基于多源信息的高速列车走行部故障识别新方法
- 格式:doc
- 大小:450.00 KB
- 文档页数:7
高速列车故障检测与诊断技术研究高速列车作为现代交通工具之一,拥有运行速度快、安全性高等优势,已经成为现代都市间快速交通的主要方式。
然而,在高速列车运行过程中,由于各种原因,必然会发生故障,这时故障的及时检测与诊断就显得尤为重要,不仅能保障列车行驶的安全性和可靠性,还能极大提高列车的运行效率和节约维修成本。
一、高速列车故障检测与诊断技术的研究现状目前,高速列车故障检测与诊断技术主要采用以下几种方法:1. 故障诊断系统故障诊断系统是一种将人工经验和专业知识整合成故障检测器或分类器的系统,它可以通过检测高速列车各个部件的工作状态,自动诊断出故障原因,并向操作员提供一系列有效的解决方案。
故障诊断系统的好处在于可以减少测试时间和维护费用。
2. 运行监控系统运行监控系统可以监测高速列车的各种运行数据,例如车速、加速度、温度以及压力等,通过这些数据来判断车辆的状态。
在发现高速列车的运行数据有异常等异常情况时,运行监控系统就会发出警报提示,以便操作员及时采取措施。
3. 人工检测人工检测是一种手动检测方案,通过对车体和车辆各个部件的检查,可以及时检测出高速列车中的故障。
由于人工检测需要大量的人力和时间,所以现在大多采用其他自动化检测手段。
不过,在出现紧急情况时,这种检测方式仍然是必备的手段。
二、高速列车故障检测与诊断技术的创新在高速列车故障检测与诊断领域,研究人员们通过不断尝试和创新来提高检测和诊断效率。
其中一些创新技术是:1. 高精度传感器高精度传感器用于检测高速列车各个部件的细微变化,可以及时发现车辆异常情况,提高诊断成功率。
2. 综合采样技术综合采样技术是一种将大量数据采集并整合分析的方法,可以通过多个优化数据源的数据综合分析,更好地描述和理解高速列车故障。
例如,在故障时采集车辆各部件的数据,并进行整理、分析和诊断。
3. 实时在线监测技术实时在线监测技术是指通过电子传感器、视频摄像头等设备对车体及零部件的状态进行实时监控,提前发现故障并及时解决。
高速列车运行状态监测与故障诊断技术研究高速列车是现代铁路交通中的重要组成部分,其快速、便捷的特点得到了广大乘客的信赖和喜爱。
然而,高速列车的高速运行也给其安全带来了巨大的挑战,一旦发生故障,不仅会影响列车正常运行,还可能对乘客的人身安全造成威胁。
因此,高速列车运行状态监测与故障诊断技术研究显得尤为重要。
一、高速列车运行状态监测技术高速列车的运行状态可以通过多种方式进行监测,例如使用传感器、控制系统等技术手段。
其中,传感器技术是目前应用最广泛的一种监测技术,将传感器安装在高速列车各个部位,如车轮、轨道、转向架、车体等位置,监测列车在运行过程中的各项指标,如车速、加速度、振动、温度等。
传感器技术能够实时监测高速列车运行状态,检测车辆故障和瞬态事件,对于及时修复和保障列车安全具有重要的作用。
同时,传感器技术也为高速列车的运行调优和维护提供了有效的手段。
例如,根据传感器数据分析,对列车的轮轴动平衡进行调整,可以降低车体振动,提高乘客舒适度和安全性。
二、高速列车故障诊断技术高速列车的故障诊断技术是保障列车安全的重要手段。
传统的故障诊断方法仍然以人工巡检和仪表板状态研判为主,但这种方法存在着效率低下、准确度不高等不足。
针对这一问题,基于智能计算、数据挖掘、模型优化等技术的高速列车故障诊断技术应运而生。
高速列车故障诊断技术主要包括两个方面:数据采集和分析、故障诊断与排除。
数据采集和分析是高速列车故障诊断的基础,通过对传感器采集到的多种数据进行聚合、清洗、降噪等操作,得到与列车运行状态相关的数据特征。
故障诊断与排除则是根据数据特征,使用机器学习、神经网络等智能算法对列车状态进行分析,完成对列车故障的快速诊断和排除。
三、高速列车运行状态监测与故障诊断技术在实际应用中的困境高速列车运行状态监测与故障诊断技术在实际应用中仍然存在着一些困境。
例如,传感器数据采集量大、复杂度高,需要针对数据进行精细化处理,对算法算力、数据处理等技术要求较高。
高速列车故障诊断技术研究一、介绍随着高速列车的迅速发展和广泛运用,保障列车运行安全和可靠性成为重要问题之一。
然而,高速列车在运行过程中可能会遇到各种故障,这些故障对列车的运行以及乘客的安全都会带来风险。
因此,高速列车故障诊断技术的研究变得至关重要。
二、高速列车故障诊断技术分类1. 传感器诊断技术在高速列车上布置合适的传感器对列车的各个部件进行监测和诊断,能够及时发现异常信号并进行分析。
常用的传感器包括振动传感器、温度传感器、应力传感器等。
传感器诊断技术能够实时监测列车部件的运行状态,提供准确的故障信息。
2. 基于数据分析的故障诊断技术此类技术通过收集并分析列车运行过程中的数据,进行故障诊断和预测。
例如,通过监测列车的振动频谱、温度变化和电流负载等信息,可以判断是否存在故障并进行精确定位。
同时,利用机器学习和数据挖掘等方法,可以对大量数据进行建模和分析,提高列车故障的诊断准确性和效率。
3. 结构健康监测技术对于高速列车的结构部件,如车体、车轮等,结构健康监测技术可以通过无损检测和结构健康监测装置进行实时监测和诊断。
通过对结构部件进行应力分析和损伤评估,可以及时发现潜在故障并采取相应措施,保证列车的安全运行。
三、高速列车故障诊断技术的挑战与解决方案1. 复杂多变的运行环境高速列车在运行过程中接触到复杂多变的环境,如高温、低温、湿度等。
这些环境可能对列车的部件产生不可预测的影响,增加了故障诊断的难度。
解决方案之一是通过对大量历史数据的分析,建立有效的故障模型,并结合实时传感器监测结果进行比对。
2. 大数据处理和分析高速列车产生的数据非常庞大,包括振动数据、温度数据、电流负载数据等。
如何高效地处理和分析这些数据是故障诊断技术研究中的难点之一。
