基于联合矩条件分布匹配的动车组轴承故障诊断方法

动车组轴承运行跨度大、工况复杂多变、安全要求高、数据分布存在差异的问题造成难以学习到高泛化性能的故障诊断模型。为了克服数据分布差异导致的模型泛化性能降低的问题,提高模型跨工况诊断能力,提出了一种基于联合矩条件分布匹配的领域自适应方法,用于动车组轴承的跨工况故障诊断。该方法的基本思想是通过提出的特征空间线性映射方法,将输入数据的类别信息耦合到提取的特征表示中,提高特征对数据特性的表达能力。进一步基于融合了条件分布信息的特征构造联合一阶和二阶统计量的指标(联合矩),增强对数据分布的描述,同时基于联合矩进行特征匹配以对齐领域分布,促使模型学习共享特征表示和诊断知识迁移。建立在两个公开滚动轴承数据集上的跨工况故障诊断案例的实验结果表明,所提方法相比其他方法具有更有效的故障特征学习能力和知识迁移性能,能够在多个任务上取得最佳的诊断结果。

铁路防灾监测雷达的应用

防灾技术是铁路尤其是高速铁路的重要研究课题,由于异物侵限事件发生具有突发性和不可预测性,成为高速铁路防灾技术的重点。近年来,国内外采用多种技术监测异物侵限事件。综合工程实际对铁路落物监测雷达和滑坡监测雷达的原理和应用进行介绍。

基于无线分布式学习的铁路系统地质灾害识别方法

目前地面枢纽接收点、无人机、卫星等信息采集终端已广泛地应用于铁路环境监控,由于列车行进与数据采集终端间的传输过程存在高度动态性,如何有效排除干扰并准确感知列车位置成为研究难点。虽有诸多方法被提出,但大多侧重于单一功能,难以同时实现数据传输与目标定位。提出了一种创新的解决方案,采用面向通感一体化的波束赋型方法,旨在同时完成数据传输和目标定位任务,以应对列车行进中的高度动态性;鉴于单个列车获取的地质灾害信息有限,利用列车本地计算单元,结合感知图像,采用联邦拆分学习框架,在多个计算节点上分布式训练地质灾害识别模型。该方法不仅提高了地质灾害识别的准确性,还有效降低了训练时延,保障了识别模型的测试准确率,实现了高效、准确的地质灾害监测与预警。