论文部分内容阅读
转辙机是高铁信号设备的重要组成,转辙机的正常运行保障着高铁的行车安全。S700K电动转辙机广泛应用于我国高速铁路,工作地点位于室外,属于故障发生概率较高的信号设备。目前,我国对转辙机的检修和维护大多依靠维护人员的现场经验和理论知识,定期进行,对转辙机故障的判断和处理效率有限。聚类集成是将多个基聚类结果进行融合,增强了系统泛化能力,能更好地检测处理孤立点,提升最终聚类集成结果的精度。本文拟将聚类集成技术引入转辙机的监测数据的故障数据挖掘研究,从机器学习角度对转辙机进行故障诊断。论文的主要工作如下。首先,对转辙机的监测功率数据曲线进行分析,说明转辙机的功率数据能够反映转辙机工作状态。根据转辙机功率监测数据特点,提出利用聚类集成方法对转辙机进行故障数据挖掘。数据预处理阶段共选择分段特征提取、AR模型、PCA主成分分析和DTW动态时间归整四种方法,解决转辙机功率数据维度较高且不统一问题,获得转辙机常见故障特征数据集。其次,采用K-means、FCM、凝聚式层次聚类、DBSCAN和DPCA作为基聚类算法,将不同数据预处理方法与基聚类算法搭配,生成基聚类成员。对比不同预处理方法下基聚类结果的准确率,得出对于转辙机功率数据,五种聚类算法与四种预处理方法的适配度排序,据此优选基聚类成员。最后,构建基于聚类集成算法的转辙机故障数据挖掘的总体框架,根据基聚类结果设计一种基于权重投票的W-VOTE聚类集成方法,利用W-VOTE算法以及CSPA算法、MCLA算法集成基聚类成员,完成转辙机故障数据的挖掘。对比集成和单一聚类的结果准确率,验证了聚类集成算法在转辙机故障数据挖掘上的优越性,有助于实现转辙机的主动维护和缩减维护成本。