采用云计算和大数据分析平台,可以实现对海量数据的处理和分析,提高故障诊断的准确性和效率。
3. 实时性要求对于高速列车来说,故障的及时诊断和处理是至关重要的。
传统的故障诊断方法往往需要耗费较长的时间,无法满足高速列车实时性的要求。
基于大数据的高速动车组关键部件故障诊断技术研究刘健宇发布时间:2021-07-28T07:25:42.461Z 来源:《中国科技人才》2021年第12期作者:刘健宇王艳爽[导读] 在动车组内部有大量的零部件,如果动车出现故障,就影响列车安全稳定的运行,因而要加强对故障的诊断,做好故障原因的分析。
在故障诊断时,要针对于列车运行的多个部位,对零部件进行诊断,并进行故障关联性的研究,会发现动车内部零部件的故障与动车的实时状态有着密切的关联关系。
刘健宇王艳爽中车长春轨道客车股份有限公司 130000摘要:在动车组内部有大量的零部件,如果动车出现故障,就影响列车安全稳定的运行,因而要加强对故障的诊断,做好故障原因的分析。
在故障诊断时,要针对于列车运行的多个部位,对零部件进行诊断,并进行故障关联性的研究,会发现动车内部零部件的故障与动车的实时状态有着密切的关联关系。
关键词:大数据;故障诊断;关联规则;挖掘引言:在列车设备设计、生产和后期运维管理时,要引入高标准,由于列车设备内部构造比较复杂。
在设备零部件高效的运转时,就会造成设备的全部生命周期内产生大量的故障,高效地处理故障是当前设备高效稳健运行的基础性保障,而且故障的处理,要做出对关键设备零件的故障精准判别。
近年,随着我国动车技术提升,积攒了大量车辆运维数据,对这类大量数据研究也都可以获取故障连接性数据,能够指导一些运维人员高效处理动车设备的故障。
一、大数据挖掘(一)大数据分析大数据挖掘师对海量信息深度挖掘,获取有价值信息资源,同时,搜集更智能、深入的信息,大数据包含了数据规模、数据类型的多样化和数据分析速度。
随着当前数据量的提升,会给公司数据经营分析带来更大的压力,使用大数据工具,用数据分析法、可视化法、挖掘算法、预测法等分析理论,核心就是挖掘算法,多种数据挖掘机制及多种数据类别,才能够科学展现出数据自身的特征,进而挖掘数据价值,此外,使用数据的算法,才可更快速的去处理故障数据信息[1]。
基于多传感器融合的高速列车牵引变流器故障智能诊断技术研究摘要:本文提出了一种基于多传感器融合的高速列车牵引变流器故障智能诊断技术。
该技术在利用多种传感器监测列车牵引变流器工作时,采用了数据融合和人工智能技术进行信号处理和故障判断,实现快速高效地对变流器故障进行检测和诊断。
首先介绍了多传感器的选择和布置,然后详细讨论了数据融合与状态诊断算法的设计与实现,随后进行了实验验证。
研究结果表明,该技术具有高可靠性、高精度和高效性,能够有效地提高列车牵引变流器的稳定性和可靠性。
关键词:多传感器融合、数据融合、状态诊断、人工智能、高速列车、牵引变流器一、引言随着高速列车的发展和应用,牵引变流器已经成为高速列车的重要组成部分。
牵引变流器的故障往往会导致列车发生安全事故和运营故障,甚至导致列车停驶和延误,这对列车的可靠性和运行效率造成不良影响。
因此,如何有效地解决列车牵引变流器的故障问题,提高其稳定性和可靠性,成为高速列车发展的重要研究方向。
目前,针对列车牵引变流器的故障检测和诊断技术,已经有很多研究成果。
其中,传统的故障检测方法往往采用单一的传感器来监测变流器的工作状态,其缺点在于对不同类型的故障检测效果不佳,且往往会产生误判和误警。
为了解决这一问题,一些学者提出了基于多传感器融合的故障检测技术,通过对不同传感器数据进行融合和处理,提高了检测的准确性和可靠性。
二、多传感器的选择和布置为了实现对高速列车牵引变流器的故障检测和诊断,本研究选择了多种传感器进行监测,包括:温度传感器、振动传感器、电压传感器、电流传感器、速度传感器等。
这些传感器能够实时地对变流器各部分的运行状态进行监测和采集,提供了有效的数据来源。
在传感器布置方面,本研究采用了密集型布置方式,即将多个传感器安装在变流器的各个重要部位,如散热器、变流器主电路键、IGBT晶体管、换流电感等处,实时检测变流器的各种运行状态和参数。
这种布置方式能够更加全面地监测变流器的运行状态,提高检测的准确性和有效性。
高速列车故障诊断技术研究随着现代交通工具的快速发展,高速列车作为一种重要的交通工具,已经成为很多人出行首选的方式。
随之而来的这种发展需要更加高效和精准的技术,懂得高速列车的故障诊断技术就显得尤为重要。
因为高速列车的一旦出现故障,不仅会给乘客带来极大的不便,更会对整个运输系统带来巨大的影响。
而高速列车故障的诊断技术可以帮助修理人员快速、准确地找到故障点,并实现及时修复。
因此,高速列车故障诊断技术也逐渐成为了当前科学技术研究的热点之一。
一、高速列车故障诊断技术的现状在目前的高速列车技术中,目前主要是通过仪器、传感器等手段对高速列车进行运行状态的检测。
检测过程中,仪器在其运行的过程中会持续地对运行状态的各种参数进行检测,以判断车辆是否正常。
而同时,各个部件也都各自配备有传感器,收集到了大量有关车辆部件的数据,包括电气系统、转向系统、制动系统以及空调系统等,以便及时诊断车辆故障。
在现有的高速列车故障诊断技术中,无论是对数据的采集还是具体研究方法,都有较高水平。
从数据采集的角度来看,高速列车集成了先进的传感器和数据采集技术,可以将实时数据高速传输到监察员的控制室,从而方便监测人员能够及时地发现故障,然后针对故障进行及时处理。
同时,在数据采集的过程中,数据分析和研究方法也得到了更加完善的发展。
通过对大量数据的分析和统计,可以找到与故障出现有关的因素。
二、高速列车故障诊断技术的发展趋势随着技术的不断进步及市场需求的变化,高速列车故障诊断技术也在不断完善和优化。
最近几年,高速列车故障诊断技术在很多方面上都得到了重大的突破:1. 故障自主诊断技术的应用随着人工智能及机器学习等技术的发展,自主故障诊断技术的应用也得到了进一步的推广。
