鐵路道岔轉(zhuǎn)轍機(jī)故障診斷技術(shù)

第1章  緒論 001
1.1　鐵路道岔轉(zhuǎn)轍機(jī)故障診斷研究背景及意義 001
1.2　鐵路道岔轉(zhuǎn)轍機(jī)故障診斷技術(shù)研究進(jìn)展 002
1.2.1　基于解析模型的方法 002
1.2.2　基于信號處理的方法 002
1.2.3　基于人工智能的方法 003
1.3　鐵路道岔轉(zhuǎn)轍機(jī)故障診斷存在的問題與發(fā)展方向 003
參考文獻(xiàn) 004
第2章  道岔轉(zhuǎn)轍機(jī)及關(guān)鍵部件 007
2.1　相關(guān)概念 007
2.1.1　道岔 007
2.1.2　液壓道岔 007
2.2　道岔基本結(jié)構(gòu) 007
2.3　轉(zhuǎn)轍機(jī)基本結(jié)構(gòu)及原理 008
2.3.1　基本結(jié)構(gòu) 008
2.3.2　外鎖閉裝置工作原理 010
2.3.3　液壓系統(tǒng)工作原理 011
2.4　柱塞泵基本結(jié)構(gòu)及原理 012
參考文獻(xiàn) 014
第3章  轉(zhuǎn)轍機(jī)故障診斷實(shí)驗(yàn)及油壓信號特征提取 015
3.1　轉(zhuǎn)轍機(jī)工作過程原理分析 015
3.1.1　道岔轉(zhuǎn)轍機(jī)敏感參數(shù)分析 015
3.1.2　道岔轉(zhuǎn)轍機(jī)工作過程油壓信號分析 016
3.2　非現(xiàn)場道岔轉(zhuǎn)轍機(jī)故障模擬實(shí)驗(yàn) 017
3.2.1　道岔轉(zhuǎn)轍機(jī)故障模擬實(shí)驗(yàn)平臺(tái)介紹 017
3.2.2　模擬故障設(shè)計(jì) 017
3.2.3　轉(zhuǎn)轍機(jī)油壓數(shù)據(jù)采集 018
3.2.4　轉(zhuǎn)轍機(jī)故障油壓信號分析 019
3.3　基于改進(jìn)集成經(jīng)驗(yàn)?zāi)B(tài)分解的轉(zhuǎn)轍機(jī)故障特征提取 021
3.3.1　經(jīng)驗(yàn)?zāi)B(tài)分解算法原理 021
3.3.2　基于信息熵的特征提取方法 027
3.3.3　基于核主成分分析（KPCA）的特征融合 031
3.4　基于ITD-SDP圖像的轉(zhuǎn)轍機(jī)特征提取 035
3.4.1　ITD分解算法原理 035
3.4.2　SDP基本原理 035
3.4.3　圖像特征提取 036
3.5　道岔轉(zhuǎn)轍機(jī)故障狀態(tài)監(jiān)測 037
3.5.1　道岔轉(zhuǎn)轍機(jī)故障狀態(tài)監(jiān)測算法 038
3.5.2　基于AOA-XGBoost道岔轉(zhuǎn)轍機(jī)故障狀態(tài)監(jiān)測方法 042
參考文獻(xiàn) 045
第4章  柱塞泵故障診斷實(shí)驗(yàn)及振動(dòng)信號特征提取 047
4.1　柱塞泵故障診斷實(shí)驗(yàn) 047
4.1.1　柱塞泵故障診斷實(shí)驗(yàn)平臺(tái)搭建與數(shù)據(jù)采集 047
4.1.2　柱塞泵典型故障及故障機(jī)理 052
4.1.3　柱塞泵故障診斷實(shí)驗(yàn)設(shè)計(jì) 056
4.2　測點(diǎn)振動(dòng)信號的故障特征參量提取 056
4.2.1　時(shí)頻域特征參量 057
4.2.2　小波能量譜特征提取 063
4.2.3　雙譜特征提取 067
4.3　基于VMD的故障振動(dòng)信號時(shí)頻分析法 070
4.3.1　變分模態(tài)分解VMD  070
4.3.2　VMD分解性能分析 074
4.3.3　VMD重要參數(shù)的選取 078
4.3.4　連續(xù)小波變換CWT  080
4.3.5　二維時(shí)頻特征 081
4.4　改進(jìn)的局部特征尺度分解法 082  
4.4.1　局部特征尺度分解LCD  082
4.4.2　改進(jìn)的局部特征尺度分解DMLCD  084
4.4.3　仿真實(shí)例 085
4.4.4　應(yīng)用實(shí)例 089
4.5　基于ICEEMDAN的故障特征提取 090
4.5.1　自適應(yīng)噪聲的集成經(jīng)驗(yàn)?zāi)B(tài)分解CEEMDAN  090
4.5.2　改進(jìn)的自適應(yīng)噪聲完備集成經(jīng)驗(yàn)?zāi)B(tài)分解ICEEMDAN 091
4.5.3　仿真實(shí)例 092
4.5.4　應(yīng)用實(shí)例 094
4.6　基于精細(xì)復(fù)合多尺度散布熵的故障特征提取 098
4.6.1　灰色關(guān)聯(lián)度 098
4.6.2　散布熵優(yōu)化 099
4.6.3　精細(xì)復(fù)合多尺度散布熵RCMDE  100
4.6.4　應(yīng)用實(shí)例 101
4.7　基于DMLCD與GRCMDE的故障特征提取 103
4.7.1　廣義精細(xì)復(fù)合多尺度散布熵GRCMDE  103
4.7.2　GRCMDE與RCMDE性能對比分析 104
4.7.3　應(yīng)用實(shí)例 105
參考文獻(xiàn) 110
第5章  道岔轉(zhuǎn)轍機(jī)及柱塞泵智能故障診斷 113
