基于改进KPCA算法的S700K转辙机故障诊断研究

作     者：魏智健 

作者单位：兰州交通大学 

学位级别：硕士

导师姓名：张友鹏;周鲲翔

授予年度：2022年

学科分类：08[工学] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

主      题：S700K转辙机 核主成分分析 支持向量机 AdaBoost算法 故障诊断 

摘      要：转辙机作为铁路室外信号设备三大件之一,投入使用量大,是铁路道岔系统的重要组成部分。目前,高速铁路上大多使用S700K转辙机,但其结构复杂且工作环境多变,故障频率一直呈上升趋势。其中,电气类故障占比较大。铁路现场对于转辙机的状态监测主要依赖于人为观察,根据以往的工作经验对比功率曲线的变化来判断故障,识别故障的时间较长,容易发生错判和漏判的情况。传统的定期维修模式也容易造成设备欠维修或者过维修,工作效率低下。这就需要铁路现场采用更加高效和安全的智能诊断方法来确保S700K转辙机的正常运行,从而有效保证行车安全。因此,研究基于功率曲线的智能诊断方法对于帮助铁路现场维修工作具有十分重要的意义。本文的主要工作如下:(1)以我国提速道岔中大量使用的S700K转辙机作为研究对象,分析其正常运行和六种常见故障状况下功率曲线的变化情况,总结其故障现象和故障原因。分别从它们的功率曲线中提取10种时域特征值组成S700K转辙机常见故障特征集。(2)利用KPCA数据降维方法对选取的10种特征进行排序和降维,验证KPCA算法在3维投影空间降维的有效性。对KPCA算法进行改进,选取最适应故障诊断模型的最优特征子集,在保证高故障诊断精度的同时降低特征维数,减少诊断时间。(3)利用SVM方法构造故障诊断分类器,并以SVM分类器作为基学习器,对S700K转辙机的功率曲线特征数据进行故障诊断。引入AdaBoost算法对SVM分类器的诊断结果进行迭代集成,设计新的投票规则,最后将所有训练好的SVM分类器组合成一个最终强分类器。仿真结果表明,本文所提方法诊断准确率可达到100%,诊断时间和准确率均满足铁路现场要求,同时使用以往研究常用的四种智能故障诊断方法与本文方法进行验证对比,证明了本文所提方法的有效性和优越性。