針對S700K常見的8種故障模式和正常模式所對應(yīng)功率曲線,提出一種基于概率神經(jīng)網(wǎng)絡(luò)（PNN）與改進的粒子群算法（PSO）相結(jié)合的道岔故障診斷方法。首先,在9種功率曲線上分別提取時域、頻域特征統(tǒng)計量和時頻域小波系數(shù),并用主成分分析法降維每個域的特征量,得到特征向量;其次,以3個改進的PSO-PNN做分類器,并對分類器進行訓(xùn)練和預(yù)測;最后,3個分類器的預(yù)測結(jié)果做三取二表決。仿真結(jié)果表明:該方法能有效提高道岔故障診斷的準確率,具有良好的容錯性。 

【文章來源】：鐵道科學(xué)與工程學(xué)報. 2020,17(06)北大核心CSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

S700K正常運行的功率曲線

通過現(xiàn)場調(diào)查和查閱資料，目前高速鐵路上的道岔主要有8種故障模式[2]。道岔常見故障現(xiàn)象及原因如表1所示。各故障分別標記為{G1,G2,G3,G4,G5,G6,G7,G8}，正常狀態(tài)的“故障號”標記為{G0}。分別在9種功率曲線上抽取350個數(shù)據(jù)點(0～7 s內(nèi)，抽取時間間隔為0.02 s)，得到圖2。如圖2所示，將功率曲線分成5段，各段采樣點的數(shù)目分別為{50,50,100,50,100}，各段分別記作為{A,B,C,D,E}。2 特征提取與降維

其中：X是輸入向量，為(x1,x2,…,xd)T；σ為平滑因子；d為輸入向量的維數(shù)；ij表示第i類模式的第j個神經(jīng)元，i=1,2,…,N,N表示訓(xùn)練樣本類數(shù)；設(shè)各故障類型的樣本數(shù)都為L組，則j=L。圖4 概率神經(jīng)網(wǎng)絡(luò)模型

【參考文獻】：
期刊論文
[1]基于VMD與PSO-PNN的滾動軸承故障診斷模型[J]. 張建財,高軍偉.  自動化與儀表. 2019(03)
[2]基于Mallat算法與ARMA模型的露天礦卡車故障率預(yù)測[J]. 白潤才,柴森霖,劉光偉,李浩然,張靖.  中國安全科學(xué)學(xué)報. 2018(10)
[3]基于PLSA和SVM的道岔故障特征提取與診斷方法研究[J]. 鐘志旺,唐濤,王峰.  鐵道學(xué)報. 2018(07)
[4]基于群決策的道岔控制電路故障診斷方法[J]. 董煒,劉明明,王良順,趙輝,辜勛.  自動化學(xué)報. 2018(06)
[5]基于灰關(guān)聯(lián)的道岔故障診斷方法[J]. 趙林海,陸橋.  鐵道學(xué)報. 2014(02)
[6]基于D-S證據(jù)理論信息融合的轉(zhuǎn)轍機故障診斷方法研究[J]. 董海鷹,李娜.  測試技術(shù)學(xué)報. 2013(01)
[7]基于優(yōu)化平滑因子σ的概率神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法研究[J]. 陳波,郭壯志.  現(xiàn)代電力. 2007(02)

碩士論文
[1]貝葉斯網(wǎng)絡(luò)在道岔控制電路故障診斷中的應(yīng)用研究[D]. 翟永強.蘭州交通大學(xué) 2012



本文編號：3440238