这种方法可以充分发挥软件的优势,减少对人工或设备的依赖。
在车载电气系统、空调系统以及制动系统等方面,这种技术的应用已经得到很好的推广,为高速列车的可靠运行提供了很好的保障。
2. 智能化故障预警技术的发展在高速列车运行中,预防故障比解决故障更为重要。
高速列车运行状态监测与故障诊断随着科技的发展,高速列车已经成为现代化交通工具的重要组成部分,大大提高了人们的出行效率和舒适度。
然而,为了确保高速列车的安全运行,对其运行状态进行监测和故障诊断变得尤为重要。
本文将探讨高速列车运行状态监测与故障诊断的相关技术和方法。
一、高速列车运行状态监测技术1. 基于传感器的监测技术:高速列车运行过程中产生大量的运行状态数据,如速度、加速度、振动等。
利用各种传感器,如加速度传感器、温度传感器、压力传感器等,可以实时监测列车的运行状态。
这些传感器可以安装在列车的不同部位,如车轮、轴承、车架等,用于监测车辆的振动和温度,从而了解车辆的运行状况。
2. 图像识别技术:高速列车的车厢内设施繁多,如座椅、门窗、仪表等。
通过安装摄像头,利用图像识别算法可以实时监测车厢内设施的状态,如座椅的磨损程度、门窗的打开情况等。
同时,还可以利用图像识别技术对轨道进行监测,检测轨道的损坏程度和杂物等。
3. 音频识别技术:高速列车运行时会产生各种各样的声音,通过安装麦克风,利用音频识别技术可以实时监测列车的运行状态。
这些声音包括列车的发动机声、轮轴的摩擦声、风力的声音等。
通过分析这些声音的特征,可以判断列车是否存在异常情况,如轮轴是否磨损、发动机是否正常等。
二、高速列车故障诊断技术1. 基于数据挖掘的诊断技术:高速列车的运行状态监测数据包含了大量的信息,通过采用数据挖掘技术,可以从这些数据中提取出有用的信息,用于故障的诊断和预测。
常用的数据挖掘技术包括聚类分析、分类算法、关联规则挖掘等。
利用这些技术,可以建立故障预警模型,提前判断列车可能出现的故障,并采取相应的维修措施。
2. 专家系统诊断技术:专家系统是一种基于知识的智能系统,可以模拟人类专家的思维过程,用于进行故障诊断。
通过将专家的知识和经验转化为规则和推理规则,建立专家系统模型,可以对高速列车的故障进行准确诊断。
这些知识和规则可以包括列车运行状态的特征、常见的故障类型以及相应的解决方法等。
基于人工智能的高铁列车故障处理与诊断高铁列车是现代化交通工具的代表之一,其高速和安全性使其成为现代交通主流选项之一。
然而,即使是最先进的技术也无法完全避免故障的发生。
因此,基于人工智能的高铁列车故障处理与诊断系统在维护和保障高铁运行安全方面具有重要意义。
故障处理是高铁列车运营中的关键环节之一。
传统的故障处理方法往往需要依赖人工检修和问题排查,耗费时间和人力成本高。
而基于人工智能的高铁列车故障处理系统通过智能化的算法和模型,能够对列车的故障信息进行实时监测和分析,快速定位和诊断故障原因。
这意味着,高铁列车在遇到故障时,准确且迅速地找到故障点,优化列车的维修过程。
基于人工智能的高铁列车故障处理系统的核心技术包括:数据分析和处理、智能预测和诊断、自主决策和智能维修。
首先,系统会收集和分析大量的列车运行数据,包括温度、振动、电流等多个传感器监测的指标。
通过数据处理和分析算法,系统能够识别出异常数据和故障信号,并将其与已知故障数据进行比对,实现故障的诊断和定位。
其次,基于大数据分析的智能预测和诊断是系统的核心功能。
系统能够针对传感器数据进行模式识别和异常检测,从而预测列车出现故障的可能性。
当系统检测到异常情况时,会迅速生成故障报告,包括故障的类型、位置和可能的原因,为维修人员提供决策支持。
另外,基于人工智能的高铁列车故障处理系统还具备自主决策和智能维修的能力。
系统能够根据故障的类型和严重程度,自动调度维修人员和设备,实现快速响应和高效维护。
此外,系统还能够根据历史数据和维修记录,进行故障模式和趋势分析,优化维护计划,预防潜在故障的发生。
基于人工智能的高铁列车故障处理系统的应用可以带来多方面的好处。
首先,系统能够实现快速故障诊断和定位,提高列车维修过程的效率和精度。
其次,系统能够通过大数据分析,提前预测可能的故障,为维护人员提供预防措施,减少列车故障对运营的影响。
此外,系统的自主决策和智能维修功能能够优化资源配置,降低运营成本和维护成本,提高高铁列车的整体效益。
高速列车安全系统中的故障检测与排除随着科技的进步与发展,高速列车成为现代交通运输的重要部分。
为了确保乘客和工作人员的安全,高速列车配备了先进的安全系统。
然而,任何机械设备都有可能出现故障,因此,在高速列车安全系统中,故障的检测与排除是至关重要的任务。
高速列车安全系统通常由多个子系统组成,如制动系统、通信系统、信号系统和牵引系统等。
这些系统密切合作,确保列车行驶安全稳定。
然而,由于设备长时间运行和高速行驶,系统故障是不可避免的。
因此,高速列车安全系统的故障检测与排除变得至关重要。
首先,在高速列车安全系统中,故障的检测是通过多种方法和技术来实现的。
其中一个常用的方法是使用传感器来监测系统的各种参数。
例如,制动系统中的压力传感器可以检测制动液压力的变化,以确定是否存在制动故障。
通信系统中的信号强度传感器可以检测信号强度的变化,以确定是否存在通信故障。
这些传感器收集的数据会被发送到中央控制室,由计算机系统进行分析和处理,以确定系统中可能存在的故障。
除了传感器,高速列车安全系统中还使用了自检功能。
这些自检功能可以定期检查系统各个部分的运行状态,以及设备的功能性能。
例如,制动系统中的自检功能可以检测制动器的工作状态,以确定制动器是否正常工作。
如果自检功能发现异常,将会触发警报系统,并通知工作人员进行进一步的检查和维修。
一旦系统检测到潜在的故障,接下来就是故障排除的重要步骤。
在高速列车安全系统中,故障排除需要经验丰富的技术人员进行操作。
