基于多域特征提取与改进PSO-PNN的道岔故障诊断

发布时间：2021-10-16 17:47

　　针对S700K常见的8种故障模式和正常模式所对应功率曲线,提出一种基于概率神经网络（PNN）与改进的粒子群算法（PSO）相结合的道岔故障诊断方法。首先,在9种功率曲线上分别提取时域、频域特征统计量和时频域小波系数,并用主成分分析法降维每个域的特征量,得到特征向量;其次,以3个改进的PSO-PNN做分类器,并对分类器进行训练和预测;最后,3个分类器的预测结果做三取二表决。仿真结果表明:该方法能有效提高道岔故障诊断的准确率,具有良好的容错性。 

【文章来源】：铁道科学与工程学报. 2020,17(06)北大核心CSCD

【文章页数】：10 页

【部分图文】：

S700K正常运行的功率曲线

通过现场调查和查阅资料，目前高速铁路上的道岔主要有8种故障模式[2]。道岔常见故障现象及原因如表1所示。各故障分别标记为{G1,G2,G3,G4,G5,G6,G7,G8}，正常状态的“故障号”标记为{G0}。分别在9种功率曲线上抽取350个数据点(0～7 s内，抽取时间间隔为0.02 s)，得到图2。如图2所示，将功率曲线分成5段，各段采样点的数目分别为{50,50,100,50,100}，各段分别记作为{A,B,C,D,E}。2 特征提取与降维

其中：X是输入向量，为(x1,x2,…,xd)T；σ为平滑因子；d为输入向量的维数；ij表示第i类模式的第j个神经元，i=1,2,…,N,N表示训练样本类数；设各故障类型的样本数都为L组，则j=L。图4 概率神经网络模型

【参考文献】：
期刊论文
[1]基于VMD与PSO-PNN的滚动轴承故障诊断模型[J]. 张建财,高军伟.  自动化与仪表. 2019(03)
[2]基于Mallat算法与ARMA模型的露天矿卡车故障率预测[J]. 白润才,柴森霖,刘光伟,李浩然,张靖.  中国安全科学学报. 2018(10)
[3]基于PLSA和SVM的道岔故障特征提取与诊断方法研究[J]. 钟志旺,唐涛,王峰.  铁道学报. 2018(07)
[4]基于群决策的道岔控制电路故障诊断方法[J]. 董炜,刘明明,王良顺,赵辉,辜勋.  自动化学报. 2018(06)
[5]基于灰关联的道岔故障诊断方法[J]. 赵林海,陆桥.  铁道学报. 2014(02)
[6]基于D-S证据理论信息融合的转辙机故障诊断方法研究[J]. 董海鹰,李娜.  测试技术学报. 2013(01)
[7]基于优化平滑因子σ的概率神经网络的变压器故障诊断方法研究[J]. 陈波,郭壮志.  现代电力. 2007(02)

硕士论文
[1]贝叶斯网络在道岔控制电路故障诊断中的应用研究[D]. 翟永强.兰州交通大学 2012



本文编号：3440238