基于SA-CPSO优化HSMM的转辙机故障预测模型研究

针对目前铁路现场转辙机PHM中故障发生的模糊性与随机性等不确定问题,提出一种基于自适应混沌粒子群(SA-CPSO)优化隐半马尔科夫(HSMM)的设备退化过程故障预测模型。根据转辙机全生命周期机械部件状态退化过程对其进行退化状态划分;建立SA-CPSO优化HSMM的设备状态评估和故障预测模型,再结合前向-后向算法对优化后的模型进行参数估计;通过实例分析验证该方法的有效性和可行性,实现传统信号维修策略的方法改进。     

基于IPSO-Capsule-NN模型的中欧班列出口需求量预测

为提高中欧班列出口需求量的预测精度,提出将改进粒子群算法(IPSO)与胶囊神经网络(Capsule-NN)相结合的预测模型(IPSO-Capsule-NN)。与全连接神经网络不同,胶囊神经网络通过动态路由算法增强了模型的拟合能力和泛化能力。利用改进粒子群算法优化胶囊神经网络的神经元数量、迭代次数以及学习率,以克服人为设定模型参数随机性较大导致模型精确度不高的不足之处。此外,针对标准粒子群算法存在的缺点,提出一种非线性递减惯性权重并引入Levy飞行对粒子群算法的全局寻优能力和收敛速度进行优化。将采用spearman秩相关性分析得到的11个因素作为中欧班列出口需求量的影响因素并对其进行预测,结果表明:胶囊神经网络具有2层隐含层时,IPSO-Capsule-NN模型预测精度更高。     

基于CEEMDAN与KFCM聚类的转辙机退化状态识别方法

针对道岔转换设备在使用寿命内的功率信号特征提取与退化状态识别问题，提出基于自适应白噪声完备经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）与核模糊C均值聚类（Kernel-based Fuzzy C-Means clustering,KFCM）相结合的转辙机退化状态识别方法。首先，对S700K转辙机采集的功率曲线数据进行模态分解，得到多个固有模态函数（Intrinsic Mode Functions,IMFs），通过IMFs的能量幅值获得表征数据退化过程的特征向量；然后，由KFCM算法对特征向量进行转辙机退化状态识别，并进行状态划分；最后，通过计算分类系数和平均模糊熵对该方法的分类性能进行综合评估，并与模糊C均值聚类（Fuzzy C-Means clustering,FCM）和GK (Gustafson Keseel)聚类算法进行比较。结果表明：该方法聚类效果准确率达95.6%，优于FCM和GK聚类算法，能对转辙机的退化状态进行科学划分，为铁路现场道岔设备健康状态监测提供...     

基于CHMM和SSA-SVM模型的高速铁路道岔设备健康状态评估方法

为更加精准地评估道岔设备健康状态，加强对设备的维护与管理，以ZDJ9型转辙机驱动的高速铁路道岔设备为研究对象，提取道岔功率曲线的时域、频域特征指标及经验模态分解奇异值熵，组成道岔特征指标向量，并采用核主成分分析法消除原始多维特征信息的冗余，构建道岔特征指标样本数据库；利用连续隐马尔可夫模型划分道岔退化状态，在此基础上，建立麻雀搜索算法优化支持向量机的健康状态综合评估模型。研究结果表明：所构建的健康状态评估模型的评估正确率高达98.75%,不仅能够实现高铁道岔设备健康状态综合评估效能，而且明显优于GridSearch-SVM、GA-SVM、PSO-SVM等组合算法，为实现道岔设备由“故障修”到“状态修”的综合智能维护提供可行途径。     

改进粒子群优化算法的BP神经网络在机车滚动轴承故障诊断中的应用

本文提出了一个基于改进粒子群优化算法的BP神经网络优化模型来进行轴承故障诊断,此模型融合粒子群优化算法的全局寻优能力和BP神经网络算法的局部搜索的优势,有效地防止了网络陷入局部极小值,同时又保证了诊断结果的精确性.仿真结果表明机车滚动轴承故障得到了有效诊断.相比于常规的BP神经网络模型,此方法不仅改进网络的收敛速度并且提高了预测准确性.     

