基于参数优化VMD和改进LSSVM的道岔故障诊断方法

为了解决道岔设备智能故障诊断中特征指标难以提取以及模型训练时间较长的问题,以ZDJ9型转辙机带动的道岔设备为研究对象,以转辙机功率曲线为数据基础,提出一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)和改进最小二乘支持向量机(Least Squares Support Vector Machines,LSSVM)的道岔故障诊断方法。首先,采用鲸鱼优化算法(Whale Optimization Algorithm,WOA)优化VMD参数,得到模态(Intrinsic Mode Functions,IMF)分量个数和惩罚因子的最优参数组合。其次,计算IMF分量与功率曲线的相关系数,优选相关性较大的前3阶IMF分量,并计算功率谱熵、模糊熵及包络熵值,建立多特征融合样本数据库。最后,针对麻雀搜索算法(Sparrow Search Algorithm,SSA)易陷入局部最优的问题,通过改进Tent混沌映射初始化策略随机生成种群,正余弦算法(Sine Cosine Algorithm,SCA)更新追随者的位置,并采用改进SSA优化LSSVM算法的惩罚因子和核函数方差,构建基于TSSSA-LSSVM的道岔故障诊断模型。实验结果表明:所提道岔故障诊断方法是可行的,采用多特征融合能够更加全面地提取道岔典型故障特征,反映道岔的真实运行状态,提高了故障诊断准确率,而且较TSSSA-SVM,PSO-LSSVM,GWO-LSSVM以及SSA-LSSVM等方法具有较高的故障诊断准确率、召回率以及较低的漏报率,减少了模型训练时间,完全满足现场道岔故障导向安全的原则,具有更好的故障诊断性能,对现场道岔设备的故障维修具有一定的指导意义。

基于MDS和改进SSA-SVM的高速铁路道岔故障诊断方法研究

针对高速铁路道岔设备故障频繁,现场维修工作量大等问题,提出基于多维尺度缩放法(MDS)和改进麻雀搜索算法(SSA)优化支持向量机(SVM)的高速铁路道岔故障诊断模型。首先以ZDJ9道岔转换功率曲线为研究对象,总结现场典型道岔故障类型及故障原因,分别提取道岔功率曲线的时域、频域特征指标以及小波包能量熵,组成特征指标向量;其次采用MDS方法进行多维特征指标的降维优化,建立道岔故障特征指标样本数据库;最后利用改进Circle混沌映射初始化种群,并通过自适应t分布增强麻雀种群的多样性,再以改进SSA算法优化SVM模型中的惩罚因子和核函数方差2个关键参数,构建改进SSA-SVM的道岔故障诊断模型。故障诊断结果表明,本模型的故障诊断正确率高达96.25%,诊断效果优于其他方法,可以为道岔设备的故障维修提供理论依据。

基于GADF与2D CNN-改进SVM的道岔故障诊断方法研究

针对道岔故障特征不易提取以及道岔故障诊断准确率较低的问题,提出一种格拉姆角差场(Gramian Angular Difference Fields, GADF)与二维卷积神经网络(Two Dimensional Convolutional Neural Network, 2D CNN)-改进支持向量机(Support Vector Machine, SVM)的道岔故障诊断组合方法。首先,结合现场实际应用情况,选取道岔设备正常转换与典型故障的转辙机功率曲线,建立转辙机功率曲线样本数据库;采用GADF编码将一维转辙机功率曲线信号转换为具有时间相关性的二维特征图,分别选择16×16、32×32以及64×64大小的特征图并提取图像数据。其次,在LeNet-5模型的基础上设计2D CNN网络结构,并将图像数据输入至基于2D CNN的道岔故障特征提取模型中,经多层的卷积层、池化层以及全连接层提取特征指标,建立道岔故障诊断样本数据库。最后,通过北方苍鹰优化(Northern Goshawk Optimization, NGO)算法优化SVM算法的惩罚因子与核函数方差,构建基于NGO-SVM的道岔故障诊断模型。实验结果分析表明,将转辙机功率曲线数据经GADF编码为64×64大小的特征图,并通过2D CNN模型提取道岔典型特征数据,较其他数据处理方法具有较高的故障诊断准确率,同时提高了故障诊断实时性;将建立的道岔故障诊断样本数据库输入至NGO-SVM道岔故障诊断模型,其故障诊断准确率高达97.5%,较其他故障诊断模型具有更好的故障诊断性能,为道岔故障诊断提供了一种新方法,对现场道岔设备的日常维修具有一定的指导意义。

