基于核方法的高速鐵路道岔故障診斷.pdf

1、道岔作為鐵路關(guān)鍵設備之一，其技術(shù)水平在一定程度上反映了一個國家的鐵路軌道的發(fā)展水準。我國鐵路道岔已經(jīng)進入高速道岔的廣泛應用階段，其技術(shù)成熟度、安全性都得到了極大的提高。但是，目前道岔的監(jiān)測手段依賴于人工瀏覽信號集中監(jiān)測系統(tǒng)中的道岔動作電流數(shù)據(jù)，具有智能性差、漏警率高等缺點，這致使對于道岔的狀態(tài)監(jiān)測及故障診斷一直是鐵路現(xiàn)場中最為關(guān)鍵，也最為繁重的工作之一。
　　對于高速鐵路道岔進行故障診斷主要涉及到兩個問題:一是高效的故障診斷算法，

2、使得故障診斷模型能夠及時、快速地給出高準確率的診斷結(jié)果。這其中的難點在于故障診斷模型需要極高的適應性和容錯性，使得模型能夠適應現(xiàn)場不同道岔的不同工作狀態(tài)，做出智能判斷;二是道岔不同工作模式對應的特征準確描述，使得輸入故障診斷模型是可以表示道岔工作狀態(tài)的最簡潔且高效的特征組合。
　　針對以上兩個問題，本文提出兩種基于核函數(shù)方法的機器學習算法:SVM和核Fisher，分別利用道岔動作電流曲線和分線盤上的位置電壓，對道岔的機械結(jié)構(gòu)和控制

3、電路兩部分進行了故障診斷;提出了智能分區(qū)的融合特征表示法、Fisher特征選擇法、主成分分析法對道岔電流曲線的特征進行表示、選擇和提取。本文主要完成的工作如下:
　　(1)結(jié)合高速鐵路道岔的工作原理和監(jiān)測原理，明確道岔故障診斷的實際需求。提出本文需要研究的經(jīng)典故障模式，并分析其故障原因以及故障特點。根據(jù)不同故障模式的故障特點，提出智能分區(qū)的融合特征表示法。
　　(2)利用Fisher特征選擇方法對所有特征進行篩選，保留利于進

4、行故障診斷的特征;利用PCA和KPCA的方法對選擇出的特征進行提取，以使得以最少、最有效的特征來表示每一條道岔動作曲線。
　　(3)利用SVM方法實現(xiàn)故障診斷分類器，對道岔電流曲線的特征數(shù)據(jù)進行故障診斷，完成了故障診斷的實現(xiàn)與驗證。驗證算法在使用3維輸入特征時，正確率可達到96.667％，訓練時間和正確率均可滿足現(xiàn)場需求。其中研究了啟發(fā)式算法對于核參數(shù)以及懲罰參數(shù)進行優(yōu)化的意義，提出了遺傳算法和粒子群算法的結(jié)合優(yōu)化算法。