亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于機(jī)器學(xué)習(xí)的轉(zhuǎn)轍機(jī)故障智能診斷研究

        2023-06-04 08:32:30韓承桓李孟嬌李德威
        黑龍江科學(xué) 2023年8期
        關(guān)鍵詞:轉(zhuǎn)轍機(jī)道岔特征提取

        張 勝,韓承桓,李孟嬌,李德威,孫 彤

        (滄州交通學(xué)院,河北 滄州 061100)

        轉(zhuǎn)轍機(jī)故障智能診斷技術(shù)的主要步驟是對(duì)轉(zhuǎn)轍機(jī)動(dòng)作電流與功率曲線進(jìn)行特征提取,利用分類算法實(shí)現(xiàn)故障診斷與分類[1-2]。目前,國內(nèi)外學(xué)者對(duì)此也展開了諸多研究。文獻(xiàn)[3]提出基于Haar小波變換與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法,對(duì)轉(zhuǎn)轍機(jī)的動(dòng)作功率曲線進(jìn)行特征提取。文獻(xiàn)[4]通過人工選取S700K轉(zhuǎn)轍機(jī)的動(dòng)作電流曲線故障時(shí)間點(diǎn),建立故障特征矩陣,作為BP神經(jīng)網(wǎng)絡(luò)的輸入,從而進(jìn)行故障診斷。文獻(xiàn)[5]對(duì)轉(zhuǎn)轍機(jī)動(dòng)作功率曲線進(jìn)行小波分解,利用主成分分析法進(jìn)行特征提取,對(duì)支持向量機(jī)參數(shù)使用改進(jìn)灰狼優(yōu)化算法,實(shí)現(xiàn)道岔故障識(shí)別。還有應(yīng)用CDET/MPSO-SVM、灰關(guān)聯(lián)及隱馬爾科夫模型等方法進(jìn)行道岔故障診斷的研究[6-8],實(shí)現(xiàn)了轉(zhuǎn)轍機(jī)智能故障診斷,為實(shí)現(xiàn)基于大數(shù)據(jù)的電務(wù)智能運(yùn)維管理應(yīng)用系統(tǒng)的研究與設(shè)計(jì)提供了理論基礎(chǔ)。

        1 轉(zhuǎn)轍機(jī)正常工作狀態(tài)分析

        以S700K交流電動(dòng)轉(zhuǎn)轍機(jī)為例,正常轉(zhuǎn)換時(shí)的輸出功率曲線如圖1所示。

        圖1 S700K轉(zhuǎn)轍機(jī)正常轉(zhuǎn)換功率曲線Fig.1 Normal conversion power curve of S700K switch machine

        我國大部分微機(jī)監(jiān)測系統(tǒng)數(shù)據(jù)采集周期約為40 ms,S700K轉(zhuǎn)轍機(jī)正常轉(zhuǎn)換一次的時(shí)間約為7 s,因此道岔每動(dòng)作一次約采集175個(gè)時(shí)間序列數(shù)據(jù)。將常見的S700K型轉(zhuǎn)轍機(jī)牽引的道岔故障狀態(tài)歸為8類,如圖2所示。

        圖2 S700K道岔故障動(dòng)作功率曲線Fig.2 Fault action power curve of S700K switch

        由轉(zhuǎn)轍機(jī)轉(zhuǎn)換過程及功率曲線分析可知,為了得到更全面的有效特征,可將轉(zhuǎn)轍機(jī)功率曲線按轉(zhuǎn)換過程分為I(I=5)個(gè)階段,即0~T1、T1~T2、T2~T3、T3~T4、T4~T5。設(shè)Ci為時(shí)段Ti內(nèi)(i=1,2,3,4,5)采樣點(diǎn)的個(gè)數(shù),Pi(c)為轉(zhuǎn)轍機(jī)動(dòng)作時(shí)在第i段時(shí)的功率曲線,且Pi(c)可表示為{Pi(c)|c=1,2,…,Ci;i=1,2,…I}。

        2 電流及功率特征提取

        表1 時(shí)域特征統(tǒng)計(jì)量Fig.1 Statistics of time domain characteristics

        3 建立CNN-LSTM模型

        CNN-LSTM模型使用python 3.8開發(fā)平臺(tái),采用TensorFlow深度學(xué)習(xí)框架搭建,包括三層卷積層(CNN)、池化層(MaxPoolld)、歸一化(BatchNormld)、激活操作(ReLU)、LSTM層、全連接層,整體結(jié)構(gòu)如圖3所示。模型輸入矩陣的尺寸為256×175,175是轉(zhuǎn)轍機(jī)轉(zhuǎn)換時(shí)動(dòng)作電流及功率曲線數(shù)據(jù)采樣點(diǎn)的長度,采集周期為40 ms,截取時(shí)間7 s的曲線。道岔的正常動(dòng)作時(shí)間在6.5 s左右,不足7 s在曲線數(shù)據(jù)點(diǎn)后補(bǔ)零。如果故障時(shí)道岔動(dòng)作時(shí)間超過7 s,則截取曲線前7 s數(shù)據(jù)。最后輸出9個(gè)節(jié)點(diǎn),是8種類型故障及正常情況對(duì)應(yīng)的概率值,故障診斷結(jié)果為輸出概率最大值對(duì)應(yīng)的故障類型。

