基于特征选择的轨道车辆轴承温度预警方法

在现有轨道车辆轴承温度预警研究中,因监测数据复杂度不一致导致特征难以选择,同时现有预警方法往往只能在轴承故障发生前的几分钟进行预警,为此,提出一种基于特征选择的轨道车辆轴承温度预警方法.首先采用皮尔逊系数计算特征相关性后分析引入关联轴承,然后依据线性相关性将低线性相关特征数据与关联轴承数据一起输入LightGBM模型,以对特征进行再次选择;其次,利用大量正常状态下的履历数据,基于深度学习模型双向门控循环单元构建轴承温度预测模型;最后利用某轨道车辆实测数据进行预警方法验证.结果表明:对于正常轴承,轴承温度预测模型的温度预测值和实际值的差异小于4℃且稳定;而对于异常轴承,在轴承故障发生前的数小时即可发现两者间存在大于4℃以上的持续显著差异.     

对轨道车辆走行部安全监测预警算法理论的分析

在"十三五"发展规划纲要的支持下,我国交通基础设施建设力度不断增强,轨道交通设施在交通体系中的地位日益突出.本文主要介绍轨道车辆走行部安全监测预警的必要性,探究轨道车辆走行部安全监测预警算法平台的理论基础,并从关键技术、自学习数据库、安全监测预警系统、安全监测预警软件和安全监测预警平台调试几个方面深入分析轨道车辆走行部...     

风电机组变桨轴承的磨损预警方法研究

针对风电机组变桨轴承磨损情况严重、经济损失大等问题,提出了一种基于数据采集与监视控制(SCADA)数据的风电机组变桨轴承磨损预警的建模方法.以变桨电机电流、桨距角、风速、功率等风机运行参数为基础,利用滑动窗口统计的方法构造了新的特征变量,将特征变量和标签数据导入随机森林算法,进行了模型的训练和验证;然后,建立了一种监测...     

基于XGBoost-LightGBM-LSTM的风机齿轮箱轴承故障预警

针对风电机组齿轮箱温度预测准确性较低,泛化能力差的问题,提出一种极端梯度提升树(XGBoost)、轻量梯度提升机(LightGBM)和长短时记忆网络(LSTM)加权融合的组合模型对齿轮箱轴承温度进行预测。采用灰色关联度(GRA)选取与齿轮箱轴承密切相关的特征参数作为组合预测模型的输入,利用训练好的组合模型预测齿轮箱轴承正常工作温度,计算与实际温度值之间的残差,并用滑动时间窗口设置预警阈值,从而进行齿轮箱轴承故障预警。通过江苏某海上风场5 MW风机实际数据验证表明,该组合模型对风电机组齿轮箱轴承温度预测精度较好,并能提前进行故障预警。     

铰接系统减振器对虚拟轨道车辆动力学性能的影响

虚拟轨道车辆作为新型轨道交通,由于多节编组结构导致车辆自由度较多,可能会出现甩尾、横摆、折叠等不稳定现象,影响车辆行驶稳定性和平稳性。虚拟轨道车辆通过铰接系统进行连接,铰接系统阻尼较小,车辆易出现跑偏、失稳等情况,阻尼较大,则会降低列车的灵活性。基于某三模块六轴虚拟轨道车辆实际参数,建立车辆系统动力学模型,选择直线、换车道以及1/4圆曲线等典型工况,通过联合仿真等方法分析铰接阻尼对车辆动力学性能的影响。研究结果表明：直线工况下,增大阻尼系数能够有效抑制车辆的横摆角加速度,提高车辆的横向平稳性;在B级路谱、70 km/h工况下,阻尼系数为107N?s/m时,横向平稳性相比未安装铰接减振器降低14.1%,但对车辆垂向平稳性影响较小。换车道工况,阻尼系数过大或过小均会使列车的横向稳定性恶化,合理的阻尼系数将提高车辆的横摆阻尼比,减小车辆间的横向摆振,从而控制后部放大系数和轨迹偏移量;阻尼系数为107N?s/m时,后部放大系数显著减小,且轨迹偏移量由0.724 m降至0.511 m,减小29.4%。1/4圆曲线工况,增设铰接系统减振器将降低车辆的曲线通过性能,当阻尼系数为107N?s/m时,转...     

