铁路道岔转辙机故障诊断技术

第1章 绪论 001
1.1　铁路道岔转辙机故障诊断研究背景及意义 001
1.2　铁路道岔转辙机故障诊断技术研究进展 002
1.2.1　基于解析模型的方法 002
1.2.2　基于信号处理的方法 002
1.2.3　基于人工智能的方法 003
1.3　铁路道岔转辙机故障诊断存在的问题与发展方向 003
参考文献 004 第2章 道岔转辙机及关键部件 007
2.1　相关概念 007
2.1.1　道岔 007
2.1.2　液压道岔 007
2.2　道岔基本结构 007
2.3　转辙机基本结构及原理 008
2.3.1　基本结构 008
2.3.2　外锁闭装置工作原理 010
2.3.3　液压系统工作原理 011
2.4　柱塞泵基本结构及原理 012
参考文献 014 第3章 转辙机故障诊断实验及油压信号特征提取 015
3.1　转辙机工作过程原理分析 015
3.1.1　道岔转辙机敏感参数分析 015
3.1.2　道岔转辙机工作过程油压信号分析 016
3.2　非现场道岔转辙机故障模拟实验 017
3.2.1　道岔转辙机故障模拟实验平台介绍 017
3.2.2　模拟故障设计 017
3.2.3　转辙机油压数据采集 018
3.2.4　转辙机故障油压信号分析 019
3.3　基于改进集成经验模态分解的转辙机故障特征提取 021
3.3.1　经验模态分解算法原理 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图像的转辙机特征提取 035
3.4.1　ITD分解算法原理 035
3.4.2　SDP基本原理 035
3.4.3　图像特征提取 036
3.5　道岔转辙机故障状态监测 037
3.5.1　道岔转辙机故障状态监测算法 038
3.5.2　基于AOA-XGBoost道岔转辙机故障状态监测方法 042
参考文献 045 第4章 柱塞泵故障诊断实验及振动信号特征提取 047
4.1　柱塞泵故障诊断实验 047
4.1.1　柱塞泵故障诊断实验平台搭建与数据采集 047
4.1.2　柱塞泵典型故障及故障机理 052
4.1.3　柱塞泵故障诊断实验设计 056
4.2　测点振动信号的故障特征参量提取 056
4.2.1　时频域特征参量 057
4.2.2　小波能量谱特征提取 063
4.2.3　双谱特征提取 067
4.3　基于VMD的故障振动信号时频分析法 070
4.3.1　变分模态分解VMD 070
4.3.2　VMD分解性能分析 074
4.3.3　VMD重要参数的选取 078
4.3.4　连续小波变换CWT 080
4.3.5　二维时频特征 081
4.4　改进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　改进的局部特征尺度分解DMLCD 084
4.4.3　仿真实例 085
4.4.4　应用实例 089
4.5　基于ICEEMDAN的故障特征提取 090
4.5.1　自适应噪声的集成经验模态分解CEEMDAN 090
4.5.2　改进的自适应噪声完备集成经验模态分解ICEEMDAN 091
4.5.3　仿真实例 092
4.5.4　应用实例 094
4.6　基于精细复合多尺度散布熵的故障特征提取 098
4.6.1　灰色关联度 098
4.6.2　散布熵优化 099
4.6.3　精细复合多尺度散布熵RCMDE 100
4.6.4　应用实例 101
4.7　基于DMLCD与GRCMDE的故障特征提取 103
4.7.1　广义精细复合多尺度散布熵GRCMDE 103
4.7.2　GRCMDE与RCMDE性能对比分析 104
4.7.3　应用实例 105
参考文献 110 第5章 道岔转辙机及柱塞泵智能故障诊断 113
5.1　基于改进SVM的故障诊断 114
5.1.1　支持向量机算法原理 114
5.1.2　核参数优化 116
5.1.3　应用实例 121
5.2　基于改进KELM的故障诊断 132
5.2.1　极限学习机算法原理 132
5.2.2　核极限学习机算法原理 135
5.2.3　算术优化算法 136
5.2.4　应用实例 138
5.3　基于卷积神经网络的故障诊断 143
5.3.1　卷积神经网络模型 143
5.3.2　DSCNN故障诊断 149
5.3.3　DS-ResNet故障诊断 154
5.3.4　CBAM-ResNet故障诊断 157
5.3.5　CNN-LSTM-Attention故障诊断 164
5.3.6　CNN-GRU故障诊断 171
5.3.7　GCN故障诊断 175
5.3.8　CNN预训练模型故障诊断 189
参考文献 200 第6章 基于信息融合的道岔转辙机故障诊断 204
6.1　信息融合技术 204
6.1.1　信息融合定义 205
6.1.2　信息融合模型和结构 206
6.1.3　信息融合算法 211
6.1.4　信息融合关键问题 213
6.2　数据层信息融合的故障诊断应用实例 214
6.2.1　注意力机制 214
6.2.2　多通道信号集 215
6.2.3　基于注意力机制的多通道CNN模型 215
6.3　特征层信息融合的故障诊断应用实例 220
6.3.1　数据不平衡处理方法 221
6.3.2　双向门控循环单元 223
6.3.3　双通道特征融合的故障诊断模型 224
6.4　基于决策层信息融合的故障诊断模型 229
6.4.1　D-S证据理论 230
6.4.2　基于D-S证据理论的决策层融合诊断 231
参考文献 237 第7章 基于连续学习的柱塞泵类增量故障诊断 239
7.1　连续学习相关理论 240
7.1.1　连续学习 240
7.1.2　元学习 241
7.1.3　连续学习基模型与WKN 242
7.2　基于权重空间元表示的类增量故障诊断方法 243
7.2.1　类增量故障诊断问题设置 243
7.2.2　改进WKN的基模型 243
7.2.3　基于权重空间元表示的连续学习方法 245
7.2.4　特定于诊断任务模型的重构与集成推理 247
7.3　柱塞泵类增量故障诊断应用实例 249
7.3.1　类增量故障诊断任务设置 249
7.3.2　权重空间元表示实验结果分析 252
参考文献 257 第8章 柱塞泵剩余使用寿命预测 260
8.1　剩余使用寿命预测模型 260
8.1.1　多元HI构建模块 261
8.1.2　图注意力网络 262
8.1.3　K 阶下三角邻接矩阵和HI特征图 264
8.2　应用实例 264
8.2.1　寿命数据采集 264
8.2.2　RUL预测区间划分 265
8.2.3　健康指标构建 266
8.2.4　RUL预测 267
8.3　不同构图法对GAT预测模块的影响 269
8.4　GAT预测模块性能评估 270
参考文献 270 第9章 基于知识图谱的道岔转辙机故障诊断系统 272
9.1　知识图谱相关技术理论 272
9.1.1　知识图谱概述 272
9.1.2　自然语言处理 273
9.1.3　深度学习 274
9.2　转辙机故障诊断领域知识图谱的构建 274
9.2.1　知识图谱构建流程 274
9.2.2　本体构建 275
9.2.3　道岔转辙机故障记录文本相关实体抽取 276
9.2.4　实体对齐 281
9.2.5　信息拼接 281
9.2.6　知识图谱可视化 282
9.3　基于知识图谱的道岔转辙机故障诊断 283
9.3.1　基于知识图谱的智能问答 283
9.3.2　基于知识图谱的故障诊断 288
9.4　道岔转辙机故障诊断管理系统实现 288
9.4.1　系统功能需求 288
9.4.2　系统总体构架 289
9.4.3　数据库构建 289
9.4.4　系统功能实现 291
参考文献 296