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。

基于NGO-SSA优化SVM算法的抽水蓄能水泵故障诊断预测模型研究

为提高抽水蓄能水泵故障预测的准确性,提出一种基于北方苍鹰优化算法(Northern Goshawk Optimization,NGO)与麻雀搜索算法(Sparrow Search Algorithm,SSA)融合(NGO-SSA)优化支持向量机(Support Vector Machine,SVM)的水泵故障智能诊断模型。方法通过编码优化SVM模型参数,应用NGO-SSA算法全局搜索与局部优化,获得全局最优SVM参数组合。训练优化后的SVM分类器,构建故障诊断模型。仿真结果显示,相比SVM和单一优化算法,该方法可以显著提升准确率、降低误报率、增强正负样本识别能力。研究为抽水蓄能水泵健康监测提供了高效智能诊断思路,有助提高水泵故障预测性能。