基于MSE与PSO-SVM的机车轮对轴承智能诊断方法

针对DF4型内燃机车轮对轴承单一和复合故障在内的7种不同健康状态的识别问题,提出了一种基于多尺度熵(Multiscale Entropy,MSE)和粒子群优化支持向量机(PSO-SVM)的机车轮对轴承故障识别方法.计算轴承不同健康状态下振动信号在多个尺度上的样本熵构成MSE特征向量,利用PSO-SVM识别轴承所属故障类型及故障程度.收集了DF4型内燃机车包含单一和复合故障在内的7种不同健康状态的轮对轴承试件,在南昌机务段的JL-501机车轴承检测台上采集了各轴承试件的振动信号样本.实验数据分析结果表明,MSE的特征提取效果优于多尺度近似熵(Multiscale Approximate Entropy,MAE)和小波包分解,PSO-SVM的故障识别效果优于参数不经优化的SVM和参数网格寻优法的Grid-SVM.本文方法能够有效诊断机车轮对轴承的不同故障,为提高机务段检测机车轮对轴承故障的精度提供了一种有效的方法.     

基于小波分析和SVM的主变流器故障诊断

针对电力机车主变流器的故障,提出基于小波分析和支持向量机(SVM)的故障诊断方法.首先,运用小波包对特征信号进行分解和重构,然后提取各频带的能量,将得到的能量值构造为特征向量,最后把特征向量输入到支持向量机,进行故障诊断.MATLAB仿真结果表明,该方法能够准确地对故障进行诊断.     

基于概率包络的轮对轴承故障诊断方法

信号不确定性的正确表达是故障诊断的先决条件。然而,在实际情况中,轮对轴承的信号存在各种不确定性,采用传统方法处理这类不确定性,存在信息丢失问题。提出一种基于概率包络的轮对轴承故障诊断方法。对原始信号进行分布类型检验,针对不同分布特点使用不同方法进行概率包络建模。提取概率包络模型的几何形状作为故障特征,并将其输入支持向量机(SVM)训练获得故障诊断模型。以公共数据集及实测数据进行诊断测试,并对诊断结果进行比对验证。实验结果表明,该方法合理有效,提高了诊断精度和效率。     

机车轴承故障诊断与预测系统

提出基于状态修而研发的机车轴承故障诊断系统。描述系统是通过监测振动和温度信号来对机车走行部轴承进行早期诊断和预警,而且从多个角度同时跟踪几个特征参数,量化轴承故障随时间的发展来预测轴承寿命,引入灰色预测模型故障预报理论。试运行表明:系统先进可靠,能满足机车轴承故障诊断的需求。     

基于波形特征提取和FA-Grid SVM的MVB故障诊断

列车通信网络的故障诊断一直是列车健康管理的难点,文章针对列车MVB(多功能车辆总线)网络,提出了一种基于波形特征提取和联合萤火虫网格寻优支持向量机(FA-Grid Support Vector Machines, FA-Grid SVM)相结合的故障诊断方法。通过提取MVB总线物理波形的时域特征,作为支持向量机的样本,构建MVB故障数据集;基于SVM较优参数点基本集中于同一区域这一现象,提出FA-Grid两步寻优的参数优化模型。试验结果表明,与传统网格寻优和遗传算法(GA)相比,提出的FA-Grid寻优模型时间复杂度低,分类效率高,能够准确地对MVB故障进行诊断。     

基于多小波包排列熵和流形学习的故障特征提取方法

针对振动信号非线性、非平稳性导致的故障特征难以准确提取的问题,提出了一种基于多小波包排列熵和流形学习的故障特征提取方法。首先,利用多小波包分解方法得到故障信号的多维多小波系数,通过计算排列熵初步提取了各个小波系数中的故障特征信息;然后利用局部切空间排列(LTSA)流形学习方法对多维特征信息进行处理,在有效降低信息冗余度的同时,提取了其中主要的故障特征;最后利用支持向量机(SVM)对滚动轴承正常、外圈、内圈和滚动体故障实测信号进行故障模式识别试验。结果表明,该方法可以准确地识别出轴承不同的故障类型,并且在提取故障特征准确性方面要优于传统的单小波包方法和主成分分析(PCA)方法。     

机车轴承若干故障的诊断与分析

JK00430型机车走行部车载故障检测装置投入应用以来,成功地发现了多起轴承故障。文章通过对其诊断数据和轴承故障状态的分析,提出了对目前机车轴承性能状态的一些观点及通过诊断数据分析合理指导视情维修的建议。     

基于声振特征融合的机车走行部轴承状态评估方法研究

轴承作为机车走行部的关键部件,其安全稳定运行对机车至关重要。针对机车走行部轴承维修后状态无法准确评估的现状,提出一种基于声振特征融合的机车走行部轴承状态评估方法。该方法通过采集走行部轴承工作时产生的声音信号及振动信号,提取2种信号特征参数并进行融合,得到更为准确的状态信息,实现对维修后轴承的状态评估。通过轴承故障模拟试验,验证基于声振特征融合的机车走行部轴承状态评估方法的准确性和有效性。     

