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。

基于掩码自编码器的小样本深度学习道岔故障诊断模型

以车站现场采集到的ZYJ7型交流道岔转辙机所产生真实道岔动作电流曲线数据为依托,提出基于掩码自编码器的小样本深度学习模型,无须进行特征提取,可实现端到端的自监督学习。首先进行数据预处理,将道岔动作电流曲线数据统一为相同的维数;然后通过随机掩码,将具有人工标签的少量故障数据增强为数量足够大的自监督样本集合,并使用自编码器作为正则化约束;最后通过故障诊断网络,诊断出曲线的故障类型和故障位置。在实验室和车站现场对该模型进行验证,结果表明:该模型在小样本数据集上对故障分类的准确性预测可达到98%以上,同时也能快速定位曲线故障发生的位置。

基于改进的径向基神经网络的道岔故障诊断

为实现高速铁路道岔故障智能诊断,根据信号集中监测系统的道岔动作功率曲线,提出了卷积神经网络(Convolutional Neural Networks,CNN)和改进的径向基神经网络(K-Means-Extreme Learning Machine-Radial Basis Function,KERBF)相结合的道岔故障智能诊断模型。首先对故障曲线图片进行预处理,通过CNN特征提取器提取故障特征。为了在不降低准确度的同时提高训练速度,采用极限学习机(Extreme Learning Machine,ELM)改进径向基神经网络(Radial Basis Function neural network,RBF)网络中传统的梯度更新参数方法,针对ELM随机选择中心点可能导致模型在特征学习、抽象方面的表现大大减弱的问题,使用K-Means聚类得到极限学习径向基神经网络(ELM-RBF)隐含层各单元中心点,RBF输出权值通过最小化训练误差依据Moore-Penrose广义逆矩阵理论求出,以此建立CNN-KERBF道岔故障诊断模型。通过某铁路局现场数据验证模型,CNN-KERBF道岔故障诊断模型准确度为97.18%,对比其他模型,该模型在准确度与训练速度综合性方面有较明显的改善。

基于样条插值与RBF网络的道岔故障诊断系统

随着列车运行速度与行车密度的不断提高,道岔将面临更加严峻的考验,而传统依靠维护人员研读相关监测数据进行故障诊断的手段,越来越不能够适应铁路对运行安全的高要求。为快速、准确诊断出道岔故障,特建立基于三次样条插值与RBF神经网络的智能道岔故障诊断模型。利用基于三次样条插值的数据整合模块将不同维数的道岔动作电流数据划归成统一的数据维数。采用新型RBF神经网络对其进行故障诊断。利用某火车站道岔动作的真实历史监测数据对所提模型的有效性与可行性进行验证。实验结果表明,所提出的模型不仅能够适应不同数据维数的道岔动作曲线数据,而且还可以快速、准确地对道岔故障进行诊断,从而帮助维护人员缩短故障处理时间,提高铁路行车的安全性。

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。

基于多通道输入和1DCNN-LSTM的道岔转辙机故障诊断

针对三相交流道岔转辙机故障诊断问题,提出一种基于多通道输入和一维卷积神经网络(1DCNN)-长短期记忆神经网络(LSTM)的故障诊断方法。首先使用经验模态分解算法对动作功率信号进行分解,获得若干个尺度特征不同的固有模态函数信号;其次建立基于1DCNN和LSTM的组合故障诊断模型,使用1DCNN提取功率信号中的局部特征,使用LSTM选择性提取局部特征中的长距离特征;然后通过所建模型诊断出道岔转辙机的故障类型,并结合t-分布随机近邻嵌入展示诊断效果;最后与经典的诊断方法进行对比分析。对比实验结果表明:本方法在道岔转辙机故障诊断中具有较高的准确性和稳定性,且具有较好的泛化性。

基于BP神经网络的道岔智能故障诊断方法

为将神经网络技术运用在铁路道岔故障诊断领域,提出了以神经网络技术为基准,针对道岔常见的3个故障类分别建立3个子神经网络,并总体组建成一个并行神经网络系统的道岔智能故障诊断方法,以帮助维修人员快捷、准确、自动地诊断出故障原因,降低故障处理时间,提高运行效率。

基于神经网络的道岔智能故障诊断方法的研究

本文将神经网络信息融合技术运用在铁路道岔故障诊断领域,为铁路信号领域提出了一种新型的道岔智能故障诊断方法。该方法能快捷、准确地融合从各传感器得到的故障信息,通过人工智能处理,自动诊断出故障原因,为维修人员提供技术参考,从而降低故障发生率和故障处理时间,确保运行安全,提高运行效率。

基于机器学习的铁路道岔故障自动诊断方法

为了提高铁路道岔故障诊断的准确性,提出一种基于机器学习的铁路道岔故障自动诊断的模型。首先采用深度森林算法作为基础算法,构建故障诊断模型。为了证明深度森林算法在道岔故障诊断方面更具优势,与SVM和BP神经网络两种经典算法模型进行对比,结果表明:深度森林算法模型的道岔故障诊断的准确率高达97%,基于SVM与BP神经网络模型的准确率分别为93%与92%;在交叉测试中深度森林算法模型的AUC面积达到0.981,在多分类测试中AUC面积为0.974。可以证明,基于深度森林算法构建的故障诊断模型诊断有较高的准确性与优越性。

便携式直流转辙机测试仪的研究与设计

根据6502电气集中道岔控制电路原理,设计了一种基于Atmega16处理器和电流传感器的便携式四六线直流转辙机测试仪。该系统包括道岔模拟驱动电路、信号采集电路、智能分析显示电路。道岔模拟驱动电路由单片机通过光耦合开关控制继电器完成对转辙机的操作,信号采集电路主要由电流传感器采集电流信号,经A/D转换为数字信号后,发送给上位机显示模块,实时监测和分析转辙机工作状态和绘制道岔动作电流曲线。测试结果表明:该测试仪能够完整地采集到转辙机工作时的信息,且性能稳定,可以帮助电务人员检验配线的正确与否以及诊断道岔故障。

便携式直流四/六线制转辙机智能测试仪的研究与设计

根据6502电气集中原理,结合嵌入式技术、传感器技术、电力电子技术、通信技术和图形界面开发技术等,针对我国普速铁路线上的直流转辙机,设计开发一套与之相适应的转辙机智能测试仪。