        圖3 CNN-LSTM模型Fig.3 CNN-LSTM model

        數(shù)據(jù)的預(yù)處理是從鐵路信號(hào)集中監(jiān)測系統(tǒng)中得到轉(zhuǎn)轍機(jī)的電流及功率曲線數(shù)據(jù),將數(shù)據(jù)集的80%作為訓(xùn)練集,其余20%的數(shù)據(jù)作為測試集。對(duì)訓(xùn)練數(shù)據(jù)集用特征量計(jì)算公式分別進(jìn)行時(shí)域特征提取,并與初始數(shù)據(jù)結(jié)合,構(gòu)建特征矩陣,作為CNN-LSTM模型的輸入。在CNN-LSTM模型中對(duì)CNN參數(shù)進(jìn)行訓(xùn)練,利用CNN進(jìn)行特征提取,經(jīng)過歸一化、池化等操作,把高維數(shù)據(jù)矩陣數(shù)據(jù)降維,得到低維矩陣,作為LSTM網(wǎng)絡(luò)層的故障識(shí)別系統(tǒng)輸入,用測試數(shù)據(jù)檢驗(yàn)?zāi)P驮\斷故障的準(zhǔn)確率,實(shí)現(xiàn)道岔故障診斷。

        4 實(shí)驗(yàn)與驗(yàn)證

        實(shí)驗(yàn)利用訓(xùn)練集對(duì)CNN-LSTM進(jìn)行訓(xùn)練,利用測試數(shù)據(jù)集檢驗(yàn)該模型的故障診斷效果。表2為CNN-LSTM模型、LSTM模型及CNN模型進(jìn)行故障診斷的損失率及準(zhǔn)確率。由圖4、圖5可知,CNN-LSTM算法進(jìn)行故障分類的準(zhǔn)確率最高,約為93.32%,損失率最低,約為4.17%。其次為LSTM模型,CNN模型的故障診斷效果最不理想。與LSTM模型、CNN模型相比,CNN-LSTM模型算法穩(wěn)定性較好,可以更加精確地診斷出故障類型,具有較好的故障診斷效果。

        圖4 損失率Fig.4 Loss rate

        圖5 準(zhǔn)確率Fig.5 Accuracy rate

        表2 模型損失率與準(zhǔn)確率Tab.2 Loss and accuracy rate of the model

        5 結(jié)論

        針對(duì)轉(zhuǎn)轍機(jī)的故障分類及識(shí)別問題,將CNN與LSTM進(jìn)行組合,對(duì)LSTM模型中的超參數(shù)進(jìn)行優(yōu)化,取得了較好的診斷效果。實(shí)驗(yàn)結(jié)果表明,CNN-LSTM模型較LSTM、CNN模型在提高故障診斷準(zhǔn)確率的同時(shí),降低了模型損失率,且收斂速度得到提高,故而CNN-LSTM模型對(duì)道岔故障診斷具有更高的使用價(jià)值。

        猜你喜歡
        轉(zhuǎn)轍機(jī)道岔特征提取
        一種新型交流轉(zhuǎn)轍機(jī)控制電路在地鐵中的應(yīng)用
        S700K-C轉(zhuǎn)轍機(jī)防水解決方案探討
        中低速磁浮道岔與輪軌道岔的差異
        場間銜接道岔的應(yīng)用探討
        既有線站改插鋪臨時(shí)道岔電路修改
        便攜式轉(zhuǎn)轍機(jī)轉(zhuǎn)換力測試儀
        基于Daubechies(dbN)的飛行器音頻特征提取
        電子制作(2018年19期)2018-11-14 02:37:08
        Bagging RCSP腦電特征提取算法
        S700K轉(zhuǎn)轍機(jī)保持力測試方法探討
        基于MED和循環(huán)域解調(diào)的多故障特征提取
        区二区欧美性插b在线视频网站| 超级乱淫片国语对白免费视频| 国产极品女主播国产区| 久久精品国产亚洲av大全| 亚洲V在线激情| 日韩人妻免费一区二区三区| 91精品国产92久久久| 粉嫩被粗大进进出出视频| 91日韩高清在线观看播放| 精品少妇后入一区二区三区| 久久99热只有频精品8国语| 无码字幕av一区二区三区| 久久香蕉国产精品一区二区三| 久久久精品国产亚洲麻色欲| 国产精品一区二区韩国av| 性饥渴的农村熟妇| 日本大片免费观看完整视频| 蜜桃av无码免费看永久| 久久精品中文字幕有码| 国产福利视频在线观看| 日韩A∨精品久久久久| 中文字幕成人乱码亚洲| 亚洲成人免费av影院| 国产无遮挡又黄又爽在线观看| 亚洲视频1区| 亚洲中文字幕乱码在线视频| 五月色婷婷丁香无码三级| 最近最好的中文字幕2019免费| 亚洲一区二区三区在线观看播放| 日本视频一区二区三区| 亚洲av高清在线观看一区二区 | 国内少妇偷人精品视频免费| 大肥婆老熟女一区二区精品| 激情在线一区二区三区视频| 久久99精品久久久久久秒播 | 高清偷自拍亚洲精品三区| 亚洲狠狠网站色噜噜| 丝袜美腿av免费在线观看| 久久久99精品成人片| 蜜臀aⅴ国产精品久久久国产老师| 久久精品综合国产二区|