列车防滑器主机故障诊断系统设计

SAB型列车防滑制动系统应用于国内T型列车,数量多,为了提高列车防滑器主机故障检测和维修效率,针对SAB WABCO公司的SWKAS20C型列车防滑器主机,设计了元件级故障检测与定位专家系统。通过研究模拟电子电路故障诊断技术,设计了基于支持向量机的多故障分类器,用于主机模拟电路故障样本数据的训练和测试,并通过改进算法寻优向量机参数,提高了故障诊断的准确度。搭建了模拟列车运行环境的测试平台,用以模拟主机在多种状态下的故障模式;使用VS2010开发环境编写了MFC专家系统。     

基于拉普拉斯分值和超球支持向量机的轴承故障诊断方法设计

针对轴承振动信号中的故障信息往往很微弱,同时振动样本数据分布不平衡即故障样本占总样本数的比例低,从而导致故障诊断模型训练不精确而影响诊断精度的问题,提出了一种基于拉普拉斯分值和超球大间隔支持向量机的故障诊断方法。首先,采用有标签的训练样本数据和拉普拉斯分值法提取原始振动信号中的微弱故障信息,并降低其数据维数,从而得到用于故障诊断的特征向量,然后设计了一种改进的超球大间隔支持向量机的故障诊断模型,通过最小化超球体积和最大化超球边界和故障样本之间的间隔来实现故障诊断,以解决样本的不均衡问题,最终通过将测试样本数据代入决策方程并通过投票机制确定其故障类别。在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中方法能有效解决样本的不均衡情况下的故障诊断,且相对其它方法,具有诊断精度高和收敛速度快的优点。     

基于大数据的高速列车气动载荷作用下迭代学习主动控制研究

列车在高速运行的过程中与另一列车相交会时,将产生剧烈的瞬态气动载荷冲击而引起车体瞬间横向振动加剧,导致列车横向平稳性恶化。为了改善列车运行平稳性,采用大数据方法及迭代学习控制思想,提出基于高速列车运行大数据的迭代学习主动控制算法,并进行多体动力学与控制算法的联合仿真,进一步研究控制算法对会车气动载荷幅值变化和会车时间变化的鲁棒性。结果表明：大数据迭代学习主动控制经过5次迭代后对会车气动载荷激扰下的车体横向振动峰值降低52.67%,且控制算法对会车工况变化有较好的鲁棒性。     

改进粒子群算法优化支持向量机在故障诊断中的应用研究

支持向量机(SVM)作为当前新型的机器学习方式,凭借解决小样本问题、高维问题和局部极值问题等方面的优越性,在当前故障诊断方面有突出的表现;文章根据对支持向量机的研究,发现其在分类模型参数选择上存在困难,为此,提出利用改进粒子群算法优化的办法,解决粒子群前期收敛速度过快导致后期容易优化不均的现象;通过粒子群算法优化与支持向量机分类模型结合,以轴承故障检测和诊断为例,分析次方法的优越性和提高支持向量机在故障诊断过程中的精准度;通过实际检测得出,这种算法优化的方法改进的支持向量机对于聚类性较差的故障分类具有很好的诊断功能。     

基于决策树与多元支持向量机的齿轮箱早期故障诊断方法

针对齿轮箱部件故障形式多样的特点和典型故障训练样本数量有限的难点,提出了基于决策树与多元支持向量机的齿轮箱早期故障诊断方法。利用决策树分类速度快、效率高的优点和支持向量机在小样本二元分类方面突出的特点构建多元分类识别模型,在不同故障情形下提取齿轮箱振动信号典型特征参数作为故障特征向量训练模型,并对样本进行测试。实验结果表明,该方法在小样本情况下识别效果明显优于神经网络方法,同时在识别效率方面比常规多元支持向量机方法有了较大的提高。     

