基于RS-LSSVM的高速列车走行部滚动轴承故障诊断研究

针对高速列车走行部滚动轴承故障诊断模型构建时间较长、诊断准确率不高的问题,提出一种基于粗糙集(RS)和最小二乘支持向量机(LSSVM)的方法。该方法利用小波包变换构造能量特征集,使用粗糙集属性约简算法对离散后的能量特征集处理,得到最小约简,将其输入到基于最小二乘支持向量机的故障诊断模型中进行状态识别。测试实例证明了粗糙集属性约简算法不仅保留了能量特征集的重要属性,缩短了后期故障诊断模型构建时间,而且保证了故障诊断的准确率,其模型构建时间为0.071 s,故障诊断准确率为100%。因此,RS和LSSVM相结合是一种优秀的故障诊断方法,可以作为高速列车走行部滚动轴承故障诊断的新思路。     

车轮踏面擦伤的集成粗糙神经网络预示诊断

车轮踏面擦伤的预示诊断对列车安全运行具有重要意义。在分析粗糙集和神经网络特点的基础上,结合预示诊断中多传感器、多特征的要求,提出了一种粗糙集与多个神经网络相结合的车轮踏面擦伤预示诊断方法。该方法采用时频域都具有高分辨率的小波分析从车轮振动信号中提取擦伤特征,利用粗糙集的数据约简确定神经网络的初始拓扑结构,通过网络训练建立故障特征与故障之间的映射关系,从而实现踏面擦伤的多传感器融合诊断。实验结果表明该方法具有良好的预示诊断性能。     

轮对尺寸自动测量系统

轮对尺寸自动测量系统由机体、轮对自动进给、导向机构、轮对几何参数及缺陷测量机构、计算机与信号采集处理系统等5部分组成，完成对轴中央直径、轮径、轮缘厚、轮对内侧距、轮辋宽、踏面圆周磨耗、踏面擦伤及剥离等参数的自动测量与检测．     

简介

轮对尺寸自动测量系统轮对尺寸自动测量系统由机体、轮对自动进给、导向机构、轮对几何参数及缺陷测量机构、计算机与信号采集处理系统等5部分组成,完成对轴中央直径、轮径、轮缘厚、轮对内侧距、轮辋宽、踏面圆周磨耗、踏面擦伤及剥离等参数的自动测量与检测.技术特点(1)采用通过式测量方式.测量系统实现轮对在车间线路上行走的条件下,对其几何参数及缺陷自动进行测量与检测,测量系统完全改变了既有技术需要复杂液压系统和转动机构的局面,从而使得整个测量系统具有机构简单、成本低、设备故障率低等优点,极大地缩短了测量周期.(2)采用具有…     

FCM属性约简方法在汽轮机故障诊断中的应用

文章通过汽轮机故障样本数据的空间分布状态分析,基于模糊c均值(FCM)聚类方法实现故障征兆参数属性的离散化处理;采用粗糙集(RS)属性约简方法对原始特征向量进行优化,去除冗余特征,提取特征向量的本质信息;基于约简后的特征向量建立支持向量机(SVM)故障诊断模型.实验结果表明,该文所提出的方法不仅可以提高故障诊断的准确性...     

基于SDAE-PSOSVM的航空变压整流器故障诊断方法研究

针对不同故障模式下航空变压整流器二极管故障特征相似程度高导致不易区分的问题,提出一种基于堆叠降噪自动编码器（stacked denoising auto encoder,SDAE）与粒子群优化支持向量机（partical swarm optimization support vector machine,PSOSVM）相结合的故障诊断方法.首先搭建航空变压整流器仿真模型,通过对不同故障模式进行仿真,获取故障数据;然后运用SDAE方法对高维故障信号进行故障特征提取,建立故障特征集;最后采用PSOSVM方法进行故障诊断,并且与常用的故障诊断方法进行对比分析.诊断结果表明SDAE-PSOSVM故障诊断方法准确性达到96%,可以对高维故障数据信号进行特征提取,提高不同故障模式之间的区分度.      

人工智能在故障诊断中的应用研究

针对神经网络存在的缺点和不足,主要分析神经网络和粗糙集、支持向量机、粒子群、小波相结合使用的方法.粗糙集和神经网络相结合用于故障诊断,可以通过粗糙集的知识约简功能大量消除训练样本中的冗余信息,减少神经网络的输入层节点,简化网络结构,缩短训练时间;基于神经网络和支持向量机的复合故障诊断技术不但可以进一步提高个体模型预测精度,而且可以使故障诊断模型始终处于最优识别状态;粒子群优化神经网络能够加快网络收敛速度,提高训练精度;小波神经网络能够很好地对故障进行分类,具有较高的识别精度.     

基于粗糙集的支持向量机故障诊断

该文结合粗糙集属性约简及支持向量机分类机理,提出了一种新的故障诊断方法。首先利用粗糙集对过程特征变量进行约简,去除冗余的过程信息,并降低过程数据的维数,获得具有代表性的过程特征信息。基于该特征信息建立支持向量分类机用于故障的诊断。以高压直流输电系统为例,对交流单相接地故障和直流接地故障进行诊断,诊断时间分别为12ms和11ms,诊断正确率分别为98.8%和96.8%。     

基于MKLSVM的MVB端接故障诊断

列车通信网络的故障诊断一直是列车健康管理中的难点,复杂的工作环境、分布式的系统结构也使得故障难以被发现和定位.在分析多功能车辆总线(Multifunction Vehicle Bus,MVB)网络端接故障和反射形成机理的基础上,提出了一种以MVB网络物理波形参数为样本特征,结合多核学习支持向量机(Multiple Kernel Learning Support Vector Machine,MKLSVM)的网络故障诊断方法,以完成由端接电阻造成的网络故障诊断.搭建平台,进行了数据采集、模型训练、结果测试.分别利用普通支持向量机及MKLSVM对样本集进行了测试,并从不同性能度量角度评估了分类器性能.结果显示:以物理波形参数为样本特征能够表征端接网络故障的故障模式,结合支持向量机(Support Vector Machine,SVM)的模式识别方法能够有效对端接网络故障进行诊断.在查准率、查全率、分类精度、代价函数方面,MKLSVM均优于普通SVM分类器.     

基于TCN的网络化旅客列车轮对状态在线监测系统

旅客列车是一个复杂的大动态系统,轮对是旅客列车机械故障的多发部位,为及时有效地防范和预警列车轮对故障,在分析我国旅客列车基本结构、安全装备情况的基础上,以列车轮对状态在线监测为基础,设计了基于TCN的网络化旅客列车轮对状态在线监测系统,并给出其具体实现方案.系统由列车在线状态监测与故障诊断主机、车辆级状态监测分机和各车载设备监测模块组成.每节车辆由车辆级状态监测分机通过MVB将车辆内部各状态监测模块联结成为监测网络,利用WTB将全列车的车辆级状态监测分机连为一体,构成一个完整的、基于TCN标准架构的列车状态监测与故障诊断系统.为开展列车上其他机械部分、电气部分等的故障诊断构建了一个TCN标准的网络平台.图6,参15.