16V240ZJB型柴油机主轴承故障振动诊断研究

从故障诊断技术的角度总结机车柴油机主轴承磨损振动的一般规律，提出采用横拉螺栓横向振动信号来监测、诊断主轴承磨损故障的思路和方法，阐明了主轴承系统振动的基本特征，对主轴承正党与故障动用状态振动信号的特征进行了分析讨论。现场数十台机车柴油机实测分析结果表明，利用主轴承横拉螺栓振动信号对主轴承磨损故障进行诊断的方法是有效、可行的。     

基于特征融合的变电设备类型及故障识别算法研究

针对机器视觉智能巡检中,红外图像下变电站设备类型多、故障状态难以准确判别的问题,提出一种基于FastPCA和PHOG特征加权融合的电气设备类型及其故障状态识别算法.引入K-means算法完成红外图像分割;提取分割图像的FastPCA和PHOG特征并加权融合成新的混合描述子;将新的描述子作为训练好的SVM分类器的输入向量...     

单套机车轴承检测机的结构设计

介绍JK11412轴承检测机结构设计的原理、特点、主要组成、性能和技术参数.利用广义共振/共振解调故障诊断技术及数控机床中的相关技术:旋转油缸、胀套式弹性夹头、同步带轮传动、线性导轨、滚珠丝杠螺母副等,研制出针对铁路机车轴承进行故障检测的单套机车轴承检测机.通过现场考核证明,该检测机自动化程度高、操作简单、检测准确率高...     

基于EHM理念的铁路机务设备大数据健康管理系统的设计与实现

为更好地进行铁路机务设备工作状态管理,降低维修成本,设计并实现了基于设备健康管理(EHM,Equipment Health Management)理念的铁路机务设备大数据健康管理系统。该系统通过层次分析法、自回归(AR,Autoregressive)模型、支持向量机(SVM,Support Vector Machine)模型,实现了铁路机务设备运行状态实时监测、健康趋势预测分析(准确率到达96.2%)、故障预测分析(准确率到达99.08%)、风险评估预警等功能。系统的运用有效的降低铁路机务设备维修成本,为铁路机务设备的信息化健康管理起到示范作用。     

基于DSP和MVB的机车瞬间故障检测记录仪

为了对电力机车上的设备和系统运行状态进行检测和故障诊断,将故障诊断技术与嵌入式技术相结合,设计开发了基于DSP和MVB网络的车载瞬间故障检测记录仪,其主要功能包括机车故障的在线诊断、故障信息的存储及与机车其他网络节点的通信。首先对车载瞬间故障检测记录仪的软硬件设计进行了介绍,并重点分析了数据采集和故障诊断的设计方案及实现。实际运行结果表明,机车瞬间故障检测记录仪性能稳定,集采集存储、故障诊断、状态检测和通信等功能于一体,在电力机车故障诊断和状态检测中发挥了重要作用。     

基于ARM的机车轴承故障诊断系统

介绍一种基于ARM嵌入式系统和机车轴承诊断系统.该系统可方便,快捷地完成机务段常用的机车轴承检测项目,诊断出故障类型,分析出可能引起故障的原因,并提出维修或更换的建议.通过数种方式,方便灵活地将诊断信息适时传给机务段管理计算机,便于同机车其他信息统一管理.实验结果表明,该系统运行稳定可靠,达到了预期效果.详细介绍软硬件设计过程.     

基于粒子群支持向量机的轨道电路故障诊断

支持向量机（SVM）是一种解决小样本分类问题的最佳理论算法，它的核函数的参数选择非常重要，直接影响着故障诊断的准确率。本文将粒子群算法（PSO）用于支持向量机的参数优化，提出基于粒子群支持向量机的故障诊断模型，并将其运用于轨道电路中。通过对比MATLAB仿真结果得出:经过粒子群寻优得到的参数比随机选取的参数更优，所建立的PSO-SVM模型的故障诊断准确率高于普通的SVM模型。     

振动诊断技术在柴油机主轴承故障检测中的应用

介绍了一种新型的内燃机车柴油机主轴承故障诊断系统的研究方法和研究成果，阐述了该系统的检测原理和设计方法，提出了数学模型和检测标准，为检测柴油机主轴承故障提供了一种新的科学手段。     

机车轴承故障诊断中的多智能传感器技术应用分析

故障诊断技术是保证铁路设备安全运行的一项重要技术.分析传统机车轴承故障诊断方法中存在的不确定性,利用多智能传感器技术进行机车轴承故障诊断,建立融合诊断系统.该系统采用决策级融合方法来处理由于单个参数带来的诊断的不确定性.实验表明,这种方法能够有效解决基于单个参数诊断系统中带来的不确定性问题.因而它具有很强的理论意义和应用价值.     

基于数字图像分析的铁路货车闸瓦插销窜出故障自动识别方法

本文基于数字图像分析技术,提出一种TFDS铁路货车闸瓦插销窜出故障的自动识别方法。算法对原始输入图像进行必要的区域定位、直方图均衡化、去噪等预处理;针对处理后的闸瓦插销的图像,设计适合其形状、纹理和位置3个方面特征的梯度方向直方图来描述闸瓦插销的特征向量;提取特征向量输入到已经训练好的线性可分支持向量机分类器模型中进行故障判断和自动识别。实验数据证明了该识别算法的稳定性、可靠性和实用性。