基于主成分分析和深度森林算法的S700K转辙机故障诊断

针对目前转辙机故障诊断准确性不高、效率低等问题,提出了一种基于主成分分析(PCA)和深度森林(gcForest)算法的故障诊断方法。对于S700K转辙机11种故障模式下的电流、功率曲线,采用主成分分析进行电流特征值特征简约,然后使用嵌入简约特征值的改进深度森林模型提高数据处理能力,增强模型内在特征代表性。结果表明,改进深度森林模型故障诊断准确率为97.62%,验证了该方法的有效性和优越性。

基于KPCA-SVM的S700K转辙机故障诊断方法

针对S700K转辙机动作功率曲线非线性特征多样化、复杂化的特点,提出了一种基于核主成分分析(Kernel Principal Component Analysis,KPCA)和支持向量机(Support Vector Machine,SVM)的智能故障诊断方法。首先,对S700K转辙机的功率曲线进行分析,研究正常曲线变化规律,总结常见故障类型功率曲线的变化现象和故障原因。然后,从功率曲线中提取10种时域特征值组成初始特征数据集,用KPCA算法将特征数据映射到高维特征空间中对其进行PCA降维,得到故障样本的非线性主成分。最后,将得到的非线性主成分作为多分类SVM的输入样本进行故障模式识别。采用粒子群优化(Particle Swarm Optimization,PSO)算法分别对核函数参数和SVM惩罚因子进行优化,提高模型的诊断精度。仿真结果表明,该模型能够有效提取转辙机故障信号的非线性特征,故障诊断精度达到97%,诊断时间较短,适用于准确性、实时性要求更高的提速道岔。

基于改进多尺度排列熵的S700K转辙机故障诊断

基于提速道岔S700K转辙机故障的功率曲线在频域上的多重特征,提出了基于改进多尺度排列熵的多变量支持向量机(structured support vector machine, SSVM)故障诊断方法.首先对S700K转辙机动作功率曲线进行集合经验模态分解和小波分解,获得两类不同时间尺度的模态分量;再利用改进多尺度排列熵计算不同分量的故障特征参数,为了降低计算维度,应用核主元分析理论,在不损失信号重要特征的情况下,取大于95%贡献率的特征值作为故障特征向量;最后,引入基于决策树的SSVM算法,经过小样本训练得到树状最优故障间隔面,从而实现S700K转辙机故障分类.实验结果表明:该方法可有效判定S700K转辙机故障类型,进而提高故障诊断精度和效率.

基于EEMD多尺度模糊熵的S700K转辙机故障诊断

为了更加有效地提取S700K转辙机典型故障下动作功率曲线的故障特征,基于集合经验模态分解和多尺度模糊熵的方法提出一种新的故障诊断方法。首先对S700K转辙机动作功率曲线进行集合经验模态分解,计算获得包含不同时间信息的本征函数;然后对不同时间维度的分量提取模糊熵作为特征参数,由于模糊熵能辨别出信号的细微特征,从而可以获得原始信号多个维度的细微特征作为S700K转辙机不同状态下的特征参数;最后根据灰色关联度分析算法计算待检曲线和各故障曲线特征值之间的灰关联度值,由该值确定S700K转辙机的故障类型。实验结果表明,该诊断模型能显著提高S700K转辙机的故障诊断精度,且具有较好地适应性。

基于灰色神经网络的S700K转辙机故障诊断方法研究

针对目前S700K电动转辙机故障识别手段相对落后这一问题,本文通过分析说明其运行状态可通过功率曲线间接反映。根据微机监测系统存储的常见故障下的功率曲线建立故障诊断特征集,利用神经网络的高度并行运算能力,将灰色关联分析和神经网络技术相结合,建立灰色神经网络,计算待检功率曲线和各故障曲线之间的灰色关联度值,根据该值的大小判断转辙机的当前运行状态,实现S700K转辙机的故障诊断。从微机监测系统获取多组S700K转辙机动作功率数据作为测试样本集,对其进行验证计算,所得结果均与现场检修结果一致。

基于1DCNN-BiLSTM组合模型的S700K转辙机故障诊断

针对S700K转辙机故障诊断有效特征提取困难,信号处理与分类算法难以联合优化的问题,提出了一维卷积神经网络(1DCNN)与双向长短期记忆神经网络(bidirectional long short-term memory, BiLSTM)结合的转辙机故障诊断方法。首先,对微机监测系统采集的转辙机功率曲线进行处理;其次,通过卷积神经网络(convolution neural networks, CNN)的卷积层和池化层对处理后的数据自适应提取故障特征;再经过扁平层(Flatten)把提取的故障特征作为BiLSTM层的输入,进一步挖掘深层次的特征;最后使用Softmax函数实现智能故障诊断。以某铁路局提供的真实数据验证模型,结果显示所提模型的精确率、召回率和F1值等评价指标分别达到98.99%、98.89%和98.89%,相较于其他经典故障诊断模型,1DCNN-BiLSTM模型在保证训练速度较快的情况下,将故障诊断的准确率至少提升了1.08%。

