详情

原文传递基于CEEMD的转辙机健康状态评估与故障预测研究

论文题名：	基于CEEMD的转辙机健康状态评估与故障预测研究
关键词：	转辙机;互补式聚合经验模态分解;健康状态评估;极限学习机;故障预测
摘要：	近些年，我国高速铁路迅速发展，运营总里程已稳居全球首位，2021年通过的“十四五”规划中指出，预计截至2025年，我国将新建高速铁路1.2万公里，届时还将会实现高速铁路网对50万人口以上城市覆盖率达到95%以上，普速铁路瓶颈路段基本消除等宏伟目标。未来，我国铁路将会向着快捷通畅、经济高效、绿色环保、智能先进的方向发展。高速铁路快速发展对的同时，如何保证铁路设备长时间高效运行是当前亟待解决的难题。转辙机作为铁路信号控制系统中最主要的装置之一，其工作状况的正常与否直接关系到铁路的安全运营，因此，转辙机的日常维护就变得尤为重要。现如今，铁路行车密度大，速度高，传统的维修方式工作量大、效率低，难以满足当前高速铁路高效运行的需求。道岔系统是铁路现场故障的高发区，而转辙机作为道岔系统重要设备是铁路系统工电结合部重点关注的设备之一，因此本文针对如何提高转辙机的维修效率、减少和规避事故发生风险等问题做了初步的研究，主要研究内容如下：　　(1)选取S700K型转辙机作为本文的研究对象，以包含信息最多的功率数据为基础，分析转辙机基本结构、工作原理以及6种典型故障成因；　　(2)采用互补式聚合经验模态分解(ComplementaryEnsembleEmpiricalModeDecomposition,CEEMD)方法对转辙机正常动作和6典型故障功率数据进行预处理，提取各固有模态函数(IntrinsicModeFunction,IMF)分量的小波能谱熵；　　(3)通过核主元分析(KPCA)方法，将特征数据降至1维，构建转辙机退化性能指标，根据其变化趋势，结合模糊C均值聚类(FuzzyC-means,FCM)分析结果，对转辙机健康状态进行划分，为进一步检验状态划分的合理性，从每种状态的样本数据里随机选取一组数据，与标准功率曲线进行对比，确定最终的健康状态划分结果，并按照健康状态给出相应的检修等级；　　(4)建立基于隐半马尔科夫(HiddenSemiMarkovModel,HSMM)的转辙机健康状态评估模型，将获得的转辙机各种状态的样本数据作为输入，训练HSMM模型，建立转辙机全状态HSMM模型库，实现转辙机的健康状态评估；　　(5)为了提高转辙机的维修效率，节约维修成本，提出了一种基于改进极限学习机(ExtremeLearningMachine,ELM)的转辙机故障预测方法，利用自适应鲸鱼优化算法(AdaptiveWhaleOptimizationAlgorithm,AWOA)对ELM预测模型的权值和阈值进行全局寻优，以获得最优的预测模型，实现对转辙机故障趋势的预测，并最终实现转辙机的“预防”维修。用Matlab软件对提出的方法进行实例分析，选取均方误差和决定系数作为评价指标，与传统ELM模型进行对比，并进一步探究了神经元个数对预测结果精度的影响。实例分析证明改进的ELM模型均方误差更接近于0，决定系数更接近于1，并且相比于传统ELM模型有着更低的误判率、更高的预测精度和更好的稳定性。
作者：	王萌萌
专业：	交通运输工程
导师：	刘伯鸿;李强
授予学位：	硕士
授予学位单位：	兰州交通大学
学位年度：	2022