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HMM在电机故障诊断上的研究

提出一种基于隐马尔可夫模型的方法用于故障的诊断与检测,该方法采用HMM与模式识别相结合的方法,通过对电机的电压电流信号进行特征提取和分析,构建电压电流空间模型,并且每个模型可以作为一级,每一级可以提高其判断的准确度,而HMM模型用做一个故障分类器来使用,相比于自适应模糊推理方法（MLFF）和多层前馈网络法（ANFIS）,其准度有了很大提高,并且减少了计算。通过对不同故障诊断实例阐述了基于HMM的故障诊断方法的有效性和可行性。     

基于定性趋势分析的道岔故障诊断方法研究

道岔连接不同轨道并通常安装在两股或者多股轨道之间,不仅负责铁路线路的转换还保障线路的运营安全。随着我国轨道交通的快速发展,铁路线路和行车密度不断增长,道岔设备故障频率也日趋频繁,因此研究道岔故障诊断方法、提高诊断自动化水平具有重要现实意义。从定性的角度提出基于定性趋势分析的道岔故障诊断方法,该方法先采用区间半分法对道岔不同状态下的典型运转信号进行趋势提取,建立故障诊断知识库,之后对待诊断信号进行趋势提取,并计算其趋势序列与所有故障趋势规则的匹配度,综合比较匹配度值从而实现道岔故障诊断。实验结果表明,该方法具有良好的准确度。     

基于灰关联的道岔故障诊断方法

本文基于道岔转辙机典型故障下的动作功率曲线变化规律,提出一种基于灰关联的道岔故障诊断方法。通过采用Fisher准则对相应故障模式所对应的特征向量进行选择,通过优化分辨系数,并计算待测样本与各故障模式特征间的灰关联度,将满足门限要求的最大灰关联度所对应的故障模式作为待测样本的故障诊断结果。实验表明,该方法无需训练即可对道岔转辙机故障进行诊断,且有较好的适应性和较高的准确性。     

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。     

基于文本分析的高速铁路道岔故障分类模型研究

道岔是保障高速铁路运输安全的关键电务信号设备,研究其故障发生规律对指挥现场人员巡检和维修作业具有重要意义。针对非结构化铁路道岔故障描述的文本数据分类,根据高速铁路道岔故障发生原因和设备结构,结合专家经验进行人工划分,基于实时道岔动作电流或转辙机拉力等结构化数据进行自动分类。提出一种新的基于非结构化历史道岔故障文本描述的文本分类模型,首先应用融合铁路领域词典的中文分词工具Jieba进行分词,并通过Word2Vec和TF-IDF分别生成特征向量,最后应用SVM模型实现铁路道岔故障的智能分类。试验表明,该分类模型可以取得较好的分类结果,为现场作业人员提供一种客观的、基于海量历史数据的故障诊断模型。     

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。     

动车组主变流器的状态数据仿真研究

为解决传统动车组主变流器维修模式的缺陷,引入故障预测和健康管理技术对动车组主变流器维修进行设计研究,探讨了基于HMM模型+小波分析的主变流器故障预测与健康管理的故障诊断原理,通过仿真研究建立了MATLAB仿真模型,验证上述方法是可行的。     

铁路道岔转辙机故障分析与故障诊断监测系统研究

道岔转辙机频繁工作,作为铁路系统中最为重要的设备之一,其工作状态直接关系到列车的正常运营。目前采用"一周一小修、一月一大修"的模式对道岔转辙机进行维护。该模式效率较低,增加人工成本,无法保证相关设备的实时运行性能,不能对迅速恶化的故障进行及时排查。为解决上述问题,保证铁路系统的安全运营,必须采用相关监测设备对关键部位的数据进行实时采集和跟踪分析,并根据故障特征对设备潜在的故障进行自动识别,从而提前进行设备排查和维护。铁路道岔转辙机故障分析与故障诊断监测系统通过实时监测设备状态信息,进行设备故障临界信息的获取和自动识别,诊断故障的严重程度,及时提醒安排维护维修计划,可减少维修维护工作量,保障列车安全平稳运营,提高运输效率。     