首先,技术人员会参考系统的技术手册和维修指南,以确定故障的可能原因。
然后,他们会根据故障的不同性质采取不同的排除方法。
有时,他们会使用测试仪器来识别故障点,例如使用电压表来检查电路中的电压波动,以确定电路是否存在故障。
对于某些故障,可能需要对系统进行更详细的检查和测试。
这包括对设备进行拆解、清洁和维修。
例如,如果制动系统中存在制动片磨损的问题,技术人员可能需要拆解制动系统,并检查制动片的磨损程度。
高速列车故障诊断技术的研究现状及发展趋势
高速列车故障诊断技术是指通过对列车系统进行监测、数据分析和故障诊断,及时发现和解决列车故障,确保列车运行的安全和稳定。
目前,高速列车故障诊断技术已经取得了一定的成果,主要表现在以下几个方面:
1. 传感器技术的发展:传感器技术的应用使得列车系统能够实时采集各种参数数据,如温度、压力、振动等,从而为故障诊断提供了更为精确的数据支持。
2. 数据分析与处理能力的提升:随着计算机技术的发展,大数据和人工智能等技术在故障诊断中的应用越来越广泛,通过对大量数据的分析和处理,可以快速识别出潜在的故障问题,并进行精准的预测和诊断。
3. 模型建立与优化:通过建立列车系统的数学模型,可以对系统的运行状态进行建模和仿真分析,从而更准确地判断出故障位置和原因。
同时,模型的优化也可以提高故障诊断的准确性和效率。
未来,高速列车故障诊断技术的发展将呈现以下几个趋势:
1. 自动化水平的提高:随着人工智能和自动化技术的进一步发展,故障诊断系统将更多地实现自动化,减少人工干预,提高故障诊断的效率和准确性。
2. 多模态数据融合:将多种数据源(如传感器数据、图像数据等)进行融合分析,可以提高故障诊断的可靠性和全面性。
3. 实时监测与预测:通过对列车系统的实时监测和数据分析,可以实现对故障的预测,预防潜在的故障出现,提高列车的可靠性和安全性。
4. 无人化维护:利用机器人技术,实现对列车的无人化巡检和维护,可以提高维护效率,减少运营停机时间。
总之,高速列车故障诊断技术将越来越重要,随着科技的不断进步,相关技术的发展将为高速列车的运行安全和可靠性提供更好的保障。
高速铁路列车故障智能诊断与优化设计高速铁路列车在现代交通系统中扮演着重要的角色,但长时间运行过程中不可避免地会面临各种故障。
为了确保列车的安全可靠性以及乘客的出行舒适度,需要对列车进行智能诊断和优化设计。
本文将探讨高速铁路列车故障智能诊断的必要性,并介绍一些优化设计的方法。
高速铁路列车故障智能诊断的必要性不言而喻。
故障的发生会导致列车运行的中断,给乘客带来不便,对交通系统的正常运行产生负面影响。
因此,及时准确地诊断故障并采取相应的处理措施是至关重要的。
传统的故障诊断方法往往依赖于列车司机或工作人员的经验,但这种方法存在一定的局限性,可能导致诊断结果不准确或延误了处理的时间。
因此,引入智能诊断技术是提高故障诊断准确性和效率的关键。
在高速铁路列车故障智能诊断方面,一种常见的方法是使用传感器监测列车的各项参数,例如速度、温度、振动等。
通过采集传感器数据,可以实时监测列车的运行状态,并通过与预设的阈值进行比较,判断是否发生故障。
同时,借助机器学习和数据分析技术,可以对传感器数据进行处理和分析,提取有用的特征并建立故障诊断模型。
通过预测模型,可以在故障发生前提前预警,并给出相应的处理建议。
这种智能诊断技术可以大大提高故障的检测效率和准确率,从而减少列车运行中断的可能性。
除了故障的诊断,优化设计也是提高高速铁路列车可靠性和性能的关键。
通过对列车系统和各个组件的优化设计,可以减少故障的发生概率,提高列车的可靠性。
一种常见的优化设计方法是改进列车的结构和材料,使之更加耐用和抗磨损。
此外,在列车运行过程中,高速列车会面临气动和机械振动等复杂环境条件,因此对列车进行流体力学和振动力学分析,采取相应的措施来减小风阻和振动幅度也是重要的优化设计。
此外,优化列车的能源管理系统和列车控制系统,使其更加智能和高效,也可以提高列车的性能和可靠性。
为了实现高速铁路列车故障智能诊断和优化设计,建议开展以下工作。
首先,加强传感器技术的研发和应用,提高传感器的准确性和稳定性,以确保获得可靠的传感器数据。
基于多源信息的高速列车走行部故障识别新方法朱建渠1,2,金炜东1,朱斌1,3(1.西南交通大学电气工程学院,四川成都 610031;2.重庆科技学院,重庆401331;3.长江师范学院,重庆涪陵408100)摘要:针对高速列车安全性能跟踪监测点多、监测数据量大、走行部故障识别难的问题,提出了一种基于模糊证据理论的多特征、多源信息融合的走行部故障识别新方法。
该方法首先根据不同的传感器信息的某类特征属于不同故障模式下的隶属度间的差异来计算传感器间的信息融合度,利用融合度来确定不同传感器在融合中的权重,从而得到同类特征不同传感器间信息融合后的隶属度;然后由融合后的隶属度转化为基本概率分配函数;最后用证据理论对不同特征间信息进行融合。
实验结果表明,该方法能有效地识别列车正常、空气弹簧失气、抗蛇形减震器全拆、横向减震器全拆四种工况,同时在不同速度下均取得了满意的识别率,验证了该方法的有效性。
