基于自适应粒子群算法的轨下基础病害识别

基于车辆-轨道耦合动力学模型,对不同轨下基础病害情况下的轨枕振动响应进行仿真分析。提出利用支持向量机算法和粒子群算法对轨下基础病害进行识别。为了提高粒子群算法的收敛速度,提出一种自适应粒子群算法,并将所提方法应用于轨下基础病害识别仿真,分析不同病害条件下的轨枕振动特征。研究表明:所提算法的病害识别准确率≥80%,且其算法收敛速度有明显提升。

基于支持向量机的轨道结构病害识别研究

轨道结构作为承载列车载荷的关键部件,一旦出现病害将直接影响列车的行驶安全。针对这一问题,文中提出了一种基于支持向量机的轨道结构病害识别方法。该方法利用时域统计和离散小波变换对轨道结构不同工况,例如正常状态、轨枕空吊、道床板结下轨枕振动加速度数据进行联合特征提取,降低了数据的维度,为病害识别提供了可能。该方法还利用支持向量机算法对特征向量进行识别,并采用网格搜索方法对支持向量机参数进行选优,识别准确率在85%左右。实验结果表明,所提方法可以对不同程度的轨枕空吊及道床板结病害进行较好地识别,为轨道结构故障在线预警提供技术基础。

基于排列熵和支持向量机的轨枕病害诊断

文中提出了一种基于排列熵和支持向量机的轨枕病害诊断方法。该方法通过建立车辆-轨道耦合振动模型获取轨枕的振动加速度,利用排列熵算法提取轨枕不同病害下的振动响应特征指标,并以归一化后的排列熵特征指标集为输入。该方法基于遗传算法优化的支持向量机对轨枕服役状态进行诊断和分类,实现了对轨枕不同病害的诊断。数据仿真结果表明,该方法对轨枕病害识别准确率均能达到90%以上,对于部分轨道不平顺谱激励和列车速度下的服役状态,识别准确率能达到97.5%。该结果表明,文中所提方法能够有效地对轨枕病害进行诊断,为轨道结构服役状态的在线监测与智能预警提供了方法依据。

基于复合多尺度排列熵的轨枕状态诊断方法

为了实现对道床不同情况的结构板结下的轨枕状态的诊断,提出一种基于复合多尺度排列熵(Composite Multi-scale Permutation Entropy,CMPE)的轨枕状态诊断方法。根据车轨耦合动力学原理建立车轨耦合垂向振动模型,用于仿真获取轨枕振动响应;利用CMPE算法表征轨枕振动响应中所包含的信息,构建轨枕振动响应识别特征集;并将其作为支持向量机的输入,对轨枕的振动响应进行分类,实现对轨枕状态的诊断。最终结果表明,该方法对轨枕状态识别准确率能达到90%以上,误检率很低,充分证明了方法的有效性和稳定性。

基于动态时间规整的轨道结构病害诊断方法

本文提出了一种基于动态时间规整的轨道结构病害诊断方法,利用动态时间规整算法对不同轨道结构病害下的振动响应进行特征提取,构建了基于动态时间规整的特征向量,并将其作为支持向量机的输入,利用支持向量机对轨道结构病害进行分类和诊断,实现了对不同轨道结构病害的诊断。数据的仿真结果表明,该方法取得了较好的诊断效果,且在有些列车速度下的分类准确率达到了90%以上,最高的分类准确率甚至达到了95.8%。因此本文所提出的方法能够对轨道结构病害进行有效地诊断,为轨道结构服役状态的在线监测与智能预警提供一定的依据。