基于光谱分析和SVM的综合传动故障诊断研究

油液光谱分析是研究综合传动运行状态的重要方法,文章以油液光谱分析数据为基础,运用支持向量机(support vector machine,SVM),建立了一种多输出最小二乘支持向量回归方法。利用多输出最小二乘支持向量回归方法对两台综合传动光谱油液分析数据进行了研究分析。研究表明,此方法得到的回归数据对1号综合传动试验数据具有良好的逼近效果,对2号综合传动油液光谱分析数据的预测具有较高的准确性。通过与2号综合传动试验数据的对比分析,发现了故障信息,并确定了故障部位。试验结果表明,该方法对于发现故障隐患,判断故障部位具有重要实际意义。     

高速列车车内压力波动模糊控制研究

高速列车在通过隧道或两车交会时,列车表面会产生很大的气压波动,此压力波动通过车体缝隙和换气风机、风道传入车内,引起车内空气压力较大波动,造成乘客耳鸣、耳痛等症状,影响乘坐舒适性;为了抑制高速列车车内压力波动,根据某型高速列车换气风机特性曲线与车体等效泄露关系,建立了换气风机频率可变的车内外空气压力传递数学模型;采用模糊控制策略,以车内压力、车内压力变化率为控制输入,对高速列车换气系统中的新风风机、废排风机运行频率进行调节;仿真结果表明:该控制方式能够提高现有换气系统对车内空气压力波动的抑制能力,提高乘坐舒适性。      

基于LSSVM的电子装备故障预测研究

针对电子装备的故障信息不足,故障发生率高等特点,通过故障预测有效的监测设备故障状态以及发展趋势,实现对设备的事先维修,避免重大事故的发生,提高电子设备的安全性。对电子装备故障预测进行了分析,提出了一种基于最小二乘支持向量机（LSSVM）的故障预测方法。首先介绍了LSSVM故障预测算法的基本原理和预测流程;然后,对整个电子装备的故障预测研究可以从一个类似的模拟带通滤波器电路故障预测研究出发,将该元件容差设为不同范围来定义电路的不同故障状态,将LSSVM方法与最小二乘法、支持向量机法对电路的不同状态进行预测,可以得到不同状态的预测值,研究结果表明提出的方法能够实现模拟电路的缓变故障预测,且预测效果较好。     

高速列车车体疲劳试验压力加载控制仿真研究

高速列车在隧道通过或明线交会时,列车表面会产生较大的气压波动,此压力波动通过车体传递到车内也会影响车内压力波动,加之运行速度的不断提高,可引起车体表面材料疲劳甚至断裂。为研究高速列车在复杂工况下车内、外压力波动对车体材料疲劳性能的影响,设计了一种能同时对车内及车外进行压力加载的试验系统。利用AMESIM与SIMULINK接口技术进行联合仿真平台的构建,并进行车内、外压力控制仿真。针对系统数学模型难以建立,且存在大容量、大时滞、非线性及多扰动等特点,采用基于前馈补偿的高阶非因果型迭代PI型控制算法实现车内及车外压力的精确控制。仿真结果表明该算法控制误差较PI型控制算法小,控制效果更理想。     

催化裂化反再系统的故障诊断方法研究

考虑到石油化工过程系统复杂,变量繁多,非线性关系极强,故障样本数据难于获取,故利用支持向量机对炼油厂催化裂化装置反应再生子系统的故障状态进行模式识别;且支持向量机参数C、σ对分类精度有很大影响,采用了改进的遗传算法对其进行优化;并采用了决策树算法进行多类分类,根据类间分离测度,从最难分类(类间分离测度最小)的两类样本集开始训练,将其合并为一个类簇后同其他样本集一起,再从中寻找最难分类的两个样本集合并,如此逐步合并最终得到训练模型;实验结果表明,利用改进的遗传算法优化惩罚系数C和核函数参数σ后,缩短了分类时间,提高了分类准确率,基于决策树算法的支持向量机能有效地解决一对一和一对多分类算法中存在的无法辨识区域的问题,能很好地识别故障类型,对催化裂化装置的故障诊断有显著的指导作用。