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。     

结合PSO-OEWOA和MKSVDD的轨道车辆轴承性能退化评估

为了有效评估轨道车辆轴承性能退化程度,提出一种结合反向指数的鲸鱼粒子群混合算法(PSO-OEWOA)与多核支持向量数据描述(MKSVDD)相结合的滚动轴承性能退化评估方法。针对滚动轴承样本数据结构复杂,样本数据分布不均匀导致SVDD分类不够准确的问题,对SVDD模型的核函数进行改进,构造多核核函数提高支持向量数据描述的学习能力和泛化能力;然后针对MKSVDD中多参数选择盲目的问题,结合粒子群算法收敛速度快和鲸鱼算法探索能力强的优点,利用反向指数的鲸鱼算法迭代融合PSO算法对MKSVDD的参数进行寻优,从而避免优化算法早熟收敛和陷入局部最优。将轴承正常状态样本特征向量看作训练数据,同时将MKSVDD模型的准确率作为PSO-OEWOA的适应度函数,构建PSOOEWOA-MKSVDD评估模型,利用正常数据训练的MKSVDD的超球体半径作为健康报警阈值确定轴承的退化。通过轴承全寿命数据对模型进行训练和测试。研究结果表明：MKSVDD模型在轴承初始性能退化时评估敏感性比SVDD模型更优,而且相较于SVDD模型,在中度性能退化时的稳定性也更优。最后对采集的牵引电机轴承的振动数据进行退化分析,结果与...     

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。     

基于小波包分解与GG模糊聚类的转辙机退化阶段划分研究

针对道岔转换设备退化特征提取以及性能退化阶段准确划分的问题,提出一种基于小波包分解与GG聚类的退化阶段划分方法.首先对采集的ZYJ7转辙机工作功率曲线进行小波包分解,获得表征道岔转辙机状态的特征向量,构建退化性能指标;其次采用GG模糊聚类方法对道岔转辙机性能退化状态进行阶段划分,识别不同的退化状态;最后选用分类系数、平...     

基于IK-means和CHMM的铁路接触网性能退化评估

了解铁路接触网的退化性能水平有助于保障机车的安全运行。为了提高传统K-means算法聚类的合理性和准确性,引入了密度值因子来提高数据聚类精度,称为IK-means算法。采用IK-means算法对高速铁路接触网进行模式划分,将铁路接触网的退化状态划分成正常状态、轻度退化、中度退化、重度退化和失效状态共5种状态,再采用隐马尔科夫(Hidden Markov Model, HMM)算法对铁路接触网的性能退化状态进行评估。仿真测试结果表明,评估精度平均高于92.67%,验证了所提方法的可靠性。     

基于粒子群优化神经网络算法的货运机车能耗预测研究

机车能耗是铁路能耗的主要部分,是衡量铁路运营水平的重要指标,机车能耗水平的有效降低,将成为未来铁路节能降耗的主要手段之一。阐述测算机车能耗普遍采取的算法,考虑粒子群算法具有全局最优、能够实现动态搜索等优势,提出粒子群优化神经网络算法,将机车能耗有关影响因素作为输入变量,建立基于粒子群优化神经网络算法的货运机车能耗预测模型。以邯长线货运机车能耗为例,分别采用神经网络算法和粒子群优化神经网络算法进行货运机车能耗预测。结果表明,基于粒子群优化神经网络算法的货运机车能耗预测具有较高的可信度。     

基于果蝇算法优化的移动机器人RBPF-SLAM研究

针对基于传统Rao-Blackwellized粒子滤波(Rao-Blackwellised Particle Filter,RBPF)算法的移动机器人在进行同时定位与地图构建(Simultaneous Location and Mapping,SLAM)时易发生粒子退化导致移动机器人位姿估计不准确以及地图一致性较差的问题,提出一种基于果蝇优化算法的RBPF-SLAM算法。该算法将果蝇种群觅食过程中果蝇具有的趋味特性引入RBPF算法,将粒子视为果蝇个体,粒子的适应度值作为空气中食物味道的浓度,利用果蝇优化算法的高寻优能力使粒子向高似然区域移动并不断迭代寻优,以优化粒子种群的整体分布。同时,在果蝇寻优后的新种群中引入自适应交叉变异操作,以增加种群多样性。根据粒子的适应度值确定交叉概率,对配对好的粒子进行自适应交叉操作,再根据变异概率对当前种群的最优粒子进行变异操作,选取适应度值更高的粒子作为当前最优解。采用指数函数步长公式更新粒子状态,增加寻优过程中的搜索距离,有效提高算法的收敛效率。基于ACES building和MIT Killian Court数据集的仿真实验以及移动机器人实机测试结...     