关键词:高速列车;信息融合;故障识别;熵特征中图分类号:U266文献标识码:AHigh-speed train running gear fault feature extraction and recognition based on harmonicwavelet packet transformZHU Jian-qu 1,2JIN Wei-dong 1ZHU Bin 1,3(1.School of Electric Engineering, Southwest Jiaotong University Chengdu 610031;2. Chongqing University of Science and Technology, Chongqing, 401331;3. Changjiang Normal University, Chongqing, 408100)Abstract:To solve the problem that the fault identification of high speed train is difficult, a fault feature extraction and identification method based on harmonic wavelet packet decomposition and resemblance coefficient was proposed. Harmonic wavelet packet transform is used to extract fault feature vector consisting of the band energy which can reflect the characteristics of various types of fault. By calculating and comparing resemblance coefficient of the signal feature vector and different types of fault feature vectors, the method can identify and classify the faults. Experimental results show that the faults, including the normal train, spring air of loss air, without anti-yaw shock absorber and without transverse shock absorber, can be identify effectively. At different speeds, recognition rates are satisfactory and the validity of the method is verified.Key words:high speed train; harmonic wavelet;feature extraction; resemblance coefficient高速列车由于持续的高速运行,导致列车走行部磨损加快、振动加剧,对高速列车走行部进行有效的故障诊断和识别,是实现及时维护,降低使用维护成本,保证列车运行安全的关键。
基于多方法证据融合的轨道电路故障诊断发布时间:2023-02-23T03:07:44.681Z 来源:《工程管理前沿》2022年19期作者:杨攀[导读] 轨道电路是铁路信号传输的重要设备,杨攀中国铁路呼和浩特局集团有限公司包头电务段内蒙古包头市014040摘要:轨道电路是铁路信号传输的重要设备,对于列车占用线路的情况可以起到监督作用,同时还能够给列车传递信息,从而更好地对列车运行进行协调。
在轨道交通事业不断发展的今天,应该要对轨道电路的功能进行完善,要对轨道电路常见的故障进行处理,从而使轨道电路保持正常运转,为列车提供各种所需信息。
关键词:轨道;电路故障;处理新思路1轨道电路故障应变处理原则自动闭塞车站轨道电路出现红光带,是在车站接发列车过程中出现的常见设备故障。
在出现轨道电路红光带故障的情况下办理列车接发是《铁路车站值班员国家职业标准》对车站值班员岗位的基本要求。
轨道电路红光带故障,指的是轨道区段没有车占用时,控制台或显示器相对应的区段显示红色光带。
产生这种现象的原因,除了有外在的短路因素外,还有电务及工务两方面的原因。
当站内轨道电路出现红光带时,值班员首先应派胜任人员到现场确认,在查明无机车车辆占用或侵入后,在《行车设备检查登记簿》(运统-46)内登记,通知工、电部门作成记录并按轨道电路故障进行处理。
由于显示红光带的区段内所有道岔均不能正常转换,不能经过有红光带的区段正常办理发车进路,不能正常开放出站信号。
所以,遇到这种情况可比照出站信号机故障的情况下发出列车办理。
值班员在确认发车进路准备妥当,并通过监督器表示确认第一闭塞分区空闲的情况下,填发绿色许可证给司机。
2轨道电路的工作过程从发送器产生的信号,利用传输设备传递到发送端轨面,在发送端轨面处分别向主轨道电路和小轨道电路两方向传输。
向主轨道电路传输的信号由主轨接收器接收,向小轨道电路传输的信号由列车运行方向前方的相邻轨道区段的接收器处理,并将结果形成小轨道电路继电器执行条件传送至本轨道电路接收器,作为一项轨道继电器励磁的必要检查条件。
高速列车运营故障信息采集研究【摘要】本文探讨了高速列车运营故障信息采集的重要性,对现有研究进行了综述,并探讨了不同的信息采集方法和技术。
结合实际案例,展示了高速列车运营故障信息采集的应用价值。
通过研究,我们可以更好地监测和预防列车故障,提高列车运行的安全性和效率。
本研究的意义在于为高速列车运营管理提供了重要数据支持,为未来高速列车运营故障信息采集研究提供了借鉴和展望。
通过不断完善信息采集技术,我们可以进一步提升列车运行的可靠性和安全性,推动高铁行业的持续发展。
【关键词】高速列车、运营故障、信息采集、研究背景、研究目的、现有研究、方法探讨、技术研究、应用案例、意义、研究展望1. 引言1.1 研究背景高速列车运营故障信息采集研究的研究背景:随着高速列车的快速发展和广泛应用,高铁已成为现代化交通运输的重要组成部分。
随之而来的问题是高速列车运营中可能出现的各种故障。
这些故障不仅会影响列车的正常运行,还可能给乘客带来安全隐患,给铁路管理和维护带来挑战。
及时准确地采集高速列车运营中的故障信息,对于提高列车运行的安全性、可靠性和效率至关重要。
目前,虽然一些高速列车运营单位已经开始使用各种现代技术手段进行故障信息的采集和分析,但在实际应用过程中仍然存在一些问题和不足。
