论文部分内容阅读
随着我国铁路行业的发展进入新常态之际,在铁路快速发展的时代需求和铁路机械设备维修保障需求的牵引下,相关的铁路设备也将面临新的挑战,其未来的发展方向也必将随着科技的发展,进一步的与信息技术融合,向智能化迈进。而信号设备作为铁路安全运行设备中重要组成部分,是工电联合部门主要保养维护的设备之一。信号设备的维修能力在很大程度上决定着列车运行水平。随着铁路的运输任务不断增加,对电液转辙机的运用质量提出了更高的要求。转辙机作为道岔转辙设备的关键部件,由于长期在室外工作,故障率很高。但在转辙机的使用过程中,转辙机的性能并非只有故障和正常两种状态,而是会逐渐经历一系列不同的退化,才会从完好到完全失效状态。转辙机一旦发生了退化,其运行可靠性将急剧降低,严重情况下将导致道岔不能正常工作,给列车的安全正常运行带来一定的安全隐患。为了保证转辙机设备的安全高效运行,开展转辙机性能退化状态识别研究,预测转辙机退化性能发展趋势,进行有针对性的及时维护,具有重要的现实意义。转辙机转换过程中产生的信号一般具有非平稳、非线性的特点。且在退化过程中经历的各种退化状态的特点差别较小,导致转辙机退化状态识别精度低,预测状态不准确等问题。因此,本文以ZYJ7型转辙机为研究对象,研究了一种可以准确识别转辙机退化状态、准确预测转辙机退化性能状态发展趋势的方法,主要研究内容如下:（1）退化特征选择。针对转辙机不同退化状态特征差异小的问题,提出了一种基于核主成分分析法（Kernel Principle Component Analysis,KPCA）的多域特征提取方法。首先,预处理转辙机的功率曲线数据;之后综合时域、频域、时频域的提取指标,得到从多角度反映转辙机退化状态的高维特征向量;利用KPCA进行特征简约与融合、构造转辙机退化特征空间。（2）退化状态识别。为了提高转辙机退化状态的识别效果,通过分析从微机监测系统收集的转辙机日常工作的数据集,采用基于DPAM聚类（Density Propagation based Adaptive Multi-density Clustering Algorithm）与GG聚类（Gath-Geva）的组合聚类方法对转辙机退化特征数据进行退化状态分析,综合了划分聚类和密度聚类的优点,挖掘出性能退化下的转辙机不同的状态模式,减少现场因人工分析带来的繁重工作,提高信号设备维修工作的工作效率。使用某路局现场的实际功率曲线数据对组合聚类算法的有效性进行验证,从最终的聚类效果看,组合聚类算法对于聚类数目的选取较为科学,且不需要人为尝试设定,大大减少了时间,且分类系数（Classification Coefficient,CC）最高、平均模糊熵（Average Fuzzy Entropy,AFE）最小,转辙机同一种运行状况聚集更紧密;从识别结果看,相比于对应的单一聚类模型,组合聚类识别模型的准确性最优,为96.33%。（3）退化性能状态发展趋势预测。预测最为关键的是预测的精度和稳定性。为了提高转辙机退化状态的发展趋势的预测效果,本文采用经典的小样本机器学习算法—支持向量回归算法（Support Vector Regression,SVR）进行预测分析。SVR算法有大量的核函数,可以灵活地用来解决各种非线性回归问题,在目标识别检测、预测分析等领域得到了广泛应用。但是SVR算法中的惩罚因子、不敏感系数、核函数宽度对其精度和稳定性影响较大。因此,本文引入灰狼优化算法（Grey Wolf Optimizer,GWO）解决构建SVR预测模型时,对惩罚因子、不敏感系数、核函数宽度进行联合寻优的问题。对比SVR、BP（Back Propagation,向后传播算法）、ELM（Extreme Learning Machine,极限学习机）、HGWO-SVR（Improved GWO based on Differential Evolution to Optimize SVR Algorithm,基于差分进化改进灰狼算法优化SVR算法）预测模型的预测结果、本研究所建立的GWO-SVR预测模型,对经KPCA融合得到的前两个主成分退化性能指标的预测性能最优,预测模型的绝对百分比误差（Mean Absolute Percentage,MAPE）为0.5571、均方根误差（Root Mean Square Error,RMSE）为0.0046,预测精度较高。综上所述,本文结合某路局微机监测系统中转辙机功率曲线的历史数据,利用DPAM-GG组合聚类模型建立转辙机退化状态识别模型,以及利用GWO-SVR组合预测模型进行转辙机退化趋势的预测研究,为转辙机在现场的维修策略提供理论与技术上的支持。