基于RS和GCA-TOPSIS的S700K转辙机故障诊断方法

针对目前S700K转辙机故障诊断效率低、准确性不高等问题,提出了一种基于粗糙集、灰色关联分析与理想排序法相结合的转辙机故障诊断方法。首先以微机监测系统(Maintenance and Monitor System,MMS)存储的常见转辙机故障功率曲线数据作为数据源,提取功率曲线在各工作区段的特征参数,构建故障特征集。然后针对冗余特征,采用粗糙集理论中的约简算法以属性重要度为选择标准,对特征集进行约简,降低特征集的维度。最后将灰色关联分析和逼近理想排序法相结合,计算待检样本与各故障类型间的曲线贴合度,判断待检样本与各故障类型间的紧密程度,将最大曲线贴合度对应的故障类型作为待检样本的诊断结果。实例分析表明,该方法能够准确地诊断出转辙机故障且诊断效率和准确性较高,能够满足铁路现场实际需要。

基于改进WNN分析功率曲线的S700K转辙机故障诊断

基于S700K转辙机常见故障下的功率曲线提出一种将小波变换、改进型遗传算法与神经网络相结合的故障诊断方法。用相应故障模式下的功率信号进行正交小波分解,把结果作为神经网络的输入特征向量,利用改进的遗传算法优化BP神经网络的参数,用训练好的BP神经网络进行故障诊断。研究结果表明:该方法可以有效的运用到S700K转辙机的故障诊断中,并提高转辙机故障诊断的精度与速度。

基于模糊聚类方法的S700K转辙机故障诊断

针对S700K转辙机动作功率曲线非线性、非平稳的特点,提出一种基于模糊聚类的信号分析及故障诊断方法。该方法对转辙机故障下的动作功率曲线提取特征值,由各模式下的10种特征值组成特征模式矩阵,利用模糊聚类分析算法求该矩阵的模糊相似矩阵与模糊等价矩阵,在模糊等价矩阵中,当可变阈值λ在[0,1]内变动时,模糊等价矩阵转化为等价的布尔矩阵,由布尔矩阵可以形成动态聚类图并得到分类结果,从而实现故障诊断。研究结果表明:该算法能够准确地提取故障特征且支持多种故障同时检测,有效提高了S700K转辙机故障诊断的精度与诊断效率。

HHT和GCA-NBC在S700K转辙机故障诊断中的应用

针对S700K转辙机故障现象与故障类型之间存在不确定性关系,提出一种基于希尔伯特-黄变换(HHT),灰色关联分析(GCA)和朴素贝叶斯分类器(NBC)的转辙机故障诊断方法。首先对转辙机功率曲线进行HHT,提取转辙机故障特征;其次采用属性约简对故障特征进行约简降低其维度;最后运用GCA-NBC模型将约简后的故障特征融合,通过网络推理计算各类型的后验概率值,从而确定故障类型。通过实例分析,验证了该方法的准确性和快速性。

基于CEEMDAN与改进核极限学习机的S700K转辙机健康状态诊断

针对S700K转辙机健康状态分类过于粗放、诊断速度慢、效率低的问题,提出一种基于CEEMDAN与改进核极限学习机(kernel based extreme learning machine,KELM)的诊断方法。首先,对S700K转辙机功率数据进行自适应噪声完备集合经验模态分解,得到6个本征模态函数(intrinsic mode function,IMF);然后,计算本征模态函数的模糊熵值(fuzzy entropy,fuzzyEn,FE)作为表征转辙机健康状态的特征参数;最后,利用麻雀算法(sparrow search algorithm,SSA)改进的核极限学习机对9种健康状态进行健康诊断,并与SVR和ELM模型进行对比。仿真结果表明,改进核极限学机模型准确率、精确率、召回率等指标分别达到97.8%、98.0%、97.8%,相较于SVR和ELM模型,SSA-KELM模型在保证运行速度的基础上,将诊断准确率至少提高2.2%。

S700K转辙机的原理与故障分析

本文主要介绍了西门子S700K型转辙机的机械结构、各机械部分功能,机械传动原理,电动原理及电流曲线图,在阐述机械结构及工作原理的基础上,分析日常车辆运营及日常检修中常见的机械故障现象和电路故障现象,并结合实际详细介绍了故障处理方法,旨在为城市轨道交通,通信信号专业的工作者学习以及现场设备维护和故障处理人员提供参考。

