鐵路道岔轉(zhuǎn)轍機故障診斷技術(shù)

第1章  緒論 001
1.1　鐵路道岔轉(zhuǎn)轍機故障診斷研究背景及意義 001
1.2　鐵路道岔轉(zhuǎn)轍機故障診斷技術(shù)研究進展 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)轍機故障診斷存在的問題與發(fā)展方向 003
參考文獻 004
第2章  道岔轉(zhuǎn)轍機及關(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 014
第3章  轉(zhuǎn)轍機故障診斷實驗及油壓信號特征提取 015
3.1　轉(zhuǎn)轍機工作過程原理分析 015
3.1.1　道岔轉(zhuǎn)轍機敏感參數(shù)分析 015
3.1.2　道岔轉(zhuǎn)轍機工作過程油壓信號分析 016
3.2　非現(xiàn)場道岔轉(zhuǎn)轍機故障模擬實驗 017
3.2.1　道岔轉(zhuǎn)轍機故障模擬實驗平臺介紹 017
3.2.2　模擬故障設計 017
3.2.3　轉(zhuǎn)轍機油壓數(shù)據(jù)采集 018
3.2.4　轉(zhuǎn)轍機故障油壓信號分析 019
3.3　基于改進集成經(jīng)驗模態(tài)分解的轉(zhuǎn)轍機故障特征提取 021
3.3.1　經(jīng)驗模態(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)轍機故障狀態(tài)監(jiān)測 037
3.5.1　道岔轉(zhuǎn)轍機故障狀態(tài)監(jiān)測算法 038
3.5.2　基于AOA-XGBoost道岔轉(zhuǎn)轍機故障狀態(tài)監(jiān)測方法 042
參考文獻 045
第4章  柱塞泵故障診斷實驗及振動信號特征提取 047
4.1　柱塞泵故障診斷實驗 047
4.1.1　柱塞泵故障診斷實驗平臺搭建與數(shù)據(jù)采集 047
4.1.2　柱塞泵典型故障及故障機理 052
4.1.3　柱塞泵故障診斷實驗設計 056
4.2　測點振動信號的故障特征參量提取 056
4.2.1　時頻域特征參量 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的故障振動信號時頻分析法 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　二維時頻特征 081
4.4　改進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　改進的局部特征尺度分解DMLCD  084
4.4.3　仿真實例 085
4.4.4　應用實例 089
4.5　基于ICEEMDAN的故障特征提取 090
4.5.1　自適應噪聲的集成經(jīng)驗模態(tài)分解CEEMDAN  090
4.5.2　改進的自適應噪聲完備集成經(jīng)驗模態(tài)分解ICEEMDAN 091
4.5.3　仿真實例 092
4.5.4　應用實例 094
4.6　基于精細復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　精細復合多尺度散布熵RCMDE  100
4.6.4　應用實例 101
4.7　基于DMLCD與GRCMDE的故障特征提取 103
4.7.1　廣義精細復合多尺度散布熵GRCMDE  103
4.7.2　GRCMDE與RCMDE性能對比分析 104
4.7.3　應用實例 105
參考文獻 110
第5章  道岔轉(zhuǎn)轍機及柱塞泵智能故障診斷 113
5.1　基于改進SVM的故障診斷 114
5.1.1　支持向量機算法原理 114
5.1.2　核參數(shù)優(yōu)化 116
5.1.3　應用實例 121
5.2　基于改進KELM的故障診斷 132
5.2.1　極限學習機算法原理 132
5.2.2　核極限學習機算法原理 135
5.2.3　算術(shù)優(yōu)化算法 136
5.2.4　應用實例 138
5.3　基于卷積神經(jīng)網(wǎng)絡的故障診斷 143
5.3.1　卷積神經(jīng)網(wǎng)絡模型 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預訓練模型故障診斷 189
參考文獻 200
第6章  基于信息融合的道岔轉(zhuǎn)轍機故障診斷 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用實例 214
6.2.1　注意力機制 214
6.2.2　多通道信號集 215
6.2.3　基于注意力機制的多通道CNN模型 215
6.3　特征層信息融合的故障診斷應用實例 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 237
第7章  基于連續(xù)學習的柱塞泵類增量故障診斷 239
7.1　連續(xù)學習相關(guān)理論 240
7.1.1　連續(xù)學習 240
7.1.2　元學習 241
7.1.3　連續(xù)學習基模型與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置 243
7.2.2　改進WKN的基模型 243
7.2.3　基于權(quán)重空間元表示的連續(xù)學習方法 245
7.2.4　特定于診斷任務模型的重構(gòu)與集成推理 247
7.3　柱塞泵類增量故障診斷應用實例 249
7.3.1　類增量故障診斷任務設置 249
7.3.2　權(quán)重空間元表示實驗結(jié)果分析 252
參考文獻 257
第8章  柱塞泵剩余使用壽命預測 260
8.1　剩余使用壽命預測模型 260
8.1.1　多元HI構(gòu)建模塊 261
8.1.2　圖注意力網(wǎng)絡 262
8.1.3　K 階下三角鄰接矩陣和HI特征圖 264
8.2　應用實例 264
8.2.1　壽命數(shù)據(jù)采集 264
8.2.2　RUL預測區(qū)間劃分 265
8.2.3　健康指標構(gòu)建 266
8.2.4　RUL預測 267
8.3　不同構(gòu)圖法對GAT預測模塊的影響 269
8.4　GAT預測模塊性能評估 270
參考文獻 270
第9章  基于知識圖譜的道岔轉(zhuǎn)轍機故障診斷系統(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　深度學習 274
9.2　轉(zhuǎn)轍機故障診斷領(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)轍機故障記錄文本相關(guān)實體抽取 276
9.2.4　實體對齊 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)轍機故障診斷管理系統(tǒng)實現(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)功能實現(xiàn) 291
參考文獻 296