5.1　基于改進(jìn)SVM的故障診斷 114
5.1.1　支持向量機(jī)算法原理 114
5.1.2　核參數(shù)優(yōu)化 116
5.1.3　應(yīng)用實(shí)例 121
5.2　基于改進(jìn)KELM的故障診斷 132
5.2.1　極限學(xué)習(xí)機(jī)算法原理 132
5.2.2　核極限學(xué)習(xí)機(jī)算法原理 135
5.2.3　算術(shù)優(yōu)化算法 136
5.2.4　應(yīng)用實(shí)例 138
5.3　基于卷積神經(jīng)網(wǎng)絡(luò)的故障診斷 143
5.3.1　卷積神經(jīng)網(wǎng)絡(luò)模型 143
5.3.2　DSCNN故障診斷 149  
5.3.3　DS-ResNet故障診斷 154
5.3.4　CBAM-ResNet故障診斷 157
5.3.5　CNN-LSTM-Attention故障診斷 164
5.3.6　CNN-GRU故障診斷 171
5.3.7　GCN故障診斷 175
5.3.8　CNN預(yù)訓(xùn)練模型故障診斷 189
參考文獻(xiàn) 200
第6章  基于信息融合的道岔轉(zhuǎn)轍機(jī)故障診斷 204
6.1　信息融合技術(shù) 204
6.1.1　信息融合定義 205
6.1.2　信息融合模型和結(jié)構(gòu) 206
6.1.3　信息融合算法 211
6.1.4　信息融合關(guān)鍵問題 213
6.2　數(shù)據(jù)層信息融合的故障診斷應(yīng)用實(shí)例 214
6.2.1　注意力機(jī)制 214
6.2.2　多通道信號集 215
6.2.3　基于注意力機(jī)制的多通道CNN模型 215
6.3　特征層信息融合的故障診斷應(yīng)用實(shí)例 220
6.3.1　數(shù)據(jù)不平衡處理方法 221
6.3.2　雙向門控循環(huán)單元 223
6.3.3　雙通道特征融合的故障診斷模型 224
6.4　基于決策層信息融合的故障診斷模型 229
6.4.1　D-S證據(jù)理論 230
6.4.2　基于D-S證據(jù)理論的決策層融合診斷 231
參考文獻(xiàn) 237
第7章  基于連續(xù)學(xué)習(xí)的柱塞泵類增量故障診斷 239
7.1　連續(xù)學(xué)習(xí)相關(guān)理論 240
7.1.1　連續(xù)學(xué)習(xí) 240
7.1.2　元學(xué)習(xí) 241
7.1.3　連續(xù)學(xué)習(xí)基模型與WKN  242  
7.2　基于權(quán)重空間元表示的類增量故障診斷方法 243
7.2.1　類增量故障診斷問題設(shè)置 243
7.2.2　改進(jìn)WKN的基模型 243
7.2.3　基于權(quán)重空間元表示的連續(xù)學(xué)習(xí)方法 245
7.2.4　特定于診斷任務(wù)模型的重構(gòu)與集成推理 247
7.3　柱塞泵類增量故障診斷應(yīng)用實(shí)例 249
7.3.1　類增量故障診斷任務(wù)設(shè)置 249
7.3.2　權(quán)重空間元表示實(shí)驗(yàn)結(jié)果分析 252
參考文獻(xiàn) 257
第8章  柱塞泵剩余使用壽命預(yù)測 260
8.1　剩余使用壽命預(yù)測模型 260
8.1.1　多元HI構(gòu)建模塊 261
8.1.2　圖注意力網(wǎng)絡(luò) 262
8.1.3　K 階下三角鄰接矩陣和HI特征圖 264
8.2　應(yīng)用實(shí)例 264
8.2.1　壽命數(shù)據(jù)采集 264
8.2.2　RUL預(yù)測區(qū)間劃分 265
8.2.3　健康指標(biāo)構(gòu)建 266
8.2.4　RUL預(yù)測 267
8.3　不同構(gòu)圖法對GAT預(yù)測模塊的影響 269
8.4　GAT預(yù)測模塊性能評估 270
參考文獻(xiàn) 270
第9章  基于知識圖譜的道岔轉(zhuǎn)轍機(jī)故障診斷系統(tǒng) 272
9.1　知識圖譜相關(guān)技術(shù)理論 272
9.1.1　知識圖譜概述 272
9.1.2　自然語言處理 273
9.1.3　深度學(xué)習(xí) 274
9.2　轉(zhuǎn)轍機(jī)故障診斷領(lǐng)域知識圖譜的構(gòu)建 274
9.2.1　知識圖譜構(gòu)建流程 274
9.2.2　本體構(gòu)建 275
9.2.3　道岔轉(zhuǎn)轍機(jī)故障記錄文本相關(guān)實(shí)體抽取 276
9.2.4　實(shí)體對齊 281
9.2.5　信息拼接 281
9.2.6　知識圖譜可視化 282
9.3　基于知識圖譜的道岔轉(zhuǎn)轍機(jī)故障診斷 283
9.3.1　基于知識圖譜的智能問答 283
9.3.2　基于知識圖譜的故障診斷 288
9.4　道岔轉(zhuǎn)轍機(jī)故障診斷管理系統(tǒng)實(shí)現(xiàn) 288
9.4.1　系統(tǒng)功能需求 288
9.4.2　系統(tǒng)總體構(gòu)架 289
9.4.3　數(shù)據(jù)庫構(gòu)建 289
9.4.4　系統(tǒng)功能實(shí)現(xiàn) 291
參考文獻(xiàn) 296