科研之友
微信
新浪微博
Facebook
分享链接
摘要
转辙机是铁路上实现道岔转换的重要的设备，其运营、维护工作耗费时间长、故障识别精度不高且存在误判、漏判等问题。针对上述问题，本文基于人工智能、深度学习等新型技术，提出一种新的S700K型转辙机故障识别方法。相较于较传统的Harr或Mexicanhat小波分解，本文首先将微机监测系统采样的转辙机动作功率曲线数据用一种具有紧支撑的正交小波Daubechies波分解与重构，提取8种常见类型故障的特征向量，归一化后作为改进后小波神经网络的输入量；然后采用分类学习粒子群算法优化网络内部的各项权值、阈值等参数，构建IPSO-WNN故障识别模型；最后选取车站监测机数据库中的动作功率曲线对故障识别模型进行网络训练和测试。本文提出的算法对8种常见的转辙机故障识别准确率超过95%,用时仅21 s左右，可以有效地运用于S700K型转辙机的故障识别并提高其精度与速度，为实现转辙机故障识别的预测提供理论支撑。
- 单位
