基于深度网络的轨道电路暂态特征多补偿电容故障定位

补偿电容作为无绝缘轨道电路的重要组成部分,若发生故障会影响轨道电路的正常工作。针对轨道电路补偿电容开路故障的随机性与突发性问题,提出一种基于轨出电压暂态特征的深度网络补偿电容故障定位方法。其核心思想是利用暂态理论分析多个补偿电容开路故障,对其进行智能定位。模型首先构建线性核与高斯核组合的深度混合核网络(DHK)用于提取暂态特征,并利用高斯过程回归优化核函数和超参数;随后将混合核网络提取的高维暂态特征信息送入GRU层,实现多个补偿电容开路故障定位;最后引入负对数似然估计优化DHK-GRU网络参数,提升模型的故障定位能力。通过实测数据验证轨道电路仿真模型的正确性,进而通过仿真模型对多补偿电容故障类型进行扩充。选取40种不同情况下多补偿电容开路故障的轨出电压信号,经归一化处理后作为输入数据。将DHK-GRU模型与GRU模型、双向GRU模型以及DHK-双向GRU模型进行对比分析,使用混淆矩阵计算实际样本值和模型诊断值的误差,评估模型的定位效果。实验结果表明:提出的DHK-GRU模型的正确率为97.98%,精确率为97.6%,召回率为98.5%,F值为0.980,说明模型在多补偿电容故障定位中具有优异的表现。由此也表明构建的DHK-GRU模型可协助现场维修人员实现多个补偿电容故障的有效定位,为补偿电容的预防性维修和突发性故障诊断提供依据。

基于改进的局部结构熵复杂网络重要节点挖掘

识别复杂网络中的关键节点对优化网络结构以及信息的有效传播起着至关重要的作用。局部结构熵(LE)利用局部网络对整个网络的影响代替节点对整个网络的影响以识别重要节点,然而LE未考虑高聚集性网络和节点与邻居节点形成环的情况,存在一定的局限性。针对以上不足,首先,提出了改进LE的节点重要性评价方法PLE(Penalized Local structural Entropy),即在LE的基础上引入集聚系数(CC)作为惩罚项,从而适当惩罚网络中的高聚集性节点;其次,由于PLE的惩罚项对三元闭包结构上的节点惩罚力度过大,又提出了PLE的改进方法PLEA(Penalized Local structural Entropy Advancement),即在惩罚项前引入一个控制系数,以控制惩罚力度。对5个不同规模的真实网络进行选择性攻击实验,实验结果表明,在美国西部各州电网和美国航空网两个网络中,与LE方法相比,PLEA的识别准确率分别提升了26.3%和3.2%;与K-Shell(KS)方法相比,PLEA的识别准确率分别提升了380%和5.43%;与DCL(Degree and Clustering coefficient and Location)方法相比,PLEA的识别准确率分别提升了14.4%和24%。同时,PLEA识别的重要节点对网络造成的破坏更大,验证了引入CC作为惩罚项的合理性,以及PLEA的有效性和优越性。PLEA综合考虑了节点的邻居个数和节点的局部网络结构,计算简单,对于刻画大规模网络的可靠性与抗毁性具有十分重要的意义。

基于深度置信网络的道岔故障智能诊断方法

传统的道岔故障诊断方法往往依赖于复杂的信号处理过程以及丰富的专家经验,需要对信号进行精确的分段,过程繁琐,不利于现场使用。采用粒子群算法(PSO)优化的深度置信网络(DBN)的方法,直接对道岔功率原始数据提取特征,利用受限玻尔兹曼机(RBM)逐层拟合数据特征同时实现对数据的降维。然后采用极限学习机(ELM)对故障进行分类,提高了诊断的速度。研究结果表明:与PSO优化的支持向量机(SVM)方法相比,准确率提升了4%,达到了96%,所用时间也大大减少。

基于改进对抗网络与自适应数据对齐的转辙机故障诊断研究

针对转辙机故障监测数据的非均衡小样本的诊断问题,提出一种基于改进生成对抗网络数据增强的转辙机故障诊断方法。该方法以故障诊断为目标改进ACGAN网络,利用生成器扩充样本分布空间及判别器的辅助分类器学习故障曲线的特征分布模式,以少量样本训练模型实现对常见故障的精确诊断。鉴于转辙机动作电流数据长度不一致,采用自适应压缩实现数据对齐,避免了以往硬填充或硬截断对齐方式对模式特征的破坏,进一步增强了故障诊断性能。最后采用成都地铁四号线的转辙机实际数据进行测试验证并与相关方法对比实验。结果表明,本文方法对转辙机非均衡小样本的数据集具有良好的适用性,其故障诊断AUC指数为0.999,诊断准确率高且实时性好,具有较好的现场应用前景。