多域特征提取结合AdaBoost的含未知故障提速道岔故障诊断方法

针对提速道岔未知新故障误判影响列车安全运行及道岔检修效率的问题,提出一种基于多域特征提取和自适应提升算法(Adaptive boosting, adaboost)的信号分析及故障诊断模型。首先,为了深入挖掘道岔的故障特征,分别从时域、频域及时频域提取故障特征,构造原始特征集;然后根据AdaBoost模型获得的特征重要度排序构造不同特征数量的分类模型,并利用模型分类精度进一步获得最佳特征子集;最后将最佳特征子集输入含判定机制的AdaBoost故障诊断模型,完成对提速道岔含未知故障类型的诊断,同时,通过对模型的再训练,实现了对现有故障诊断模型的自适应更新。结果表明:本文方法在有效提取故障特征,提高道岔已知类故障诊断精度的同时,可以有效地识别出道岔之前未出现的新故障。

基于C-DCGAN的铁路道岔转辙机柱塞泵故障诊断方法

针对铁路道岔转辙机设备状态监测数据不完备、非平衡和局部缺失等问题,提出基于改进生成式对抗网络(GAN)的转辙机柱塞泵故障诊断方法。首先,构建条件深度卷积生成式对抗网络(C-DCGAN)模型,利用一维卷积层处理柱塞泵振动信号的时域和频域特征,通过博弈对抗机制优化生成器和判别器,提高模型的泛化能力和故障特征提取能力;其次,引入双时间尺度更新规则(TTUR)来解决判别器正则化过程中的缓慢学习问题,提升模型训练的稳定性;最后,采用实测数据进行案例分析,验证所提方法的有效性。结果表明:在4种不同工况下,生成样本的JSD值分别为0.190,0.235,0.240和0.185;在正常样本与故障样本比例分别为100∶1,50∶1,20∶1和10∶1时,故障分类精度依次达到91.24%,94.13%,94.96%和96.08%。该方法在样本生成方面具有更好的性能,尤其在处理数据不平衡问题时,可达到较高的故障分类精度,为铁路安全运行提供有力保障。

面向高速铁路道岔设备故障处置的知识图谱构建与应用

为了解决道岔设备故障处置过程中产生的大量知识难以存储应用,半结构化故障文本数据不能直接检索和推理等问题,提出一种高速铁路道岔设备故障处置知识图谱的构建方法。以少量人工标注故障文本数据为基础,采用基于强化学习的方法搭建BERT-BiLSTM-CRF*深度学习模型抽取实体;根据知识领域特点和数据结构设计关系匹配模板抽取各实体间的关系;针对实体冗余问题,采用文本相似度与结构相似度结合的方法进行故障实体融合;以我国各铁路局近3年的高速铁路道岔设备故障文本为研究对象,累计抽取实体807个且标注准确率在90%以上,构建实体关系2232条。基于以上知识图谱构建的高速铁路道岔设备故障处置知识图谱直观展示道岔设备故障关系,实现不同实体对象间的数据关联查询,挖掘隐含关系,辅助道岔维护人员进行故障处置决策,实现道岔设备预防性维护,延长设备寿命。

ZDJ-9型交流道岔转辙机故障智能识别方法

[目的]通过分析交流转辙机的三相动作电流异常情况能够判断道岔设备故障,但是城市轨道交通线路道岔数量众多,转辙机时时刻刻都在动作,运维人员无法实时查看所有转辙机的动作电流曲线,易造成故障定位遗漏,因此需研究智能化的道岔转辙机故障识别方法。[方法]介绍了ZDJ-9型交流转辙机故障识别判断逻辑;以ZDJ-9型交流转辙机电流曲线数据为基础,介绍了智能化道岔转辙机故障识别方法的核心内容,包括电流曲线分段、电流曲线特征提取和故障匹配。[结果及结论]在南宁轨道交通4号线培训室进行了ZDJ-9型交流转辙机智能化故障识别模拟试验,所采集到的电流数据按照以组为单位提供给算法分析软件进行电流分段及故障树匹配,均能精确匹配到相关故障,均能正确产生报警提示。试验结果表明,所提出的智能化道岔转辙机故障识别方法有效可行。