城轨车辆齿轮箱轴承内圈退卸工艺研究

城市轨道车辆齿轮箱检修过程中需要更换大轴承,所以需要将热装到车轴上的滑动环、密封环、轴承内圈等部件退卸下来。详细介绍了3种退卸方法：带齿轮冷退法、不带齿轮冷退法和电磁感应加热退卸法。将这3种工艺方法的优缺点进行比较,最终选定了最佳退卸方法为电磁感应加热退卸法。通过反复试验,总结分析试验数据,提炼工艺要点,解决了加热过程中的退卸部件烤蓝的问题。电磁感应加热退卸法保证了滑动环、密封环、车轴等部件的质量,操作简便,大大提升了工作效率,降低了对于高精度设备的依赖性,节省了生产成本,并降低了质量风险。     

基于SIMPACK的轨道车辆动态性能仿真分析

利用多体动力学软件SIMPACK对某型轨道车辆进行整体建模;采用不同速度通过直线轨道线路而获得车辆的线性和非线性临界速度;使轨道车辆通过不同的曲线线路而获得其曲线通过能力;分析了轨道车辆在不同速度下的平稳性指标;采用有限元分析软件ANSYS获得车体的有限元模态文件,输入SIMPACK中获得刚柔耦合的多体动力学模型,并获得车体刚柔耦合的动态性能.     

基于ZigBee技术的轴承温度检测系统

为实现轴承温度的实时检测,设计了基于ZigBee无线通信技术的轴承温度检测系统.通过数字化温度传感器DS18B20检测轴承温度,应用JN5139模块构建ZigBee无线系统,并利用其内部电源监控电路检测电压.经实验表明,系统工作稳定可靠,能持续工作半年之久.     

基于迭代生成特征替换的轴承寿命预测方法

在轴承剩余使用寿命预测的研究过程中,全寿命周期数据的波动性是影响轴承剩余使用寿命预测精度的因素之一.为了降低这种因素的影响,结合迭代生成方式生成的数据具有比原始数据波动性更小的优点,提出一种基于迭代生成特征替换的轴承寿命预测方法.首先采用深度学习模型提取信号特征,其次以迭代生成的方式生成新的信号特征,然后使用该信号特征代替原本提取的信号特征参与轴承寿命预测模型的训练与预测.在一个公开轴承数据集上验证了该方法的有效性,将迭代生成的信号特征与原始数据直接提取的信号特征进行对比,结果表明:迭代生成信号特征在时间方向上具有更小的波动性;这种信号特征有利于降低轴承剩余使用寿命的预测误差.     

基于迭代生成特征替换的轴承寿命预测方法

在轴承剩余使用寿命预测的研究过程中,全寿命周期数据的波动性是影响轴承剩余使用寿命预测精度的因素之一.为了降低这种因素的影响,结合迭代生成方式生成的数据具有比原始数据波动性更小的优点,提出一种基于迭代生成特征替换的轴承寿命预测方法.首先采用深度学习模型提取信号特征,其次以迭代生成的方式生成新的信号特征,然后使用该信号特征代替原本提取的信号特征参与轴承寿命预测模型的训练与预测.在一个公开轴承数据集上验证了该方法的有效性,将迭代生成的信号特征与原始数据直接提取的信号特征进行对比,结果表明:迭代生成信号特征在时间方向上具有更小的波动性;这种信号特征有利于降低轴承剩余使用寿命的预测误差.     

基于迭代生成特征替换的轴承寿命预测方法

在轴承剩余使用寿命预测的研究过程中,全寿命周期数据的波动性是影响轴承剩余使用寿命预测精度的因素之一.为了降低这种因素的影响,结合迭代生成方式生成的数据具有比原始数据波动性更小的优点,提出一种基于迭代生成特征替换的轴承寿命预测方法.首先采用深度学习模型提取信号特征,其次以迭代生成的方式生成新的信号特征,然后使用该信号特征代替原本提取的信号特征参与轴承寿命预测模型的训练与预测.在一个公开轴承数据集上验证了该方法的有效性,将迭代生成的信号特征与原始数据直接提取的信号特征进行对比,结果表明:迭代生成信号特征在时间方向上具有更小的波动性;这种信号特征有利于降低轴承剩余使用寿命的预测误差.     

