手机知网 App
24小时专家级知识服务
打 开
铁路运输
基于KPCA-SVM的S700K转辙机故障诊断方法
针对S700K转辙机动作功率曲线非线性特征多样化、复杂化的特点,本文提出一种基于核主成分分析(Kernel principal component analysis,KPCA)和支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,对S700K转辙机的功率曲线进行分析,研究正常曲线变化规律,总结常见故障类型功率曲线的变化现象和故障原因。然后从功率曲线中提取10种时域特征值组成初始特征数据集,用KPCA算法将特征数据映射到高维特征空间中对其进行PCA降维,得到故障样本的非线性主成分。其次,将得到的非线性主成分作为多分类SVM的输入样本进行故障模式识别。采用PSO算法分别对核函数参数和SVM惩罚因子进行优化,提高模型的诊断精度。仿真结果表明,该模型能够有效提取转辙机故障信号的非线性特征,故障诊断精度达到97%,诊断时间较短,适用于准确性、实时性要求更高的提速道岔。
0 241
手机阅读本文
下载APP 手机查看本文
安全与环境学报
网络首发
相似文献
图书推荐
相关工具书

搜 索