基于CNN-GRU-Attention的道岔故障诊断算法研究

道岔是关系列车运行安全的铁路信号基础设备之一。通过分析道岔运行过程的功率数据,可以有效判断道岔的运行状况。为实现对道岔故障自动、高效、准确的诊断,研究并提出了一种基于深度学习的故障诊断方法。首先利用卷积神经网络提取数据空间性特征,再调用门控循环单元网络提取时间性特征,再引入注意力机制对特征进行权重分配,最后使用Softmax分类器进行分类。在对比实验中用多种指标评定该方法的性能,结果表明,所提方法相较于基础方法和另外2种现有方法在诊断性能上有着显著的优势。

基于可视图特征与CatBoost的转辙机故障诊断

针对道岔转辙机转换油压信号难以提取有效的故障特征且传统的故障诊断方式效果差的问题,本文提出一种基于可视图特征与CatBoost的道岔转辙机故障诊断方法。首先,采用可视图算法将时域信号转换为复杂网络图。然后,提取复杂网络图的5种统计特征,即网络平均度、全局聚类系数、平均路径长度、传递性特征与网络图密度。最后,通过CatBoost算法实现道岔转辙机故障诊断。将该方法分别与其它特征提取方法、故障分类算法进行比较。实验结果表明:可视图特征能够更有效表征道岔转辙机的工作状态,CatBoost算法对道岔转辙机4种工作状态的诊断准确率达到97.5%,验证了该方法的有效性和优越性。

基于改进Vision Transformer的道岔故障智能诊断

道岔故障种类繁多,特征复杂,存在检测难、分类难等问题,导致故障排查效率低下,对铁路运输安全构成威胁。Vision Transformer模型在图像分类方面具有较高准确度,但是其处理的是图像块,而不是传统的像素级特征,在某些情况下可能会影响曲线局部信息的获取。针对上述情况,提出一种基于改进Vision Transformer模型的故障曲线分类算法。首先,对典型道岔故障及原因进行梳理分类,指出几种典型的道岔故障;其次,对使用道岔动作电流数据生成的图像尺寸进行调整并根据故障图像特点进行数据增强,使用ResNet网络取代原Vision Transformer模型中的故障图像分块机制进行特征提取,同时采用相对位置编码增强模型的适应性和泛化能力;最后,利用模型的多头自注意力机制,综合全局与局部信息进行分类,并得到分类权重。经过实验验证,本文道岔故障分类识别总体准确率达99.77%,各分类识别的平均精确率达99.78%,与原模型相比,在训练集和验证集上的识别精度分别提升了5.4%和2.4%。为了更好地理解模型的性能,采用Grad-CAM方法将迭代过程可视化,剖析了模型关注区域的变化过程,并在测试集上与VGG-16、DenseNet121等经典分类模型进行性能对比;通过ROC曲线评估分类效果,显示改进的模型取得更优结果。研究结果为道岔故障识别分类提供了新的理论支持,并为未来的研究提供了新的思路和方法。

基于改进混合蛙跳算法优化SVM的道岔故障诊断

针对道岔故障难以模拟导致的故障样本少、故障诊断困难等问题,提出一种改进混合蛙跳算法优化的支持向量机模型,基于小样本数据进行道岔故障诊断。支持向量机需要对参数择优选择,否则会造成过拟合或者欠拟合现象。将差分进化算法及模拟退火算法与混合蛙跳算法相融合,解决了混合蛙跳算法易陷入局部最优的问题,并将其用于优化支持向量机参数,提高支持向量机模型的故障诊断能力。通过对实测数据进行试验,测试结果表明:在相同条件下,本文提出的模型比支持向量机模型与混合蛙跳算法优化的支持向量机模型的平均故障诊断准确率提高了34.28%,比仅融合差分进化算法的混合蛙跳算法优化的支持向量机模型的平均故障诊断准确率提高了5.71%。故障诊断结果表明,本文提出的方法对基于小样本数据的道岔故障诊断更加有效。