有必要进行深入研究,探讨如何更好地采集和利用高速列车运营故障信息,提高列车的运行效率和安全性。
本研究旨在对高速列车运营故障信息采集进行系统研究与探讨,为高速列车运营管理和维护提供科学依据和技术支持。
1.2 研究目的研究目的是为了深入探讨高速列车运营中故障信息采集的重要性及方法,从而提高列车运营的效率和安全性。
通过对现有研究进行综述,可以了解目前在高速列车运营故障信息采集方面的研究现状和存在的问题。
借鉴先进的技术研究成果,探讨如何运用这些技术来改进高速列车故障信息的采集方式。
通过分析已有的应用案例,可以总结出不同情况下高速列车故障信息采集的实际应用效果,为进一步研究提供实践参考。
高速列车运行的轨道检测与故障预警技术研究摘要:高速列车作为现代交通工具的重要组成部分,为人们的出行提供了便利。
然而,由于长时间高速运行的特殊性,列车与轨道之间的故障问题成为了运营安全的隐患。
为了确保高速列车的正常运行和乘客的安全,轨道检测与故障预警技术的研究显得尤为重要。
本文将探讨高速列车运行的轨道检测与故障预警技术的现状、挑战和发展方向。
1. 引言随着人们对快速、高效出行需求的增长,高速列车成为了现代交通工具的主要选择之一。
然而,高速列车在长时间高速运行过程中会遇到一系列的问题,其中包括轨道的异常和故障。
轨道异常和故障会导致高速列车的不稳定行驶,甚至发生事故。
因此,轨道检测与故障预警技术的研究对确保高速列车运行安全具有重要意义。
2. 高速列车运行的轨道检测技术轨道检测技术是保证高速列车轨道安全和可靠性的核心技术之一。
目前,常用的轨道检测技术包括轨道几何监测、缺陷检测、应力检测和超声波检测等。
轨道几何监测可以通过测量轨道几何参数来评估轨道的平整度和曲线半径,从而发现轨道的异常。
缺陷检测主要是通过传感器检测轨道表面的缺陷和磨损情况。
应力检测可以监测轨道的应力分布情况,判断轨道的承载能力。
超声波检测技术则可以检测轨道下部的缺陷和损伤,例如裂纹和空洞等。
这些轨道检测技术在高速列车运行过程中的应用可以实时监测轨道状况,为故障预警提供数据支持。
3. 高速列车运行的故障预警技术故障预警技术的发展可以在故障发生之前提前预警,以避免事故的发生。
在高速列车运行过程中,故障预警技术的应用对提高列车运行安全性至关重要。
目前,故障预警技术主要包括数据驱动的预测建模、机器学习技术和物联网技术。
数据驱动的预测建模可以通过对轨道的数据进行分析,建立数学模型预测轨道的寿命和故障发生的概率。
机器学习技术可以通过对大量的轨道数据进行学习和分析,来提前发现轨道的异常和故障。
物联网技术则可以通过各种传感器和设备的联网,实时监测轨道的状况,并及时警示操作人员。
基于大数据的动车组数据处理及故障诊断研究2中国铁路武汉局集团有限公司武汉动车段,湖北省武汉市,430000摘要:在动车组广泛普及的过程中,逐步积聚了庞大的动车组行车与检修信息,包含了有关车辆运行状态、设备运转以及行车参数等重要数据。
深度挖掘及精准利用数据所藏匿的规则与价值,为今后车辆的运维工作提供科学依据,对提高动车组运行安全性、减少预防性维修成本产生深远影响。
本文将介绍动车组数据处理的基本方法,包括数据清洗、特征提取和数据挖掘等技术。
0 引言在动车组的全生命周期内,由于其构造的精细复杂、环境条件的多样化,以及各部件承受能力的差异,不可避免地会产生部分部件的损耗与失效,及时地进行数据的采集并准确地定位故障发生的时间、位置与原因,对于动车组的早期安全事故的预测以及运行的稳定性都能产生巨大的影响。
伴随着传感器技术和信息技术的快速发展,动车组运行过程中的监测数据得到了大量的收集。
因此,如何有效地处理这些数据,成为动车组运维过程中亟待解决的问题。
充分运用大数据技术,能够从根本上解决数据量庞大、运算量繁重的问题,从而实现对动车组全方位、多维度的实时监控。
同时,通过数据挖掘,还能找出故障的类型及其演变规律,实现故障预警,为动车组的运营提供强有力的保障。
1 需求分析传统的动车组故障诊断方式主要是经验导向的,专业维修人员依赖经验对故障可能的源头进行研判,在处理一些相对简单的问题时,这类方法可能表现得较为有效,但对于更为复杂的故障,由于人员经验的准确性存疑,很难精准定位故障根源。
另外,传统的诊断方法往往需要大量人力投入和漫长的时间周期,这与迅速响应故障需求的现实需求之间,显然存在一定程度的矛盾。
基于大数据的动车组数据处理及故障诊断则可以克服上述问题。
大数据技术可以对大量的动车组运行数据进行实时监控和分析,自动识别出异常的运行状态和潜在的故障风险,通过机器学习和人工智能算法[1],可以进一步分析这些数据,找出故障的根本原因,并提供可行的故障诊断和解决方案,基于大数据的故障诊断方法不仅可以减少故障的停机时间和维修成本,而且还可以提高动车组的运行效率和安全性。
高速列车控制系统的故障检测技巧随着科技的不断发展,高速列车在现代交通中扮演着至关重要的角色。
然而,高速列车的控制系统故障可能会导致严重的事故发生,因此,故障检测技巧就显得尤为关键。
本文将介绍一些高速列车控制系统的故障检测技巧,以确保列车的安全和可靠运行。
一、系统巡检高速列车的控制系统复杂而庞大,因此,定期的系统巡检是必不可少的。
巡检人员应仔细检查各个部件的连接是否牢固、电缆是否受损以及设备是否正常运行。
此外,应对关键部件进行功能测试,确保其工作正常。
通过系统巡检,可以及早发现潜在的故障,并采取相应的维修和替换措施,从而减少故障发生的概率。
二、故障树分析故障树分析是一种常用的故障检测技巧,通过建立故障树模型来分析和识别故障的原因和影响。
在进行故障树分析时,应根据列车控制系统的结构和工作原理进行逐步分解和逻辑推理。
通过明确故障的影响路径和可能的原因,可以更加精确地判断故障的来源,并采取相应的处理措施。
三、数据采集与分析对于高速列车的控制系统而言,数据采集与分析是非常重要的一环。
