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。     

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。     

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。     

基于小波包分解多尺度排列熵及2阶特征选择的转辙机故障诊断方法

针对转辙机高精度故障诊断的需求，结合声音信号非接触、易采集等优势，提出一种基于声音信号的非接触式故障诊断方法。首先，基于小波包分解与多尺度排列熵，实现对声音样本的特征提取；其次，提出基于ReliefF和二进制粒子群优化算法的2阶特征选择方法，得到最佳特征集合，实现对声音样本的特征选择；最后，基于支持向量机算法对最佳特征集进行训练和测试，完成对转辙机的故障诊断。依托10种常见工况下共计800组声音样本开展实验，结果表明：该方法在反位—定位和定位—反位转换过程中得到的特征点数分别为13和39个，故障诊断准确率分别为99.67%和100%；相比于单一特征选择方法，采用的2阶特征选择方法能够大大降低特征维度，提高故障诊断准确率；相比于k近邻和线性判别分析这2种分类器，支持向量机分类器在转辙机故障诊断中更具优势。     

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。     

改进的道岔智能故障诊断系统建模研究

铁路系统转辙机维修方式仍沿用故障修模式,无法提高故障排除速度和准确性,提出利用改进遗传算法优化贝叶斯网络的方法建立故障诊断模型。利用遗传算法搜索能力强,不易陷入局部最优的特点,采用连接矩阵代替网络结构的编码方式,通过修改适应度函数、更新遗传操作方式、修正非法图等方法改进遗传算法,最终解决贝叶斯网络结构学习算法容易缩小搜索空间及易陷入局部最优的缺点。最后利用标准Asia网络验证本文算法比K2和GA算法有更好的搜索结果和更快的收敛速度,以道岔失去表示故障为例验证改进算法对转辙机故障诊断的优越性。     

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。     

地铁道岔转辙机辅助维修系统的研究开发

针对地铁道岔转辙机设备现场维护及故障处理的特点,研究了转辙机不同维修模式下的故障诊断方法;提出在故障修和预防性维修模式下分别采用故障树和模糊识别技术以提高诊断效率及精度;在转辙机三维仿真及评估系统中集成开发了S700K辅助维修系统,同时运用计算机虚拟现实技术对诊断结果及故障处理方案进行快速搜索和引导,提高了辅助维修系统的准确性和便利性。     

支持向量机在内燃机车燃油系统故障诊断中的应用

将支持向量机应用到内燃机车柴油机燃油系统故障诊断中,将故障诊断问题转换为故障分类问题,成功地实现了小样本情况下的数据识别.以昆明机务段在修程期间记录的故障数据作为样本,采用1-a-1多类分类器对DF4B型内燃机车燃油系统部分故障信息进行了学习.计算结果显示采用支持向量机的识别方法,故障判断平均准确度可以达到99.2%.     

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。     

基于小波包变换和BP网络的铁道车辆滚动轴承故障诊断方法

针对铁道车辆滚动轴承故障诊断,提出1种改进的小波包与BP神经网络相结合的故障诊断方法,并开发出基于该方法的铁道车辆滚动轴承故障诊断系统。用压电加速度传感器采集轴承试验台的模拟故障轴承振动信号,对采集到的信号先进行小波降噪,再通过小波包分解,构造特征向量,以此作为故障样本对改进的BP网络进行训练,实现智能化故障诊断。实验结果表明,基于该方法的故障诊断系统能够很好地诊断出铁道车辆滚动轴承内圈、外圈及滚动体表面出现的疲劳、剥落、磨损和裂纹等故障,具有实际工程应用价值。     

基于灰色关联理论的ZYJ7型电液转辙机故障诊断研究

以全主机多点牵引道岔第1牵引点为ZYJ7型转辙机的外锁闭道岔为例,通过分析转辙机动作过程中液压油压力的标准曲线和典型故障曲线,提取特征参数建立特征矩阵,对特征矩阵进行无量纲化处理,建立关联矩阵。对于实际出现的故障,提取特征向量,通过计算与关联矩阵的关联度大小,实现对道岔故障的智能诊断,可提高道岔故障诊断效率,对现场维修维护具有很大的指导意义。     

模糊神经网络在摆式列车作动系统故障诊断中的应用

针对摆式列车倾摆作动系统故障所具有的模糊性，提出了一种基于模糊神经网络的故障诊断方法，将模糊理论与神经网络融合在一起，实现了对故障的模糊诊断，给出了模糊神经网络的结构，该网络由两部分组成，前一部分为模糊量化部分，后一部分为神经网络部分，根据输入特征量的实际情况，确定了各模糊子集上的隶属度函数，提出了一种阈值向量故障判别方法，使故障判别更具灵活性和合理性，根据相关文献构造了倾摆作动系统的构造判别表，形成故障诊断理论样本。以摆式列车倾摆作作动系统对象，就倾摆作动系统中几种典型的故障模式，有用模糊神经网络方法作了识别，仿真结果表明，该方法是行之有效的，为在摆式列车实车倾摆作系统故障诊断中的应用提供了理论依据。     

城市轨道交通ZDJ9型转辙机健康管理系统研究

根据城市轨道交通对ZDJ9型转辙机维护的需求,提出了一套基于案例推理技术的ZDJ9转辙机故障诊断方法.首先描述案例推理技术在道岔故障维护诊断方面的优势,然后重点介绍了运用该方法构建的分析模型,最后通过现场试验验证,证明了该系统能够有效判断ZDJ9型转辙机健康状况的有效性和可行性,为信号设备实现状态修提供了检修依据.     

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。     

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。     

基于改进WNN分析功率曲线的S700K转辙机故障诊断

基于S700K转辙机常见故障下的功率曲线提出一种将小波变换、改进型遗传算法与神经网络相结合的故障诊断方法。用相应故障模式下的功率信号进行正交小波分解,把结果作为神经网络的输入特征向量,利用改进的遗传算法优化BP神经网络的参数,用训练好的BP神经网络进行故障诊断。研究结果表明:该方法可以有效的运用到S700K转辙机的故障诊断中,并提高转辙机故障诊断的精度与速度。