基于改进BP神经网络的S700K转辙机控制电路故障诊断研究

针对S700K型转辙机控制电路故障定位和检测精度不高,故障延时长的现状,通过分析于S700K转辙机启动电路和表示电路的故障的特点,建立了基于改进BP神经网络的故障诊断模型,有效的解决了网络容易陷入局部最小值和收敛速度慢的缺点。通过测试,表明了该方法的有效和准确判断S700K转辙机控制电路的故障位置,效果良好,能够满足轨道交通现场的实际需求。

基于功率曲线时域特征和变分模态分解的S700K转辙机运行状态诊断算法

根据S700K转辙机动作功率曲线非线性、非平稳、能充分反映转辙机不同状态信息的特点,提出基于功率曲线时域特征和变分模态分解、排列熵和模糊聚类分析的S700K转辙机全周期状态诊断算法。获取典型功率曲线,计算其有效值、峰值因子和峭度因子作为时域特征值,用于描述功率曲线能量特征、冲击特性及概率密度;为弥补曲线类型中时域特征值差异不明显的特征表征,采用变分模态分解将功率曲线分解成具有不同频率特性的模态函数,计算不同模态函数的排列熵得到4个频域特征值;将时、频域共计7个特征值作为运行状态特征集,使用模糊聚类算法对特征集进行运行状态诊断,得到S700K转辙机的运行状态(正常、亚健康、故障和严重故障)。实例应用结果表明:对选取的60组曲线,本文算法诊断正确率为98.33%;故障库为30条曲线时,程序运行时间不超过1.3 s;采用该算法,无须对模型进行训练,便能准确有效地诊断S700K转辙机运行状态,适合S700K转辙机样本少的特点。

基于离散弗雷歇距离的S700K道岔转辙机故障诊断

S700K型转辙机被广泛运用于高速铁路道岔的转向过程,高铁运行安全对转辙机的维护要求越来越高。针对转辙机出现故障时难以准确判断故障类型这一难题,以提高故障诊断的简捷性和准确性为目标,根据弗雷歇距离和空间两曲线之间相似度的逻辑关系,提出一种利用弗雷歇距离诊断S700K故障类型的方法。首先获取典型S700K道岔转辙机故障曲线进行分类后建立各类故障的功率曲线模板。其次对待测故障功率曲线和各类故障模板曲线进行比较计算出弗雷歇距离,匹配与待测曲线距离最近的故障模板曲线将其对应的故障类型作为输出。最后采集上海铁路局某车站微机监测系统得到的S700K转辙机典型故障曲线实例验证文章提出的故障诊断方法诊断结果的正确性。

S700K型电动转辙机道岔控制电路故障分析

随着列车运行速度的不断提高,S700K型电动转辙机得到广泛的应用,文章主要介绍了S700K型电动转辙机道岔控制电路故障现象和原因以及查找处理的方法。

S700K转辙机的日常故障处理

本文主要介绍了S700K的结构、功能、主要特点,在阐述S700K工作原理基础上,分析S700K常见机械故障和S700K转辙机常见电路故障的表象与成因并提出相应的处理方法,旨在为铁道信号专业的工作者学习以及现场设备维护和故障处理人员提供参考。

基于灰局势法的S700K型转辙机维修策略研究

针对铁路信号设备在维修方式选择时一般依据固定台账进行统一维修,没有充分考虑不同设备故障影响权重存在差别的问题。利用灰局势法对高铁S700K型转辙机进行预防性维修研究分析,得出在实际电务维修作业中,对于故障率低维修权重小的故障因素,可以采用传统的计划维修,而故障率高且维修权重大的故障因素,应采用预防性维修。

浅谈S700K电动转辙机的故障现象及处理

随着电气化改造的不断深入,铁路在不断的提速,各种提速道岔的转辄装置也在普遍使用,有S700K和ZYJ-7系列的380V三相交流转辙机,S700K电动转辙机就是其中使用比较普遍的一种,它的性能比较稳定,故障率低,并能控制隔离区,比起以往的ZD6型电动转辙机有着显著的优点。在西延线、洛张线、吐库线,S700K电动转辙机都被广泛地使用,本文通过在使用过程中对照ZD6电动转辙机总结了些S700K电动转辙机的常见故障现象和处理方法。

S700K转辙机的原理及故障处理探究

在介绍S700K转辙机的工作原理,即启动电路、动作电路和表示电路的基础上,根据道岔转换过程中的流程图和故障现象来对S700K转辙机的故障进行分析处理。