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BFOA-PSO-GMM的轨道电路故障诊断研究

针对轨道电路系统庞大、故障种类繁多等问题,提出一种融合细菌觅食优化算法和粒子群优化算法的高斯混合模型,对轨道电路的多种故障类型进行诊断。该模型通过融合细菌觅食优化算法与粒子群优化算法,找寻适合EM算法的初始值,利用合适的初始值有效避免EM算法陷入局部最优,提高模型的故障诊断能力。通过对实测数据的训练和测试实验表明,本模型比传统高斯混合模型的故障诊断准确率提高了31.85%,比采用粒子群优化算法改进模型的故障诊断准确率提高了9.4%,即本模型对轨道电路的故障诊断更加有效。

基于多智能体的重载列车虚拟编组协同巡航控制

为进一步突破重载运输能力瓶颈,基于多智能体理论提出一种重载列车虚拟编组的协同巡航控制方法。确定重载列车虚拟编组典型模式,为解决虚拟编组中单元列车间的协同控制,以相对制动距离的安全防护控制和单元列车的平稳追踪运行控制为核心功能,应用多智能体理论提出一种改进的势能函数;基于势能函数及拉萨尔不变性原理设计控制器,实现虚拟编组的协同巡航控制。仿真结果表明:开行50 km之内,6列重载单元列车均能收敛至虚拟编组的目标速度75 km·h^(-1),且列车处于稳定运行状态,车间距仅略高于最小车间距2 km;列车运行速度在40~120 km·h^(-1)时,虚拟编组模式的运输能力比传统模式提高了18%~28%。基于虚拟编组的协同巡航控制方法通过虚拟编组替代物理性的车钩缓冲装置,能在不改变既有移动闭塞信号系统的前提下保障长大重载单元列车安全稳定高效运行。

基于DCNN-SVM的道岔智能故障诊断方法研究

针对道岔故障难检测、难分类、时效差等难题,以S700型转辙机道岔为研究对象,提出一种基于DCNN-SVM的道岔故障诊断方法。首先从道岔正常转换曲线和发生故障时的动作曲线入手,总结故障类型、故障原因和故障信号形态特征,并对道岔转换动作曲线进行预处理,即数据统一维度和归一化。然后计算标准电流曲线和功率曲线,根据道岔转换曲线与标准曲线的相似度来识别道岔转换正常和异常。再采用分区时域特征提取和ReliefF特征筛选,选取对故障分类具有明显效果的时域特征,以及根据深度学习算法获取的图像特征,形成有效特征向量空间。最后使用训练集对DCNN-SVM道岔故障诊断算法进行模型训练,并基于诊断模型实现道岔故障的实时诊断。实验表明:在样本数据量足够大的情况下,DCNN-SVM道岔故障诊断方法正确率达99.01%,相比SVM算法提高0.64%,对保障行车安全具有十分重要的作用。