高速列车塞拉门瞬态动力学分析

建立了高速列车塞拉门等效分析模型,设定了高速列车交会时动力学栽荷,对高速列车塞拉门进行了模态分析并数值模拟其在动栽荷下的瞬态响应．     

铁路客车塞拉门气动系统实验装置的研究*

铁路客车塞拉门运用广泛,目前铁路客车塞拉门主要采用电控气动形式,本论述分析了塞拉门气动系统实验装置的功能,结合塞拉门气动系统回路,选用合适的气动元件,设计组装了一套与实际运行塞拉门气动系统功能一致的实验装置,完成了实验装置的运行和调试.塞拉门气动系统实验装置在实践教学中的应用,对提高学习者的气动系统故障处理能力以及教师...     

地铁车辆塞拉门淋雨试验及安装参数的优化

本文介绍了地铁车辆塞拉门的结构及工作原理,淋雨试验调试方法及优化安装方式。     

基于二维分块自适应阈值小波的地铁塞拉门数据压缩

针对地铁塞拉门进行PHM故障诊断时海量数据难以存储的问题,提出一种基于二维分块自适应阈值小波压缩算法.为更有效降低数据周期间冗余,该方法以一次塞拉门完整开关门过程为1个周期,将多周期原始数据排列成二维矩阵,经归一化处理形成二维灰度图像,之后根据各部分图像特点提取其局域最大值以及最小值进行自适应分块,通过预设阈值和压缩率...     

基于改进鲸鱼优化算法的GBDT回归预测模型

针对梯度提升决策树（gradient boosting decision tree, GBDT）参数难以选择的问题, 提出一种基于改进鲸鱼优化算法（improved whale optimization algorithm, IWOA）的GBDT回归预测算法. 首先, 提出一种改进的鲸鱼优化算法, 利用混沌映射初始化种群提高种群多样性, 引入惯性权重与差分进化算法中的变异交叉策略解决迭代后期易陷入局部最优的问题; 其次, 利用IWOA对GBDT的关键参数寻优, 避免参数选择的盲目性, 提高回归预测模型的泛化能力; 最后, 建立IWOA-GBDT回归预测模型, 并利用UCI数据集对模型进行验证. 实验结果表明, 相比于决策树、 支持向量机、 Adaboost和GBDT算法, 该模型算法具有更好的拟合效果, 并有一定的实用价值.     

CRH5型动车组塞拉门运用故障分析及日常保养防范措施

随着我国高速铁路的飞跃式发展,动车组运行速度越来越高,塞拉门系统是动车组安全正点运行的重要因素之一.长大交路、恶劣环境下塞拉门系统故障率较高.为方便日常运用检修,保证动车组安全正点运行,本论述介绍CRH5型动车组塞拉门结构组成、功能原理以及在运用中出现的典型故障案例,并归纳塞拉门故障防范措施及日常维护保养方法.此外,给出合理的主门控器安装位置优化方案.     

相关性分析和GBDT组合的太阳辐射量预测算法

为准确预测太阳辐射量,提高太阳能利用效率,提出一种相关性分析和梯度提升决策树(gradient boosting decision tree,简称GBDT)组合的太阳辐射量预测算法.利用相关性分析选取预测算法的最优输入指标,使用数据矫正方法剔除粗大误差数据.将该文算法与传统算法的预测结果进行比较,结果表明该文组合预测算法具有更高的预测精度.     

一种基于lightGBM框架改进的GBDT风力发电机叶片开裂预测方法

风力发电机叶片开裂直接影响风力发电机运行,采用梯度提升决策树算法与基于lightGBM框架改进的梯度提升决策树算法对风力发电机叶片开裂进行预测。对比分析了预测准确度与可行性。基于lightGBM改进的梯度提升决策树算法分析的风力发电机运行数据得出的预测结果优于梯度提升决策树算法,且对于风力发电机叶片开裂预测准确度较高,并具有实用价值。同时该算法能够大幅降低样本中的无效数据,减少计算量。其独立特征合并能够使得划分点特征数量降低,提高风力发电机叶片开裂预测的准确性。最后,风力发电机叶片开裂预测实验结果表明,基于lightGBM改进的梯度提升决策树算法取得了更好的预测结果,计算量更小且能够准确预测风力发电机叶片开裂故障。     

进化算法优化GBDT的带钢卷取温度预测

针对B钢厂2250 mm热轧生产线层流冷却系统卷取温度预报命中率低的问题,采用差分进化算法优化后的梯度提升决策树建立带钢卷取温度预测模型(DE-GBDT),并对DE-GBDT预测模型与3个基础预测模型(梯度提升决策树(GBDT)、支持向量机(SVM)、小波神经网络(WNN)预测模型)以及差分进化算法优化后的支持向量机(...     

基于特征评估和神经网络的机械故障诊断模型

为了克服在无先验知识的情况下，人为选择时域无量纲指标作为故障敏感特征的盲目性，提出了一种基于特征评估和径向基函数（RBF）神经网络的机械故障诊断模型．该模型分别采用小波包和经验模式分解方法对原始振动信号进行分解，分别提取原始信号和各分解信号的时域无量纲指标组成联合特征，然后对联合特征进行评估，计算评估因子，并根据评估因子的大小选取敏感特征作为RBF神经网络的输入，实现对机器不同状态的自动识别．实验结果和工程应用表明，这种集成了小波包、经验模式分解、特征评估方法和RBF神经网络的机械故障诊断模型能够精细地获取故障信息，从大量的故障特征中筛选出敏感特征，因而减小了网络规模，提高了分类准确率，具有很强的鲁棒性．     

基于信息融合的支撑座早期松动故障诊断

采用基于信号分析的无模型检测方案和信息融合技术,对支撑座早期松动故障进行检测诊断.针对支撑座松动的小波包变换特征和功率谱特征进行特征融合与决策融合,同时采用基于熵度量的无监督特征约简方法对功率谱特征进行约简,有效地减少了特征数目,加快了融合和诊断速度.特征融合与决策融合采用分层神经网络实现,该网络综合了局部融合和全局融合的优点,具有很高的故障确诊率和很好的抗噪性能,无噪声样本综合确诊率达94.3%,有噪声样本综合确诊率达88.6%.     

