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。     

基于EEMD多尺度样本熵的S700K转辙机故障诊断

针对S700K转辙机在运行过程中的故障诊断问题,提出一种基于集合经验模态分解(EEMD)的多尺度样本熵的信号分析及故障诊断方法。首先对S700K转辙机功率曲线进行EEMD分解,得到不同时间尺度的固有模态函数(IMF)分量,并提取每一个IMF分量的样本熵,由于样本熵能够有效区分不同信号的复杂度,故可获得转辙机不同状态下的特征参数。最后,利用这些不同运行状态下的特征参数构建特征模式矩阵,采用模糊聚类分析算法求解该矩阵的模糊等价矩阵。在模糊等价矩阵中,当λ(可变阈值)在[0, 1]范围内变动时,模糊等价矩阵转化为等价的布尔矩阵,由布尔矩阵可以得到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:本文算法能准确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效率。     

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。     

基于深度置信网络的道岔故障智能诊断方法

传统的道岔故障诊断方法往往依赖于复杂的信号处理过程以及丰富的专家经验，需要对信号进行精确的分段，过程繁琐，不利于现场使用。采用粒子群算法(PSO)优化的深度置信网络(DBN)的方法，直接对道岔功率原始数据提取特征，利用受限玻尔兹曼机（RBM）逐层拟合数据特征同时实现对数据的降维。然后采用极限学习机（ELM）对故障进行分类，提高了诊断的速度。研究结果表明：与PSO优化的支持向量机（SVM）方法相比，准确率提升了4%，达到了96%，所用时间也大大减少。     

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。     

S700K电动转辙机及分动外锁闭的安装与调试

S700K型电动转辙机属于滚珠丝杠传递的三相交流电动转辙机,它和分动外锁闭的安装与调试与zD6道岔的安装有较大区别,其安装与调试技术直接影响到道岔的运用质量.因其大量上道使用,对S700K电动转辙机和分动外锁闭道岔转辙装置工作原理、安装与调试进行总结,从而制定出一系列标准作业程序及注意事项,提高工效.     

高铁S700K提速道岔故障现象分析与处置

S700K型电动转辙机是高速铁路采用的一种新型道岔转辙设备之一,对铁路扩能、提速、提效起着非常重要的作用。我们应该把高速铁路运输生产中提速道岔出现的非正常状态,作为安全管理的主要处置对象,科学制定应对措施并及时有效处置,可以最大限度地减少高铁提速道岔设备故障对行车造成的影响,确保提速道岔设备安全,提高运输效率。为了便于信号作业人员掌握高铁提速道岔处置技能,现通过对高铁S700K提速道岔设备各种故障现象的设置,对部分典型故障的处置方式进行了分析和总结,供大家在今后的施工与生产中借鉴和参考。     

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。     

改进粒子群算法优化支持向量机的入侵检测方法

针对传统支持向量机(support vector machine,SVM)算法应用于入侵检测中存在参数选取的问题,文章提出了一种改进粒子群算法(improved particle swarm optimization,IPSO)和SVM相融合的网络入侵检测方法,即IPSO-SVM。将SVM的惩罚参数C和核函数参数σ作为粒子群的粒子,以K倍交叉验证的准确率作为目标函数,通过粒子间的相互协作得到最优的SVM参数,利用KDD Cup 99数据集进行仿真测试。仿真结果表明,与其他算法相比,IPSO-SVM算法的检测时间更短,检测准确率更高,是一种有效的入侵检测算法。     

一种基于VMD-PSO-SVM的短期风电功率预测算法

基于风场数据,利用风电机组功率特性曲线,采用支持向量机（Support Vector Machine,SVM）非线性拟合方法,设计了一种基于变分模态分解（Variational Model Decomposition,VMD）的粒子群优化支持向量机短期功率预测算法.首先,通过VMD将原始风功率序列分解为多组平稳的固有模态函数和趋势项,对风电功率数据进行预处理;其次,利用粒子群算法优化（Particle Swurm Optimization,PSO）支持向量机参数,建立VMD-PSO-SVM组合预测算法模型,对每组固有模态函数和趋势项进行预测,得到多组预测结果,再将其重组,得到功率预测结果;最后,将预测结果与其他预测算法进行对比,结果表明预测精度更高.