【摘 要】
：
变流器是电力机车牵引系统的关键部件之一,其故障易导致列车运行瘫痪,是机车故障中危害性较大的一类.针对基于专家经验的牵引变流器故障诊断仿真模型和特征选取泛化性较差问题,文章提出一种基于深度卷积神经网络的故障诊断方法,其通过修改Xception模型卷积和池化层结构参数以匹配牵引变流器故障数据并进行训练.实验结果显示,本文所提方法Top-1准确率为0.8422,Top-3准确率为0.9201,表明将深度卷积神经网络用于牵引变流器故障诊断具有较好的鲁棒性和准确性,且通过通道增强后可以提高模型的泛化能力并实现故障分
【机 构】
：
株洲中车时代电气股份有限公司,湖南株洲 412001
论文部分内容阅读
变流器是电力机车牵引系统的关键部件之一,其故障易导致列车运行瘫痪,是机车故障中危害性较大的一类.针对基于专家经验的牵引变流器故障诊断仿真模型和特征选取泛化性较差问题,文章提出一种基于深度卷积神经网络的故障诊断方法,其通过修改Xception模型卷积和池化层结构参数以匹配牵引变流器故障数据并进行训练.实验结果显示,本文所提方法Top-1准确率为0.8422,Top-3准确率为0.9201,表明将深度卷积神经网络用于牵引变流器故障诊断具有较好的鲁棒性和准确性,且通过通道增强后可以提高模型的泛化能力并实现故障分类.
其他文献
轮对组成是高速动车组转向架系统最重要的部件之一,其健康状态决定了动车组的运行安全.目前动车组镟修、动态检测、车次交路及运行里程等轮对管理信息系统独立运行,难以通过信息的融合对轮对的状态进行监测和故障预测.文章通过构建轮对动态监测体系,融合各轮对管理信息系统数据,动态监测轮对的参数变化,并通过对流数据趋势的挖掘以及数据的融合实现故障预测.应用实例验证,基于数据对比的趋势判断和数据融合的信息挖掘,能够及时有效发现故障和异常,实现高速动车组轮对的故障预测与健康管理.
动车组蓄电池组的可靠性涉及列车的行车安全,但由于镉镍电池独特的记忆效应,适用于动车组碱性镉镍蓄电池的寿命预测算法较少,且目前国内尚无实际应用案例.为此,文章提出一种基于粒子滤波与扩展卡尔曼滤波相融合(particle filter-extended Kalman filter,PF-EKF)的蓄电池剩余使用寿命(remaining useful life,RUL)预测算法,并与粒子滤波(particle filter,PF)和扩展卡尔曼滤波(extended Kalman filter,EKF)算法进行对
近年来,随着云计算、大数据、物联网、移动互联、人工智能等系列智能化新技术的出现及普及,如何综合高效利用资源,实现铁路重载列车、移动装备、固定基础设施及内外部环境间信息的全面感知、泛在互联、融合处理、主动学习和科学决策,为铁路重载组合列车安全稳定运行提供保障,成为当前一项重要的课题.文章分析重载铁路机车当前运维现状,设计了以智能感知、智能诊断、智能检测、智能评估、智能维修和智能预控六大板块为框架的重载铁路智能维护保障体系,并对向“智慧服务”转型过程中需重点突破的“基于车载物联网的多传感融合”及“基于浅知识和
针对城市轨道交通(简称“城轨”)信号智能运维系统建设与应用过程中海量数据处理的难题,文章研究了城轨信号智能运维系统数据平台,并设计了一种数据平台架构及其通信组件方案,以实现高性能的数据采集.该平台基于HDFS分布式文件系统来保障海量数据存储,采用MapReduce框架实现高可靠性、高效性与高容错性的大数据离线计算,并通过Spark和Flink框架实现数据的实时计算,解决了传统存储架构吞吐量和数据处理性能的瓶颈问题.仿真测试结果显示,相对于传统数据平台,该平台数据处理效率提升约4.8倍,系统吞吐量性能提高约
隧道病害的及时发现与维护对行车安全非常重要,但隧道环境复杂多变、表面图像对比度低,传统模式识别方法无法有效检测病害。对此,文章提出一种基于YOLOv4的隧道表面病害检测方法,其首先采用CSPDarknet-53作为主干网络来有效提取特征,并通过空间金字塔池化(SPP)融合不同尺度特征,然后经过YOLO层分类与回归病害区域,最后应用CIoU损失函数计算回归损失,有效提高了检测精度。试验结果表明,采用
列车转向架轴承受到轨道激扰、运行速度不确定、轨道接缝的冲击振动和其他部件振动因素的影响,轴承振动信号呈现非线性和非平稳性,导致其故障特征难以被提取,故障诊断准确率低.针对上述问题,文章提出一种基于多尺度样本熵改进极限学习机的列车转向架轴承故障诊断方法.其首先利用多尺度样本熵提取故障特征,构成特征向量集;然后利用粒子群算法优化极限学习机,得到输入权值和隐含节点阈值;最后,将特征向量集划分为测试集和训练集,利用改进的极限学习机作为模式识别算法进行故障模式识别.实验结果表明,本文提出的方法能够有效地进行故障模式
当前风电机组齿轮箱是通过状态监视系统采集齿轮箱高频振动数据,并通过人工分析的方式对齿轮箱进行故障诊断.这种方法不仅需要振动分析工程师具备足够的经验知识,而且因机组数量多,导致人工分析费时费力.为此,文章通过将采集到的原始数据进行倍频转换和对齐,消除变工况的影响,并采用时长分割对数据样本进行扩增,提取特定倍频段时域特征和频域特征作为机器学习的输入,通过模型训练构建了齿轮箱故障预测模型,模型准确率超过90％,有效实现了齿轮箱的故障预测.
子模块电容用量是影响模块化多电平换流器(modular multilevel converter,MMC)体积和成本的关键因素.提出了以单位容量额定储能值作为MMC电容用量的统一的衡量与直接设计指标,建立了直接描述MMC所需额定储能值与电容电压波动率之间关系的标幺化计算模型,使不同额定参数MMC的电容用量的衡量、计算和分析可以得到统一和简化.与以子模块电容值作为分析和设计指标的传统方法相比,MMC额定储能值标幺化计算模型去除了多种参数对计算过程的影响,揭示了基准调制比和输出功率范围是影响MMC额定储能值的
为避免因牵引变流器电容器的性能退化而导致输入功率载荷加重,影响机车牵引系统的安全与可靠运行,本文提出一种电容器故障预测方法,其通过检测电容器输出电压纹波对电容参数进行辨识,并基于最小二乘支持向量机(LS-SVM)算法进行电容参数拟合来识别电容器退化特征,从而实现电容器故障预测.文章采用该方法与BP神经网络预测方法,以ESR为电容特征值为例,对牵引变流器中间直流回路的谐振电容器和支撑电容器进行故障预测.结果显示,LS-SVM模型误差小、精度高,更能反映实际变化;采用该LS-S V M模型对近2年现场电容器运
针对城市轨道交通车辆牵引电机存在的滤网堵塞问题,为降低售后服务人员故障排查的难度并提高排查的即时性,文章提出一种基于循环神经网络的电机滤网堵塞预警方法.其根据电机原理并结合数据驱动方法构建模型,利用实际运营数据对模型进行训练,基于列车现有数据对电机温度进行实时预测,根据预测值与实际值的残差关系实现电机滤网堵塞预警.将该方法用于某地铁运营车辆,结果表明,其可以准确地对电机滤网堵塞问题进行预警,指导精准维修,从而有效地促进状态修进程.