基于CNN-GRU模型的道岔故障诊断算法研究

道岔作为铁路重要的信号基础设备,在保障铁路安全运行中起到重要作用。基于信号集中监测系统中道岔的故障电流和功率曲线,经过哈尔小波变换后,通过卷积神经网络(CNN)中的卷积层,对故障曲线提取一定维度的道岔故障特征;然后把提取到的故障特征作为门控循环单元(GRU)的输入,从而实现道岔故障诊断;最后将数据集分成训练集和测试集,对模型做训练和验证。实验仿真表明,特征矩阵采用40维输入,迭代75次时,道岔故障诊断准确率达95%,训练时间也优于其他方法。     

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%。     

基于多域特征提取与改进PSO-PNN的道岔故障诊断

针对S700K常见的8种故障模式和正常模式所对应功率曲线,提出一种基于概率神经网络(PNN)与改进的粒子群算法(PSO)相结合的道岔故障诊断方法。首先,在9种功率曲线上分别提取时域、频域特征统计量和时频域小波系数,并用主成分分析法降维每个域的特征量,得到特征向量;其次,以3个改进的PSO-PNN做分类器,并对分类器进行训练和预测;最后,3个分类器的预测结果做三取二表决。仿真结果表明:该方法能有效提高道岔故障诊断的准确率,具有良好的容错性。     

基于PLSA和SVM的道岔故障特征提取与诊断方法研究

铁路局和电务段长期以来保留的道岔故障记录是非常宝贵的数据,对道岔故障类型统计、故障特征分析、故障诊断和故障预测有非常好的参考作用,但这些数据往往保存格式多样,难以直接利用。本文提出基于主题模型PLSA和支持向量机SVM的道岔设备故障特征提取与诊断方法。通过分词算法将故障文档表达在词项特征空间中;采用主题模型算法提取主题特征,并将故障文档表达在主题特征空间上;以SVM算法构造诊断器实现道岔设备的故障诊断。利用中国铁路广州局集团有限公司道岔故障记录的真实数据,对提出的算法有效性进行验证。实验表明,提出的算法能有效实现道岔设备故障诊断,对现场维护有一定的指导意义。     

基于小波包和RBF神经网络的轨道车辆滚动轴承故障诊断

针对轨道车辆的滚动轴承故障诊断问题,提出了一种小波包与RBF神经网络相结合的故障诊断方法.首先对采集到的振动数据进行小波消噪,然后利用小波包分解提取故障信号的能量特征向量,最后利用提取的能量特征训练RBF神经网络,进行故障诊断.诊断结果表明,基于小波包和RBF神经网络的轨道车辆滚动轴承故障诊断方法能够较好的诊断出轨道车辆的轴承故障类型,具有一定的实际应用价值.     

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。     

基于小波包和贝叶斯分类的机车走行部滚动轴承故障诊断研究

机车走行部滚动轴承的状况直接关系到机车的性能和列车的运行安全。针对目前机车走行部滚动轴承故障诊断准确率不高、模型构建时间较长的问题,提出一种基于小波包和贝叶斯分类的故障诊断方法。通过小波包变换构造故障特征集,利用粗糙集和主成分分析进行降维,将未降维和降维之后的故障特征集输入到贝叶斯分类模型中实现故障诊断,最后将贝叶斯分类方法和神经网络及最小二乘支持向量机方法进行比较。仿真结果表明,朴素贝叶斯分类方法构建模型的时间更短,分类准确率更高。     

基于粗糙集-C4.5的轨道电路故障诊断方法研究

针对轨道电路故障信息存在大量重复样本和冗余属性,提出一种基于粗糙集和C4.5决策树算法相融合的轨道电路故障诊断方法。轨道电路故障特征数据多为连续量,需要根据模糊集理论对故障样本进行模糊化,形成离散决策表。利用粗糙集处理不完备决策表的能力,去除离散决策表的冗余属性得到约简表,结合决策树C4.5算法对约简决策表进行快速训练提取诊断规则,产生的诊断规则清晰、可解释性强,能够直接运用于轨道电路故障诊断中。最后利用模拟数据仿真验证该方法的有效性,与ID3算法和BP神经网络法进行对比,仿真测试表明该方法具有更高的诊断效率和准确率,对实现轨道电路快速鲁棒故障诊断具有一定意义。     

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.     

基于集成深度学习的转辙机故障诊断研究

[目的]为了能够充分利用故障日志数据诊断转辙机故障,提出了基于集成学习算法的道岔转辙机故障诊断方法。[方法]通过分析转辙机故障文本数据,并结合专家经验,建立了两级故障诊断思路;将故障文本数据预处理为机器能够识别的数据,作为故障诊断模型输入数据;介绍了基于AdaBoost集成学习法的CNN(卷积神经网络)-LSTM(长短期记忆网络)故障诊断模型的原理和方法。[结果及结论]试验结果表明,在数据类别不平衡或者样本数量有限的情况下,采用CNN-LSTM模型能够有效提高故障诊断的准确率;与其他故障诊断模型相比,CNN-LSTM模型性能更好;所提出方法具有有效性,能够满足应用场景准确率要求。     