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。     

基于粗糙集与模糊神经网络的车-地无线通信设备故障诊断研究

针对传统铁路列车车-地无线通信设备网络故障诊断模型结构复杂,诊断精度不高等问题,运用粗糙集理论(RS)、模糊系统(FS)和神经网络(NN)相融合的方法进行铁路列车车-地无线通信设备故障诊断研究。首先对原始样本数据进行模糊化处理,建立故障诊断样本数据表,基于粗糙集理论对故障样本数据进行约简,去除冗余属性,减少样本输入,然后利用约简后的数据训练神经网络,建立基于粗糙集与模糊神经网络车-地无线通信设备故障诊断系统模型结构;最后,将该模型运用于故障诊断中。试验结果对比表明,此方法简化了网络的结构,缩短了训练所需要的时间,提高了故障诊断的精度,从而验证了该方法的可行性。     

基于贝叶斯网络的列控车载设备故障诊断方法

列控车载设备故障排查与维护多依赖于人员经验,存在一定的片面性且效率较低。提出一种基于贝叶斯网络的列控车载设备故障智能诊断方法,基于历史故障数据得到故障征兆,利用粗糙集理论对故障征兆进行属性约简,降低训练模型的复杂度;将专家知识与故障数据训练相结合,改进贝叶斯网络模型,并将故障征兆关联关系融入模型中。以武广线列控故障数据为例,验证该模型的诊断效果。该方法对提升列控系统故障诊断的智能化水平具有借鉴意义。     

地铁道岔电气故障的诊断方法及软件系统构建

地铁道岔故障处理一直是信号系统的重点工作。为构建道岔故障诊断系统,根据道岔故障类型,针对道岔电气故障展开了研究。通过对道岔启动电路、道岔表示电路原理的分析,确定道岔故障诊断所需的采集点和采集内容,研究汇集了一组道岔故障现象及故障定位的故障数据库,可对道岔三相电缺相故障、道岔启动电路故障、道岔表示电路故障进行有效定位,以方便故障排查,为道岔故障诊断系统的构建奠定了基础。     

RS-BN算法在高铁车载设备故障诊断中的应用研究

针对高速铁路列控车载设备结构复杂、故障诊断特征不确定、传统故障诊断方法过于依赖专家经验、故障诊断自动化程度低等问题,提出一种贝叶斯网络与粗糙集模型约简技术相融合的故障诊断方法。首先对故障追踪表进行分析提取和数据挖掘,结合专家经验建立诊断知识数据库;其次对故障数据进行K2算法学习、训练,并结合诊断知识数据库先验知识建立BN结构模型;然后结合故障信息数据建立诊断决策表,利用粗糙集进行条件属性约简,消除冗余条件信息,简化模型并建立基于RS-BN算法的BN结构模型;再通过MLE算法进行BN模型的参数学习,获得模型的条件概率表,建立完整的BN诊断模型;最后对约简模型和未约简模型进行对比分析。通过某高铁实际故障数据仿真验证分析,测试结果证明了该方法有较高的准确性和实际模型的高似然度。     

基于故障树分析法的道岔故障诊断与可靠性评估方法

故障树分析法(FTA)采用逻辑化方法,直观反映故障、故障原因与系统部件之间的逻辑关系。利用FTA对道岔空转故障建立故障树,逐层分析其故障原因,并对此故障树进行定性与定量分析,为道岔故障诊断和日常维护提供一些参考。     

利用监测信息实现对道岔故障后功能自动恢复的判断和处理

在一次道岔故障后功能自动恢复的事件中,通过对微机监测记录的故障电流模拟量曲线,以及继电器开关量状态的分析,结合道岔控制电路进行多方位判断分析及验证,准确找到了造成道岔故障的原因,及时加以克服,消除了隐患,确保了道岔设备的正常运用。     

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.