基于改进EEMD的船用柴油机缸套-活塞环故障诊断方法

船用柴油机缸套-活塞环发生故障时，振动信号呈现非线性、非平稳性特征且故障特征模糊、隐蔽。文章提出一种基于改进集成经验模态分解（EEMD）的故障诊断方法。通过设计固有模态函数（IMF）信息筛选准则对EEMD分解出的固有模态分量（IMFs）进行重新排序，筛去低质量的IMFs，以此获得包含更多能体现故障特征成分的重构信号，经该方法处理的信号再送入到分类器中进行识别和分类故障，实现船用柴油机缸套-活塞环的故障诊断。试验结果表明：与原EEMD诊断方法相比，该改进方法识别率更高，故障诊断效果更好。     

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AO算法优化VMD参数联合小波阈值的桥梁信号去噪方法

当桥梁进行状态评估和健康监测时，所获得的桥梁信号易受外部环境的干扰，难以反映桥梁结构的真实响应。针对桥梁信号夹杂环境噪声等问题，提出了基于联合天鹰算法(Aquila Optimizer, AO)、变分模态分解(Variational Mode Decomposition, VMD)和小波阈值的去噪方法。该方法首先利用AO算法优化VMD的参数，然后用VMD对含噪声的信号进行自适应分解，再去除方差贡献率较小的模态，最后对剩余的模态进行小波阈值去噪处理，重构信号得到去噪后的真实信号。对模拟信号和桥梁动应变的实测信号分别进行分析，结果表明：基于AO算法优化VMD参数联合小波阈值的去噪方法能有效滤除噪声信号，且去噪效果优于单一的小波阈值去噪、EMD联合小波阈值去噪以及EEMD联合小波阈值去噪等常用的去噪方法，研究成果可为桥梁信号的去噪处理提供有意义的参考。     

基于BIM的铁路信号构件库搭建与运用

针对铁路信号专业BIM正向设计过程中构件不完善的问题，充分调研了铁路信号专业BIM设计过程中所涉及的各类构件，并根据铁路工程构件分解方法完成了铁路信号BIM构件的分解；利用同类整合的方法对铁路信号BIM构件进行单元划分，并搭建了基于BIM的铁路信号构件数据库；将该构件数据库与奔特力平台相结合，完成了铁路信号BIM构件库的搭建，并将该构件库应用到铁路信号BIM正向设计中。应用实践表明，本文所搭建的铁路信号构件库能够适应目前铁路信号专业BIM正向设计的需要。     

基于VMD-ICSO-GRU的高铁列控车载设备故障率时间序列预测

有效地预测高铁列控车载设备故障率对合理分配设备备品、制定维修计划、减少故障发生具有重要意义。以列车运行控制系统的历史故障数据为对象，提出一种基于变分模态分解(VMD)和门控循环单元(GRU)的故障率预测模型。首先，利用VMD将车载设备故障率时间序列分解为一组包含不同频率信息的子序列，降低原始序列的非平稳性；然后，针对分解后的各个子序列建立多个基于GRU的时间序列预测模型，为提高预测精度，提出一种改进的猫群优化(ICSO)算法自适应设置各个GRU网络参数；最后，叠加各子序列预测结果得到最终故障率预测值。收集CTCS3-300T型列控车载设备历史故障数据进行实验，结果表明，相比于其他时间序列预测模型，本文模型得到的均方根误差(RMSE)和平均绝对误差(MAE)分别为0.044 5和0.039 1,均低于其他模型，验证了其有效性。     

基于实体结构分解的设计转施工模型研究

为解决铁路领域设计阶段模型传递给施工阶段存在的重复建模和模型与业务关联度不高的问题。提出一种标准化的模型转化方案，并探索基于该方案的模型与施工业务关联的方法。分析设计阶段和施工阶段的编码体系对应关系，提出实体结构分解的最佳方案。该方案将设计阶段模型按照施工业务的不同组成部分进行拆解，以保留模型的细节和关联信息。为实现模型转化，研究开发自动赋码和编码模板关联管理的软件工具，以减少工作量和人为赋码的错误。研究结果显示，采用该标准化模型转化方案的项目在质量管理方面、进度管理方面取得提升，并实现成本节约。本研究结论为该模型转化方案有效支持施工业务管理，提高项目管理的效率和质量，减少误差和重复工作，实现成本节约和整体绩效的提升。基于现有标准和规范体系，具有较好的可复制性，为不同建设领域基于BIM的全周期管理提供有益的参考，并展示铁路领域在设计与施工阶段实现模型转化的创新点。     

模态特征分量(IMF)在轴承故障诊断中的选用原则综述

经验模态分解(Empirical Mode Decomposition, EMD)及其衍生算法近年来在轴承故障领域得到了广泛应用。该类算法可以基于振动信号自身的特点对其进行自适应分解，得到一组蕴含不同频率成分的固有模态函数(Intrinsic Mode Function, IMF)。但是该类算法由于自身分解规则的缺陷不可避免地存在端点效应与模态混叠现象，从而产生了一些虚假IMF分量，影响轴承故障诊断的准确性。此外，EMD类算法分解得到的IMF通常是噪声或干扰信号，只有少数分量能够反映轴承故障特征。因此，如何筛选含有丰富故障信息的敏感IMF是该类算法的关键。文章首先介绍了EMD及其衍生算法，然后总结了目前在滚动轴承故障诊断领域中选取敏感IMF的主要准则，并阐述了其优缺点。     

面向新运用需求的计算机联锁技术应对措施分析

为应对移动闭塞、市域铁路股道有效长缩短、国外安全规范等新要求对联锁技术提出的挑战，结合国内外信号系统相关技术发展和安全需求，提出计算机联锁技术的应对方法与思路。按移动闭塞理念对传统进路进行分解组合，以提高车站内列车运行追踪能力；按延续进路思路开展过走防护区段的安全防护，与列控系统接口提高进路解锁效率并及时回缩进路授权；分析对比侧防需求与目前我国联锁技术条件的本质差异，对侧防设置的必要性进行综合评估；提出联锁产品当地化应用时，信号接近控制需要关注和思考的问题。为联锁技术的进一步发展和更广阔的应用提供思路和借鉴。     

基于ICEEMDAN-MPE-RF和SVM的齿轮箱特征提取与故障诊断

针对齿轮箱非平稳振动信号特征提取难、特征向量冗余度高和故障识别率低的问题，提出基于改进的自适应噪声完备集成经验模态分解（Improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN）、多尺度排列熵（Multi-scale permutation entropy,MPE）、随机森林（Random forest,RF）特征重要性排序和支持向量机（Support vector machine,SVM）的齿轮箱特征提取与故障诊断方法。首先，通过ICEEMDAN将各种故障状态的齿轮振动信号分解为一系列不同频率分布的本征模态分量（Intrinsic mode functions,IMF）；然后，计算各阶IMF的MPE值获得非平稳信号时频分布下的非线性动力学特征；最后，通过RF算法评估特征重要性，选择高重要性敏感特征组成最优特征子集输入SVM进行故障模式识别。试验结果表明，该方法特征提取和表征能力强，在不同工况下的平均识别率可达99.79%，在多工况和小样本数据集上比其他方法更具稳健性。     

基于小波包分解的新能源汽车电弧故障检测方法

提出基于小波包分解的新能源汽车电弧故障检测方法。首先选取电弧故障检测特征量，其次对选取的特征量进行特征数据预处理，将预处理数据归一化，最后设计检测流程，基于小波包分解实现新能源汽车电弧故障的检测，并与传统方法进行对比试验。结果表明：与传统方法相比，基于小波包分解的检测方法具有较高的准确性。