算法,设计了2种冗余代码检错工具。研究表明:在线检错工具较离线检错工具能够更准确地定位错误的初发位置,并且对程序的运行效率影响很小。     

复杂场景下铁路货车锁紧板偏转故障检测

结合铁路安全运营的迫切需求,以铁路货车运行故障图像动态检测系统(TFDS)中锁紧板偏转故障检测为研究背景,在无故障目标自动识别模式下对锁紧板姿态进行故障判别。针对锁紧板姿态是否位于正常范围内,提出一种新颖的偏转角度估计方法。算法依据锁紧板轮廓由近直线段组构成,提出采用直线段特征描述物体,形成特征稀疏表达,并对直线段特征采用方向编码方式,在有向Chamfer匹配下实现偏转角度估计,整个过程仅需一个模板。实验证明该算法能有效识别出偏转角度位于正常范围内的物体,并具有较好的鲁棒性和准确性。     

CCBII制动机系统模式追踪与多故障诊断技术

由于CCBII制动机具有多种工作模式,工况复杂,工作部件繁多且耦合性强等特点,经常有多故障并发。传统的故障诊断技术难以对其进行多故障诊断。本文在基于解析冗余关系的诊断技术上,引入差分进化算法进行多故障检测与定位。首先构建制动机各工作模式模型,并推导系统的扩展全局解析冗余关系以获得模式转变特征表和系统故障特征表,再引入一致性向量比较特征表,实现系统的模式追踪。当模式追踪失败后,构建候选故障假设集,对每个候选故障设计基于差分进化算法参数估计器,通过比较候选故障参数的平均适应函数值,定位同时发生的多个故障,实现制动机系统多故障实时在线检测。最后通过仿真实验和实际应用验证本文方法的有效性。     

用于动车组故障检测的图像识别算法

动车组运行故障动态图像检测系统（TEDS）通过比对现场图像与其历史图像,实现列车运行状态的实时监测和自动报警。由于不同时间采集的图像存在一定程度的差异性,使得单纯基于SIFT特征匹配的故障识别算法误报率较高。为此,本文提出一种自适应融合局部和全局匹配的图像故障识别算法:将图像以车厢为基准对齐配准;基于SIFT特征匹配,通过局部比对粗略定位故障区域;以上述区域为模板,搜寻历史图像以精准定位故障位置。实验结果表明,本算法能有效地分析和预警运行动车组的异常情况,使得系统用户可及时发现重大故障,提升动车运营质量。