美的电磁炉加热功率小故障及检修分析

电磁炉作为一种高效、节能的家用电器,已经成为现代厨房中不可或缺的重要设备。美的电磁炉作为市场上备受欢迎的品牌之一,其产品凭借着高品质和创新的设计,受到了广大消费者的喜爱。然而,在日常使用中,一些用户可能会遇到电磁炉加热功率小或报警不加热等故障,影响了电磁炉的正常使用和用户体验。本文通过对美的电磁炉加热功率小故障检修进行分析,以期提升电磁炉使用体验。

基于强化学习的高速列车速度跟踪改进自抗扰控制

针对列车速度跟踪问题和自抗扰控制器(Nonlinear Active Disturbance Rejection Controller,NLADRC)参数整定问题,设计了一种基于强化学习自抗扰的高速列车速度控制算法.首先,采用结构简化的Levant跟踪微分器,提高对输入信号的跟踪.其次,设计基于ifaln函数改进扩张状态观测器的二阶NLADRC,解决误差大时系统增益大的问题.再次,考虑列车追踪要达到高精度的需求,控制器应该有良好的稳、动态性能,提出综合型目标函数指标.最后,根据列车运行系统特点设计长时连续动作强化学习器(Long Time Continuous Action Reinforcement Learning Automata,LTCARLA),在保持控制器非线性优势的情况下进行参数整定.实验结果表明:该算法在外加干扰作用下,跟踪误差仍能保持在±0.06 km/h间,抗扰性强,学习出的这组参数值能使控制器性能最优.

基于改进EMD的微机械陀螺随机误差建模方法

为了降低微机械(MEMS)陀螺仪的随机误差,提出一种将改进的经验模态分解法(EMD)与传统建模滤波方法相结合的新方法对随机误差进行处理。首先采用传统EMD算法将信号分解为有限个本征模态函数(IMF),并根据皮尔逊相关系数准则和噪声统计特性提出一种筛选机制,将IMF分为噪声IMFs、混叠IMFs和信号IMFs 3类;其次,对混叠IMFs进行时间序列建模,建模完成后进行卡尔曼滤波拟合;最后,将建模滤波后的混叠IMFs与信号IMFs进行重构,得到最终去噪信号。实验分析结果表明,本文方法在抑制随机误差的效果上有明显的优势,极大地改善了信号的质量,提高了惯导的解算精度。

基于Mallat小波分解与改进GWO-SVM的道岔故障诊断

为顺应道岔故障诊断向智能化和自动化的发展趋势,以S700K转辙机功率曲线为例,提出一种改进型灰狼优化算法(GWO)与支持向量机(SVM)相结合的故障诊断方法。在8种故障模式和正常模式所对应的功率曲线实施5层Mallat小波分解,得到各层近似系数和细节系数,并计算各层系数的平方和;利用主成分分析法对系数平方和组成的向量集进行降维,得到特征向量集;改进型灰狼优化算法优化支持向量机参数,并用优化好的支持向量机进行故障预测。研究结果表明:该方法能有效提高道岔故障诊断的准确率。

基于CNN-GRU模型的道岔故障诊断算法研究

道岔作为铁路重要的信号基础设备,在保障铁路安全运行中起到重要作用。基于信号集中监测系统中道岔的故障电流和功率曲线,经过哈尔小波变换后,通过卷积神经网络(CNN)中的卷积层,对故障曲线提取一定维度的道岔故障特征;然后把提取到的故障特征作为门控循环单元(GRU)的输入,从而实现道岔故障诊断;最后将数据集分成训练集和测试集,对模型做训练和验证。实验仿真表明,特征矩阵采用40维输入,迭代75次时,道岔故障诊断准确率达95%,训练时间也优于其他方法。