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。     

基于功率曲线时域特征和变分模态分解的S700K转辙机运行状态诊断算法

根据S700K转辙机动作功率曲线非线性、非平稳、能充分反映转辙机不同状态信息的特点,提出基于功率曲线时域特征和变分模态分解、排列熵和模糊聚类分析的S700K转辙机全周期状态诊断算法。获取典型功率曲线,计算其有效值、峰值因子和峭度因子作为时域特征值,用于描述功率曲线能量特征、冲击特性及概率密度;为弥补曲线类型中时域特征值差异不明显的特征表征,采用变分模态分解将功率曲线分解成具有不同频率特性的模态函数,计算不同模态函数的排列熵得到4个频域特征值;将时、频域共计7个特征值作为运行状态特征集,使用模糊聚类算法对特征集进行运行状态诊断,得到S700K转辙机的运行状态（正常、亚健康、故障和严重故障）。实例应用结果表明：对选取的60组曲线,本文算法诊断正确率为98.33%;故障库为30条曲线时,程序运行时间不超过1.3 s;采用该算法,无须对模型进行训练,便能准确有效地诊断S700K转辙机运行状态,适合S700K转辙机样本少的特点。     

基于隐马尔科夫模型的道岔故障诊断方法

针对国内外高速铁路的快速发展,道岔故障严重影响行车安全及运输效率,本文提出一种基于隐马尔科夫模型的道岔故障诊断方法,通过增加道岔设备的潜在故障状态,将道岔设备的状态进行多状态细分。采用基于Fisher准则函数和主成分分析的方法进行特征提取,矢量量化处理后,建立不同故障模式下的HMM模型,通过比较测试数据与训练得到的不同HMM模型的匹配值进行故障诊断。利用京广铁路长沙南某型号道岔连续动作功率数据,对模型的性能进行测试,完成了故障诊断的实现与验证。仿真结果表明,采用四维特征信息时,其训练时间相对于其他机器学习方法有了较大提高,正确率达到90%以上,且该方法将道岔状态进行细分,通过分析每种状态之间的状态转移,可以预测道岔故障,从而进行道岔设备健康状态监测。     

基于贝叶斯DLM的桥梁结构可靠度预测

桥梁结构的性能是时变的,可利用时间序列模型来描述,本文引入贝叶斯动态线性模型(DLM)。运用贝叶斯DLM建立桥梁结构退化抗力的观测方程和状态方程,通过贝叶斯因子对桥梁结构检测信息进行监控,通过检测信息和退化抗力状态参数的先验信息,对退化抗力的状态参数进行贝叶斯后验概率推断,通过不断的"概率预测-修正"递推运算,获得最优退化抗力的状态概率估计预测老化桥梁的退化抗力,建立一个DLM预测桥梁抗力的变化趋势。DLM以及DLM的概率递推过程类似于著名的卡尔曼滤波算法,可以实现桥梁退化抗力的贝叶斯动态预测(向前预测和向后预测),考虑到状态变量的不确定性,本文引入折扣因子确定状态误差方差。基于贝叶斯动态修正的抗力概率模型建立桥梁结构可靠度的预测公式。通过算例验证了本文所建模型的合理性。     

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。     

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BP神经网络修正的自适应灰色模型的隧道变形预测研究

隧道围岩具有高度的非线性变形特征,通过变形预测能有效判断隧道变形的发展趋势。首先以自适应GM(1,1)模型对隧道变形进行初步预测,且为保证自适应模型的参数为全局最优参数,提出以粒子群算法对模型参数进行优化;其次,以BP神经网络为基础,建立误差修正模型,旨在进一步提高预测精度。在此基础上,将该预测模型应用于2个工程实例中,结果表明:该预测模型在横向和纵向上的预测效果均较好,自适应能力和递推能力均较强,预测结果与实测值较为吻合,预测精度较高,能较好地反映隧道围岩的变形规律。该预测模型能较为有效地实现隧道围岩的动态预测,可以进行推广应用及研究,为隧道变形预测提供一种新的思路。     

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。