基于支持向量数据描述的机械故障诊断研究

为了解决在机械智能监测与诊断中缺少故障样本的问题，提出了一种机械故障单值分类的新方法——支持向量数据描述法。该方法只需要一类目标样本作为学习样本，而不需要其他非目标样本，就可以建立起单值分类器，从而区分了非目标样本和目标样本。将这种方法应用在机械故障诊断和状态监测中，仅仅依靠正常运行时的数据信号，而不需要故障数据，就可以监测机器的运行状态，且不需要对原始数据进行特征提取。实验结果表明，支持向量数据描述法与传统的神经网络方法相比，具有较好的分类能力和较高的计算效率。     

基于改进LLE算法的机械故障特征压缩与诊断

局部线性嵌入法(locally linear embedding,LLE)是一种典型的流形学习算法。在分析LLE算法的基本计算思路的基础上,提出了一种基于最佳分类效果的k和d综合参数选择方法。此方法综合考虑了故障类内和类间的离散度,并以此作为LLE算法特征压缩效果的评价依据。根据LLE算法的局部线性特征保持的基本特点,提出了一种增量式LLE算法用于柴油机机械故障特征压缩与诊断中。以平均子带能量法构造特征向量空间,子带数目的确定以同种故障类型特征参数间方差最小为准则。实验中,分别使用基于最佳参数选择的LLE算法、传统的主成分分析(principal component analysis,PCA)、增量式LLE算法对柴油机特征向量进行压缩,并对这三种算法的特征压缩结果运用K近邻算法(K-nearest neighborm,KNN)进行故障诊断与分类。结果表明基于最佳参数选择的LLE算法的诊断分类效果要优于传统的PCA方法,增量式LLE算法也取得良好的分类效果。实验表明,对LLE算法进行有关改进可以很好地应用到机械故障特征压缩与诊断中。     

串行集成CNN模型的两种机械故障诊断算法

表征机械故障的数据种类和数量多样,数据质量参差不齐,故障信息的价值密度也较低,对机械故障诊断提出了挑战。由于浅层神经网络模型自学能力较弱,无法达到精确诊断故障的要求,因此对故障特征提取和故障诊断模型进行了深入研究。利用时间序列排序转换和连续小波变换,分别构建了基于时间序列图像和时频图的两种2D-CNN故障特征数据集,结合卷积神经网络（convolutional neural network,CNN）和梯度提升决策树（gradient boosting decision tree,GBDT）算法的优点,提出了基于GBDT的CNN-Z和CNN-F两种故障诊断算法。通过实验,两种算法的故障诊断精度分别为9433%和9862%。与传统CNN算法相比较,实验结果展示了所提的两种故障诊断算法的精度更高,另外基于GBDT的CNN-F故障诊断算法的误差收敛时间为前者的三分之一,验证了所提算法的有效性和精确性。     

微机在机械故障诊断方面的应用

本文简要地论述了利用微机对机械设备故障进行在线监测诊断的重要性，设计了AppleⅡ微机在线故障诊断系统，并以CW6140万能车床主轴箱为例给出主轴箱故障诊断结果。     

Haar小波及其机械故障诊断应用

小波变换是一种时频分析方法，在机械信号处理应用中，基小波常根据其时域波形与被检测的信号成分相似或匹配选择，很少考虑小波其他特性，这种方法并不完善．通过Haar小波说明这个问题，推导了Haar小波连续变换在时问和尺度上的周期性，应用于机械信号处理，有效地提取出故障特征频率．该研究结果开拓了基小波选择的思路．     

基于优化VMD和MCKD的滚动轴承早期故障诊断方法

针对滚动轴承早期故障信号易受噪声等背景信息干扰难于提取故障特征的现象,提出了将优化K值的变分模态分解(VMD)和粒子群优化算法(PSO)优化参数L,M的最大相关峭度解卷积(MCKD)相结合提取滚动轴承故障特征频率的方法.首先,确定VMD中K值,对信号进行分解后得到一系列模态分量;然后利用EWK指标选择包含故障信息最多的有效模态分量进行后续分析,利用优化的MCKD对其进行增强;最后对增强信号进行包络解调提取故障特征频率,验证所提方法的有效性.仿真和实验表明该方法可以精确地提取出轴承故障信号中的特征频率,实现故障诊断.     

基于故障树的智能故障诊断方法

针对传统故障诊断方法的不足,提出了一种基于故障树的故障诊断方法.该方法在对系统故障现象进行分析判断的基础上,按照任务和功能关系,建立包含各功能单元的故障树模型,求得系统的最小割集,并计算出单元关键重要度.在综合考虑平均故障检测时间因素的同时,提出了故障判明效时比的概念,并以此为依据,从大到小排序,确定故障诊断的最优程序.     

城市配电网电缆故障诊断研究

电缆在配电网中的的使用越来越多,供电系统内部电缆出现问题的几率会变大.基于此,以电力电缆故障诊断为研究对象,采用小波奇异熵算法对电缆故障原始信号进行故障特征量提取,然后采用神经网络辨别电缆故障类型.仿真结果表明本方案能够准确辨别出故障类型,具有较高的精准度.