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。     

基于粗糙集理论的列控车载设备故障分析方法

快速、准确的故障诊断技术是高速列车安全运行的重要保证,本文以此为目标,对列控系统故障诊断方法进行研究,将神经网络算法NN分别应用于列控系统车载设备应答器传输单元BTM、列车接口单元TIU的故障诊断中,通过对比故障识别准确率BTM为训练阶段19.89%、测试阶段36.51%,TIU为训练阶段96.93%、测试阶段94.84%,得出当数据中噪声较大时,神经网络的分类能力降低。为了解决以上问题,引入粗糙集理论进行属性约简、去除噪声,用神经网络进行故障识别,最终得出BTM的故障识别准确率为训练阶段93.32%、测试阶段97.41%,TIU为训练阶段99.21%、测试阶段96.72%,表明粗糙集理论和神经网络的结合RSTNN能够保证故障诊断的准确性,从而验证该方法在实现列控系统车载设备故障诊断方面的有效性。     

SOM神经网络在电力机车主变流器故障诊断中的应用

提出了将自组织特征映射(SOM)神经网络应用于电力机车主变流器的故障诊断中.该网络模型结构简单,无需监督,能对输入模式进行聚类.从变流器输出波形中提取数据,利用MAqZAB7.0神经网络工具箱,对其故障进行诊断.试验结果表明,自组织特征映射神经网络具有较好的聚类功能,用于电力机车主变流器故障诊断是准确、可靠和可行的.     

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。     

基于小波包熵及双重优化神经网络的牵引逆变器开路故障诊断

功率模块器件作为高速动车组电力牵引传动系统的核心组成部分,大多应用于多场域耦合且承受主要的电热应力,故障率较高。通过提取其故障特征并准确定位故障点,实时在线诊断故障对于牵引传动系统的安全可靠运行具有重要意义。以CRH2型动车组牵引传动系统为例,三电平牵引逆变器存在12个功率管,故障发生频繁且种类繁多,故对于三电平牵引逆变器功率管的单管以及多管故障诊断不可忽视。以提升三电平牵引逆变器功率模块器件故障准确定位为目的,研究单个功率器件和多个功率器件开路故障诊断。通过分析该三电平牵引逆变器正常工作模式和多种功率管开路故障情况对比,将三电平牵引逆变器三相桥臂输出侧电流作为诊断电气量,对故障进行分类,提取每类故障特征电气量经小波包分解后各节点的熵值作为故障特征信息。以提取的小波包熵值作为故障特征向量建立BP神经网络,采用粒子群算法结合遗传算法对神经网络权值和阈值结构同时优化,2种算法优劣互补,实现不同故障分类的诊断,准确定位故障点。仿真结果表明,该方法能实现牵引逆变器单管以及多管故障类型的诊断和对不同故障点的准确定位,且诊断结果精度高,抗噪性能优异,实时性强。     

神经网络在铁道车辆齿轮箱故障诊断系统中的应用

将BP神经网络技术应用于铁道车辆齿轮箱故障诊断领域,搭建了BP神经网络诊断模型,在此基础上提出了一种改进的BP算法,并将常规诊断方法所提取的典型故障信号作为神经网络的输入数据,用改进的BP神经网络进行仿真测试。测试结果表明,经过改进的BP神经网络诊断系统具有较好的诊断效率和诊断精度,达到了预期的诊断结果。     

基于WNN算法的BTM故障诊断方法

高效、准确的故障定位技术是列车安全运行的重要保证。针对列车超速防护系统（ATP）车载设备故障分析存在复杂性高、依赖专家经验等问题,提出将小波神经网络（Wavelet Neural Network,WNN）算法应用于车载设备故障诊断的方法。针对车载设备中的应答器传输模块（Balise Transmission Module,BTM）,首先根据经常发生的故障类型,匹配ATP中相应的故障日志语句;然后建立网络结构,利用小波理论修正网络的权值与参数;最后结合WNN算法精准地分析和预测故障。选取BTM单元的100组故障数据作为样本进行仿真实验,并与BP神经网络、GA-BP神经网络以及SVM算法进行对比。实验结果表明：通过小波算法优化神经网络的测试样本平均绝对误差降低至6.917%,相关系数提高到97.402%,该算法在高速铁路列控车载设备故障分析方面有较高的准确性。     

基于HPSO-WNN的牵引变压器故障诊断算法研究

为全面有效地诊断电力机车牵引变压器故障,提出一种基于混合粒子群算法的正交小波神经网络(HP-SO-WNN)方法,对牵引变压器进行综合测试和诊断。将色谱数据和电气试验数据作为正交小波神经网络的输入量,网络隐藏层采用具有正交性的小波函数db4作为基函数,利用混合粒子群算法获得正交小波神经网络的初始值并优化网络参数。试验结果证明,本文提出的HPSO-WNN确实可有效提高牵引变压器故障诊断速度和准确度。     

提速道岔集中监测智能化功能改进

针对当前提速道岔集中监测在应用中存在的突出问题,对现有采样信息运用数据统计和专家分析手段进行统计分析,实现了提速道岔集中监测智能分析及故障诊断功能。