基于分类区分度和相关性的手形特征选择方法

针对手形特征识别中,由于特征间高相关性产生冗余而降低识别性能的问题,提出利用信息增益和相关系数分别对特征的分类区分度和相关性进行评价,并经过综合分析对手形特征进行优化选择。该方法能够保留分类中起关键作用的特征,并同时去除高相关性的冗余特征量。为了证明该方法的有效性和准确性,采用浮动搜索的方法,以识别率为评价函数确定特征优化组合。实验结果表明,优化后6个特征组成向量的识别率达到96.24%,比全部9个特征组成的特征向量提高了0.43%,同时由于特征数目的减少也降低了运算时间。该方法可以避免常用的搜索性选择方法的复杂性,并有效去除手形识别中低区分度和高冗余的特征,有利于简化算法并与其他特征进行融合使用。     

基于相似度建模的永磁牵引列车健康优化控制

为了保障永磁牵引列车退磁故障发生时的安全性,并缓解由此导致的电制动力下降及闸瓦磨耗加剧问题,提出了一种基于相似度建模(SBM)的健康优化控制方法,该方法通过在线监测数据与历史数据的相似度运算,自适应地估计剩余磁通量并生成最优的空气制动F-v特性曲线。以西门子Syntegra永磁同步电机牵引系统为例,对多种工况下的退磁监测和健康优化控制效果进行了仿真验证,在退磁估计准确性、相对磨耗优化和安全性保障等方面取得了预期的效果。     

基于在线特征选择的实时压缩跟踪

针对原始压缩跟踪算法无法自适应选择特征易导致目标丢失或者漂移这一现象,提出一种基于在线选择特征的实时压缩跟踪算法。首先,在初始化阶段生成两个互补的投影矩阵,利用该投影矩阵提取特征构造候选特征池。然后,通过特征置信度度量策略实时从候选特征池中选择置信度较高的特征,并融合所选特征对应的置信度构造分类器。最后,利用该分类器对候选样本做二元分类处理,获得最高分类器响应值的样本作为最后跟踪结果;而上一帧跟踪结果用来在线更新特征池和分类器为后续跟踪做准备。本算法在多个公共测试视频序列与原始压缩跟踪算法进行了对比,结果表明其跟踪精度和鲁棒性方面得到了改善,对于320pixel×240pixel大小的视频平均处理帧速为25frame/s,满足实时跟踪要求。     

多准则融合敏感特征选择和自适应邻域的流形学习故障诊断

针对流形学习故障诊断中非敏感特征干扰和邻域大小难以确定的问题,提出了基于 DSmT 多准则融合特征选择和局部集聚系数自适应邻域的流形学习故障诊断方法。利用多种特征评价准则对原始高维特征进行排序,通过 DSmT证据理论对各评价序列进行融合,再根据融合序列选择敏感特征构成优化高维特征集;采用基于局部集聚系数的自适应正交邻域保持嵌入流形学习进行维数约简,得到低维特征集;最后输入到K最近邻分类器进行故障识别。轴承振动故障实验表明了本文所提方法的有效性。     

基于filter-wrapper的两步特征变量提取方法

特征变量选择是高维数据分类问题的核心,主要有过滤法和缠绕法两种特征变量选择方法。针对"过滤法与分类算法相互独立,不利于对分类性能优化,而缠绕法依赖于分类算法,在高维高噪的数据中容易过拟合"这个问题,为了能有效提取特征变量,提出了一种新的特征提取方法,即filter-wrapper两步法,先通过有监督奇异值分解方法降维去噪,粗选出一部分备选变量;再应用MonteCarlo决策树策略从备选变量中精选出重要的特征变量。通过以典型的高维高噪数据为例验证了该方法,实验结果表明了上述方法的可行性和有效性。     

基于基因优化的脑电信号特征选择

针对脑机接口( BCI)研究中脑电信号的特征选择问题,提出了一种基因优化算法(GO).GO算法在变异的基础上实现自下而上、由微观到宏观的自组织优化,可以在提高分类精度的同时很大程度上节省在线数据处理的时间.为检验提出方法的有效性,将其与基于AGA的特征选择方法以及基于Fisher距离的滤波选择方法进行了比较,实验结果表明基于GO的分类精度明显高于其他方法,获得了最好的模式识别性能.