基于特征提取和机器学习的电力机车空转识别方法研究

作     者：蒋博雅 

作者单位：西南交通大学 

学位级别：硕士

导师姓名：黄景春

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 082304[工学-载运工具运用工程] 081104[工学-模式识别与智能系统] 080204[工学-车辆工程] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0823[工学-交通运输工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：电力机车 基于信号的空转识别 信号处理 特征提取 群智能算法 机器学习 深度学习网络 

摘      要：随着中国特色社会主义现代化建设的不断推进,作为中国综合交通运输体系中坚力量的重载轨道交通也实现了飞速发展。在重载轨道交通领域中,从轮轨安全和经济性的角度来看,对电力机车轮轨空转进行高效快速而又准确地识别具有十分重大的意义。基于此,本文以基于信号的空转识别方法为基础研究了基于特征提取和机器学习的电力机车空转识别方法,通过研究针对机车轮对速度数据的信号特征提取方法和基于机器学习的分类/聚类算法及相应的优化算法,从高精度技术实现、工程实时应用到无监督自适应应用三个角度进行了深入探索和优化改进,依次设计提出了离线高精度、实时在线高精度和无监督自适应的三类精准快速的空转识别方法。首先,本文针对现有方法的精度问题并考虑到机车储存的大量运行数据,以提高空转识别精度为核心,以基于大数据分析为导向,提出了基于模糊熵和支持向量机的空转识别方法。通过基于经验小波变换和模糊熵的特征提取方法对机车轮对速度信号进行特征提取并输入支持向量机模型进行特征分类实现了高精度空转识别;同时针对支持向量机的超参数选择问题,提出了改进的遗传粒子群优化算法来进行优化进而最大化模型泛化性能。实验结果表明了该方法具有十分优秀的空转识别精度。其次,为满足工程实际可行性和实时性要求,解决基于模糊熵和支持向量机的空转识别方法虽能高精度识别空转但无法应用于毫秒级实时检测的问题,本文以改进提高特征提取及空转识别速度为核心,以数据驱动并保持高精度识别为导向,进一步构造提出了基于去趋势分析和核极限学习机的在线空转识别方法。通过结合多尺度分析和去趋势波动分析思想构造多尺度去趋势波动分析算法来实现对机车轮对速度信号的快速高维特征提取,并由基于差分进化算法优化的核极限学习机模型对特征进行快速分类实现快速准确地空转识别。实验表明该方法在保持高精度的同时在特征提取速度、空转识别实时性上也十分优秀,能够高效地应用于工程实际的实时空转检测中。最后,考虑到现有方法及上述提出的空转识别方法均是基于有监督学习方法,模型训练学习需要大量的带标签样本,因此本文以采用无监督学习算法省去样本标注为导向,进一步研究了基于自编码器和聚类分析的无监督空转识别方法。通过提出的深度稀疏收缩自编码器网络对机车数据进行深度特征挖掘,然后通过K均值聚类算法对空转及黏着数据的特征进行聚类划分实现无监督的空转识别。实验表明该方法在保持较为优秀识别精度的同时还兼具省略样本标注的便捷性和优秀的建模、识别速度。