通过安装合适的传感器和监测设备,可以实时采集列车运行中的各类数据,如速度、温度、压力等。
采集到的数据应及时传输到监测中心,并进行综合分析。
通过对数据的分析,可以快速发现潜在的故障症状,为故障检测提供有力的支持。
四、红外热像技术红外热像技术是一种非接触式的故障检测方法,可以通过检测被测物体的红外辐射来判断其温度分布和热量变化情况。
对于高速列车的控制系统来说,使用红外热像技术可以实时监测各个部件的温度变化,从而发现潜在的故障隐患。
此外,红外热像技术还可以快速诊断故障的位置和程度,为维修人员提供指导和参考。
五、机器学习算法随着人工智能的发展,机器学习算法在故障检测领域发挥着越来越重要的作用。
通过对大量的数据进行训练和学习,机器学习算法可以自动识别和分类不同的故障模式,并通过与已知故障模式进行比对,准确判断故障的类型和来源。
将机器学习算法应用于高速列车的控制系统故障检测中,可以提高故障检测的精准度和效率。
基于多源信息的高速列车走行部故障识别新方法朱建渠1,2,金炜东1,朱斌1,3(1.西南交通大学电气工程学院,四川成都610031;2.重庆科技学院,重庆401331;3.长江师范学院,重庆涪陵408100)摘要:针对高速列车安全性能跟踪监测点多、监测数据量大、走行部故障识别难的问题,提出了一种基于模糊证据理论的多特征、多源信息融合的走行部故障识别新方法。
该方法首先根据不同的传感器信息的某类特征属于不同故障模式下的隶属度间的差异来计算传感器间的信息融合度,利用融合度来确定不同传感器在融合中的权重,从而得到同类特征不同传感器间信息融合后的隶属度;然后由融合后的隶属度转化为基本概率分配函数;最后用证据理论对不同特征间信息进行融合。
实验结果表明,该方法能有效地识别列车正常、空气弹簧失气、抗蛇形减震器全拆、横向减震器全拆四种工况,同时在不同速度下均取得了满意的识别率,验证了该方法的有效性。
关键词:高速列车;信息融合;故障识别;熵特征中图分类号:U266文献标识码:AHigh-speed train running gear fault feature extraction and recognition based on harmonicwavelet packet transformZHU Jian-qu 1,2JIN Wei-dong 1ZHU Bin 1,3(1.School of Electric Engineering, Southwest Jiaotong University Chengdu 610031;2. Chongqing University of Science and Technology, Chongqing, 401331;3. Changjiang Normal University, Chongqing, 408100)Abstract:To solve the problem that the fault identification of high speed train is difficult, a fault feature extraction and identification method based on harmonic wavelet packet decomposition and resemblance coefficient was proposed. Harmonic wavelet packet transform is used to extract fault feature vector consisting of the band energy which can reflect the characteristics of various types of fault. By calculating and comparing resemblance coefficient of the signal feature vector and different types of fault feature vectors, the method can identify and classify the faults. Experimental results show that the faults, including the normal train, spring air of loss air, without anti-yaw shock absorber and without transverse shock absorber, can be identify effectively. At different speeds, recognition rates are satisfactory and the validity of the method is verified.Key words:high speed train; harmonic wavelet;feature extraction; resemblance coefficient高速列车由于持续的高速运行,导致列车走行部磨损加快、振动加剧,对高速列车走行部进行有效的故障诊断和识别,是实现及时维护,降低使用维护成本,保证列车运行安全的关键。
关于列车走行部故障特征的研究,国内外主要集中在对振动信号进行时频分析。
如小波分析法[1,2,3]、短时傅里叶变换[4]、经验模式分解[5,6,7]、幅度谱特征[8]。
以上方法都是针对单一传感器、单一故障进行分析。
基金项目:国家自然科学基金资助项目(61134002)由于高速列走行部车传感器众多,监测数据内容丰富,涉及面广,数据的影响因素多,且相互关联,同一种故障可用不同的特征指标来描述, 同一种症状表现往往又是几种故障相互作用的结果。
检测量与故障特征之间, 故障特征与故障源之间都是一种非线性映射。