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。

基于深度学习的道岔转辙机故障诊断技术研究综述

[目的]对基于深度学习的道岔转辙机故障诊断技术进行归纳总结,分析各种深度学习方法在转辙机故障诊断中的应用现状,探讨其优势与局限性,并提出未来研究方向。[方法]首先介绍了转辙机故障诊断的重要性及所面临的挑战,随后对比分析了模型驱动和数据驱动两种诊断方法的特点。接着详细阐述了基于深度神经网络、自动编码器、卷积神经网络、循环神经网络以及多深度模型混合的故障诊断方法,对比了不同方法的特点。最后讨论了当前研究的局限性,包括对大量标注数据的需求、模型复杂度与解释性等问题,并提出了几点未来研究方向。[结果及结论]基于深度学习的转辙机故障诊断技术展现出了强大的特征提取和数据处理能力,有效提升了故障诊断的准确性和效率。然而,现有的深度学习仍面临数据需求量大、模型复杂度高和解释性差等挑战。未来深度学习的研究应注重数据预处理技术、多源信息融合、不平衡小样本场景下的诊断方法、迁移故障诊断以及可解释性深度诊断模型等方面,以推动深度学习在转辙机故障诊断领域的广泛应用和智能化水平的提升。

地铁折返站道岔失表故障处置

地铁在正常运营过程中,除折返站外,其余站台均采用道岔定位通过,不涉及道岔的来回转动,而折返站的道岔在运营过程中不断进行定反位转换,故而出现道岔失表故障直接影响地铁正常运营。该文对折返站各类道岔的定反位失表情况进行逐一分析,总结出不同故障情况下的故障处置,降低道岔故障对地铁运营组织的不利影响,最大程度满足乘客出行需要。

基于机器学习的道岔故障特征提取及诊断方法探析

道岔设备的可靠运行对铁路运输安全至关重要,随着人工智能技术的快速发展,其在铁路系统中的应用日益增多,特别是在道岔故障诊断领域展现出巨大的潜力。文章主要介绍了基于机器学习的故障诊断过程,深入分析了基于神经网络和支持向量机的故障诊断方法。通过对历史数据和故障模式的分析,这些方法能够实现监测道岔故障、判断故障类型的目的,显著提高了道岔故障诊断的准确性和效率,为铁路安全、可靠和高效运行提供了强有力的技术支撑。

一种基于改进多任务联合稀疏表示的道岔故障检测算法

为提高道岔维护人员人工检查的工作效率,研究准确率更高的智能道岔故障检测算法,提出一种基于改进多任务联合稀疏表示分类的道岔故障检测算法。该算法以道岔转辙机设备的功率曲线为基础数据,应用小波包分解算法提取电流曲线的频域特征向量,并融合曲线时域特征向量,选用多任务联合稀疏表示分类算法,辅以新型动态时间规整算法衍生核函数进行故障建模。经仿真实验,对收集的实际数据进行检测,模型正确率可达100%,验证了该算法的有效性,实现了智能道岔故障检测。

城市轨道交通道岔转辙机智能运维系统研究

道岔转辙机是信号系统核心设备,其维护量大、维保难度高、设备故障影响程度较广,随着智能运维研究在城市轨道交通行业的兴起,道岔转辙机智能运维是实现城轨信号维护智能化、运维生产组织模式智能化的基础。总结传统微机监测系统的不足,结合行业道岔转辙机维保难点和痛点,提出一套智能运维系统,主要包括关键状态感知、故障智能诊断、关键状态预警及健康评估等,并提出具体的实现方法。该系统目前已成功应用于南宁轨道交通4、5号线,具有显著效益。

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SVDD的道岔故障检测和健康评估方法

为更加精准地提高现场道岔维护质量,减少设备故障,提出了基于支持向量描述(support vector domain description,SVDD)的道岔转换故障检测和健康指标评估方法.首先,通过对道岔设备的动作机理分析,将道岔功率曲线分为3个动作过程:解锁过程,转换过程,锁闭过程,每一过程分别提取道岔功率曲线相应的特征参数;然后,在此特征空间上,设计了基于SVDD的道岔故障检测算法和健康评估算法,从而实现对道岔设备的健康管理;最后,利用道岔系统数学模型仿真数据和现场采集的道岔真实监测数据,对提出的算法有效性进行验证.实验表明,用本文提出的健康指标检测道岔故障和评估道岔健康状态的准确率达95%以上,对现场道岔维护有很大指导意义.

基于故障树分析法的道岔故障诊断与可靠性评估方法

故障树分析法(FTA)采用逻辑化方法,直观反映故障、故障原因与系统部件之间的逻辑关系。利用FTA对道岔空转故障建立故障树,逐层分析其故障原因,并对此故障树进行定性与定量分析,为道岔故障诊断和日常维护提供一些参考。