基于多域特征提取与改进PSO-PNN的道岔故障诊断

针对S700K常见的8种故障模式和正常模式所对应功率曲线,提出一种基于概率神经网络(PNN)与改进的粒子群算法(PSO)相结合的道岔故障诊断方法。首先,在9种功率曲线上分别提取时域、频域特征统计量和时频域小波系数,并用主成分分析法降维每个域的特征量,得到特征向量;其次,以3个改进的PSO-PNN做分类器,并对分类器进行训练和预测;最后,3个分类器的预测结果做三取二表决。仿真结果表明:该方法能有效提高道岔故障诊断的准确率,具有良好的容错性。

引入滑模观测器的GPS/INS组合导航滤波方法

由低成本器件组成的卫星/惯性(GPS/INS)组合导航系统中,存在较大的非线性与不确定性,为改善这一问题,本文提出一种引入滑模观测器(SMO)的滤波方法。首先,该方法建立了组合导航系统模型,介绍了扩展卡尔曼滤波(EKF)计算过程并分析存在的不足。然后,介绍了滑模观测器的基本原理,根据系统构建观测器。最后,说明了引入滑模观测器的EKF组合导航算法实现流程,滑模观测器将模型误差、状态估计以及均值方差融入EKF算法,修正系统输出。通过轨迹仿真实验与车载实验验证了所提方法优于传统EKF算法,具有更高的滤波精度。在车载实验中,卫星信号失锁15 s情况下,与EKF方法相比,所提方法的东向位置误差降低了53%,北向位置误差降低了37%,证明该方法能够有效抑制GPS/INS组合导航误差发散,为以后工程实践提供一定的参考价值。

基于改进小波变换的MEMS陀螺信号去噪算法

为提高MEMS陀螺仪测量精度,抑制测量噪声对其造成的影响,该文分析了某型号MEMS陀螺仪误差特性,提出基于递归最小二乘法(RLS)多重小波分解重构的强追踪自反馈模型,建立新的软阈值函数。由于模型处理后的数据带有部分奇异值,该文提出了一种改进的中值滤波算法。对于陀螺仪零偏噪声问题,提出零偏不稳定性抑制算法,并对该算法模型进行了详细的描述。将某项目研究中列车姿态测量系统的实验数据应用到该算法模型中。测试实验分为静态、动态两组,其结果均表明:该算法减小了信号中的噪声,有效地抑制了MEMS陀螺仪随机漂移,提高了姿态解算的精度。肯定了该算法对陀螺仪输出信号噪声去除,以及使用精度提升的可行性和有效性。

基于改进神经网络增强自适应UKF的组合导航系统

基于微机电系统(MEMS)的惯性器件和全球定位系统(GPS)的组合导航系统在卫星信号失锁时存在误差发散的问题,该文提出一种基于人工蜂群算法(ABC)改进的径向基函数(RBF)神经网络增强改进的自适应无迹卡尔曼滤波算法(AUKF)。在GPS信号失锁的情况下利用训练好的神经网络输出预测信息来对捷联惯导系统进行误差校正。最后通过车载半实物仿真实验验证该方法的性能。实验结果表明该方法在失锁情况下对于捷联惯导系统的误差发散有较为明显的抑制效果。

基于RTK-GPS/INS的列车组合定位方法研究

在铁路运输当中,单纯的卫星定位或惯性定位均无法提供更高的精度。因此,提出一种高精度的RTK-GPS和惯性平台相组合的定位导航系统,系统主要包括卫星接收基站、传感器输入部分、状态检测部分、数据融合部分和定位数据输出部分。在整体系统中,数据融合部分采用卡尔曼;传感器输入部分采用结合无损变换的粒子群算法改进的自适应RLS滤波;利用组合导航过程,对数据融合误差纠正方程进行学习,在卫星失锁情况中,利用学习结果持续对惯性测量单元滤波后的数据进行校正。对提出的数据融合算法和组合导航系统进行半实物验证和实物测试,结果表明:在有复杂干扰的列车运行环境中,在该算法和系统的配合下,可以基本满足较高精度的列车实时定位,在工程中具有一定的适应性和实际应用价值。

基于改进小波降噪的MEMS间接粗对准方法研究

当前MEMS惯性传感器陀螺仪精度较低导致输出信噪比较小,使得MEMS捷联惯导系统初始对准时误差较大,初始偏移明显,影响后续的解算精度,定位信息不准确.为此提出了一种利用改进阈值函数的小波对原始数据降噪处理后再采用磁强计辅助的MEMS间接粗对准的方法,通过引入调节系数使阈值函数同时具备软阈值和硬阈值两种特性,使得改进后的小波函数在远离阈值处有明显的边缘特性,而在靠近阈值的地方具有较好的连续性,避免信号重构时产生突变,有效减少了使用单一软阈值或硬阈值的局限性.为了避免陀螺仪精度对初始对准结果的影响而采用磁强计辅助对准,利用小波阈值降噪来对加速度计与磁强计的原始数据进行降噪处理后再进行姿态解算,提高了初始对准精度.