因此, 故障的多样性、不确定性和各种故障之间联系的复杂性构成了故障识别技术上的难点[9]。
仅靠单一传感器和单一故障特征量的方法不能综合考虑各方面的因素,从而造成识别效果不好,难以完成识别任务, 比较合理的方法就是采用信息融合技术, 进行多传感器、多特征的信息融合识别。
证据理论对于不确定信息有较强的处理的能力, 在故障诊断检测、多目标识别、多传感器信息融合、不确定性多属性决策等方面有广泛应用。
而mass 函数的获得是证据理论得以应用的关键所在[10] 。
林云等[9]利用灰度关联算法;韩峰[11]等引入了一种置信距离的方法;徐琰珂[12]等利用模糊集合的方法;许佳丽[12] 利用证据的信息量来确定各传感器信息的可信度,从而确定出mass 函数,都取得了一定的成果。
本文在总结前人研究成果的基础上,结合高速列车运行的特点,提出了一种多特征、多信息源融合的故障识别方法。
信息融合的过程分为两级,第一级实现不同传感器相同特征的融合:对于每一个传感器的某种特征值,被测故障属于哪种类型的可能性的大小用隶属度来表示,但也可能出现这种情况,不同传感器的同类特征值属于不同故障类型的隶属度不一样,甚至有较大的差异或者矛盾的情况。
解决的办法是定义一融合度函数,如某个传感器的某类特征与其它传感器的同类特征融合度高,得到其它传感器的支持,则它的此类特征在融合的过程中的权系数就大,反之权系数就小,这样就得到不同传感器同类特征融合后属于不同故障类型的隶属度。
第二级实现不同特征的融合:就是把融合后的同一特征属于不同故障类型的隶属度按比例转换成基本信任分配函数,然后证据理论的融合规则进行融合,进而判断出故障的类型。
传感器1传感器2...传感器N特征提取特征提取特征提取特征2特征1特征M ...特征2特征1特征M ...特征2特征1特征M...利用模糊方法融合利用模糊方法融合利用模糊方法融合D-S 合成规则故障类型.........图 1 两级信息融合示意图1不同传感器相同特征的信息融合1.1 融合度函数设有N 个传感器,从每个传感器测得的数据中提取M 个特征,故障类型有K 类,对于某类特征不同传感器的属于各故障类型的隶属度函数可表示成如下矩阵形式:11112111212222212()()()()()()()()()K K N n N n NK N x x x x x x x x xμμμμμμμμμμ⎡⎤⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎣⎦(1)其中()NK N x μ表示第N 个传感器的某类特征属于第K 类故障的隶属度函数。
第i 个传感器和第j 个传感器在同一故障模式下某类特征属于不同故障的隶属度反映了属于某种故障的程度,若两个传感器相互支持,则隶属度间的差异必然很小。
因此,可用隶属度间偏差大小来衡量各传感器相互支持的程度。
引入欧氏距离来定义两个传感器的距离:ij d = (2),i j μμ为隶属度矩阵第i 行和第j 行所组成的行向量,为第i 个传感器和第j 个传感器的某一特征属于各故障的隶属度组成的向量,代入后得: ij d =(3)其中()ik i x μ为传感器i 的某类特征熵值属于故障k 的隶属度,()jk j x μ为传感器j 的某类特征熵值属于故障k 的隶属度,ij d 为置信距离测度,表征传感器之间在此特征上的差异性,01ij d ≤≤。
ij d 越大第i 个传感器被第j 个传感器的支持度就越低,越小支持度就越高。
定义两个传感器的融合度函数:1ij ij r d =- (4)这样传感器i 被传感器j 支持的程度的大小就可用相融度函数的大小表示,则多个传感器的间就可以构成相融度矩阵:111212122212N N N N NN r r r r r r r r r r ⎡⎤⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎣⎦ (5) 令12[,,,]T N s s s s =为传感器被其它所有传感器认可的融合度向量,为了保证最大的可信度,确定第i 个传感器与其它传感器的相融度时,可取其它传感器与第i个传感器相融度中的最小者,即:12min(,,,)i i i iN s r r r = (6)其中i s 为第i 个传感器被其它所有传感器相融的程度。
将式(4) (5)代入后得:min(1i s = j=1,2,…,N (7)1.2 不同传感器间的信息融合在不同传感器相同特征的融合过程中,为体现不同传感器在融合中的所占比重不同,设权系数向量为:[]12,,,TN q q q q = (8)式(7)中i s 大表明第i 个传感器被其它传感器的认可度就高,在融合的过程中此传感器所占的权重就应该大,反之就应该小,故可设第i 个传感器的权系数可由i s 在总相融度中所占的比重确定,即:1/Ni i i i q s s ==∑ (9)这样,不同传感器融合后的隶属度向量[]12.,,,T K q βηβββ== (10)其中K β为融合后这一特征属于第K 类故障的隶属度,其值为:1(().)NK ik i i i x q βμ==∑ (11)通过上述方法,就完成了不同传感器的某一特征的融合。
用同样的方法,可进行其它特征的融合,从而得到不同传感器的其它特征的融合结果。
2 不同特征间的信息融合2.1 证据理论证据理论是建立在一个非空集合Θ上的理论,该集合被称为识别框架. 它由一些互斥且穷举的元素组成,包含当前要识别的全体对象,记为{}123,,,...,n θθθθΘ=。
对于Θ的每个子集A ,都属于幂集2Θ,可以指派一个值,称为基本信任分配。
定义:基本信任分配函数(mass 函数)m 是一个从集合2Θ到[0,1]的映射,A 表示识别框架Θ的任意子集,记作A ⊆Θ,且满足()0m φ=,()1A m A ⊂Θ=∑,则m(A)称为事件A 的基本信任分配函数。