一种双天线辅助的两段连续式对准以及误差分析

针对低精度微惯性测量单元/全球导航卫星系统(IMU/GNSS)松组合导航系统中初始方位难以精确得到和行进间航向容易发散的问题,该文设计了一种双天线辅助的两段连续式对准方法。首先分析了初始方位误差对航向精度的影响;其次,由于GNSS测向系统精度高、无姿态漂移误差的特点,基于双天线基线矢量推导了一种最小二乘算法的测姿模型,进行初始对准;最后针对行进间对准,研究扩展了基于航向差值的1维量测以抑制航向发散。设计试验探讨了双天线基线矢量对初始对准与行进间航向精度的影响,改进方法可以使得初始方位误差优于0.7°,行进间航向能够更准确地被跟踪。针对目标的初始对准与行进间对准,双天线可提供辅助信息,其效果优于单天线IMU/GNSS的组合,且方法计算量适中。

基于GNSS双差定姿的区间列车轨道占用判别方法研究

为解决区间列车轨道占用判别问题,满足CTCS-4级列控系统需求。提出一种基于GNSS双差定姿的区间列车轨道占用判别方法。建立列车GNSS双差定姿数学模型,在获取列车基线航向角的基础上,提出一种基于粒子滤波的风险敏感滤波算法,通过引入风险敏感因子来解决由于系统的不确定性而导致滤波器鲁棒性差以及发散问题,与此同时提出一种支持向量机的分类算法,通过对定位数据的分类来判别轨道占用情况。对可见卫星数量和HDOP值对轨道占用判别的影响做进一步研究,得出优化参数。实验表明该方法的可行性和有效性,为未来卫星定位技术在列车中的应用提供一定的参考价值。

基于列车运动约束的惯导误差抑制研究

为提高基于GNSS/SINS的列车定位精度,在隧道、路堑等卫星定位不可用区域实现列车的无缝定位,在研究SINS误差模型的基础上,通过引入车辆运动约束条件,在列车低动态运行的情况下,对MIMU输出进行机动判别,推导了捷联惯导的误差模型,进而对水平姿态进行修正,抑制MEMS系统的误差发散,从而保证在单纯依靠惯导定位情况下的稳定可用。通过仿真和实测结果表明,该方法能够有效抑制SINS误差,为列车提供姿态参考。

改进鲸鱼优化算法在无源时差定位中的应用

针对到达时间差(TDOA)非线性方程求解的数学问题,采用了一种改进鲸鱼优化群体智能算法(IWOA)。利用时间差值和空间位置的关系构建时空定位的三维数学模型,通过对最大似然函数进行优化,对初始种群以及适应度函数进行调整,在提升算法准确性的同时,进一步提升全局最优寻解能力,加速算法的收敛速度,提升算法的效率。该算法结构简单,鲁棒性较好,收敛过程既稳定又高效,而且定位精度较其他算法有所提升。仿真结果表明:改进鲸鱼优化算法在三维时空中可以高效、快速地收敛,较其他智能算法有更好的精度和收敛速度。

基于自适应变异SAPSO-LSSVM的轨道电路故障诊断

针对传统无绝缘轨道电路故障诊断精度不高与诊断结果不稳定的问题,提出一种将模拟退火(Simulated Annealing,SA)算法和粒子群最小二乘支持向量机(PSO-LSSVM)相结合的方法,并用其进行故障诊断.借鉴遗传算法(Genetic Algorithm,GA)中的变异思想,在SA算法中引入简单变异算子,提出动态自适应变异SAPSO算法,以克服传统粒子群算法易陷入局部最优的问题.利用自适应变异SAPSO算法对改进LSSVM核函数的惩罚因子和核函数参数进行优化,避免故障诊断结果不稳定.最后通过仿真将本文算法与近几年比较先进的几种算法进行对比.仿真结果表明:本文算法对无绝缘轨道电路的故障诊断准确率更高、诊断结果更稳定.