高速列车转向架振动信号多重分形特征提取与故障诊断

高速列车转向架关键部件故障会引起列车在运行过程中的振动异常,严重时危机运行安全。为了及时发现转向架故障,提出了一种转向架多重分形联合特征的提取方案,用转向架振动信号的多重分形谱宽、分形维数差、多重分形谱熵、广义维数谱距和广义维数谱均值作为联合特征向量,识别转向架不同状态,从而实现转向架故障诊断。实验表明,转向架监测信号的联合特征向量能够准确识别出列车故障状态,识别率高达92％以上。     

基于分形维数的白细胞图像特征提取研究

为了开发骨髓细胞涂片中白细胞的自动分类及计算机辅助诊断系统,基于分形理论提取了不同类型白细胞的分形维数.首先通过计算原始图像和特征灰度图像的分形维数实现第一次的粗分类提取,然后采用多重分形奇异谱方法进一步完成了细分.识别结果表明,经过两次分类提取获得了较准确的白细胞分类信息,该方法是有效的、可行的.     

基于Z-ordering的多重分形维数及多重分形谱算法

分形维数的高效求解是分形理论应用与实践的关键问题,传统分形维数计算方法由于时空复杂性高已成为当前分形技术应用的一个主要瓶颈。借鉴Z-ordering索引技术的思想,设计并实现了一种改进的多重分形维数计算方法ZBMFD（Z-ordering Based Multifractal dimension Algorithm）,该方法扫描数据集一遍建立底层网格结构,通过动态修改网格坐标编码递推实现低层网格到高层网格之间的动态映射并计算数据集的分形维数。在实际数据集的实验表明算法在保持O（N×logN）时间复杂性的基础上,降低了分形维数算法的空间复杂性,且计算结果精度与已有算法相当,拓广了分形技术在当前高维、海量数据处理等领域的应用。     

基于多重分形和小波变换的声目标信号特征提取

研究了基于关联积分的广义维数谱的定量计算方法,提出了声目标信号的多重分形特征,并对其特征即广义维数谱的有效性进行了分析;同时利用小波变换分析既能反映信号在变换域特性又保留其时域信息的特点,提出基于小波变换的子空间能量及主要能量集中子空间时域信息的特征提取方法,并通过模糊神经网络识别系统对声目标信号的广义维数谱、子空间能量及时域信息的组合特征进行了验证.     

关联维数在高速列车运行状态评估中的应用研究

基于监测数据评估高速列车空气弹簧和横向减振器等关键部件的运行状态,针对车体横向加速度振动信号,本文提出了关联维数的列车状态评估方法,分析了车体横向振动特征,对时域信号进行了频谱分析,并进一步分析了关联维数。为了计算关联维数,需先对信号进行相空间重构,然后求出重构相空间的两个关键参数;用互信息量方法[1]求出最佳延迟时间和用CAO [2]方法求出最佳嵌入维数。通过对监测数据的关联维数分析,证明了该列车在四种不同标准状态下的工况具有明显不同的关联维数特征。因此,按照关联维数的大小,就可诊断出列车可能出现的故障。研究结果表明,关联维数分析方法在设备状态监测与故障诊断中,尤其是在非线性系统的故障诊断中显示出其独特的优势,具有较为广阔的应用前景。     

R2空间上分布数据的多重分形维数谱计算和分形特征提取

近年来多重分形的概念在物理、化学等领域得到了发展和应用 ,在这些领域中 ,这种方法显示出了对于研究物理和化学量的空间分布是很有用的 .多重分形谱的计算是其中重要而又较难处理的问题 .从多重分形的理论出发 ,讨论了在数据处理的实际工作中有广泛应用的二维空间中多重分形谱的计算及分形特征提取的算法 ,介绍了算法的数学原理 ,描述了完整的算法流程 ,并给出了此算法的一个计算实例     

多重分形的振动信号故障特征提取方法研究*

针对非线性振动信号故障特征提取困难的问题,提出一种广义维数均值(MeanDq)联合多重分形谱参数(^a和^f)的特征提取方法。首先分析了振动信号的多重分形特性,然后计算出MeanDq、^a和^f作为故障特征量,并将其应用于滚动轴承故障状态的检测。研究表明：MeanDq、^a和^f能够有效的反映滚动轴承振动信号的状态,并且特征量MeanDq和^a较^f具有更好的灵敏度。实践证明该方法在实际应用中切实可行。     

基于多重分形参量Cq的股票市场分析

对沪深300整体指数及其中相关行业的股票进行多重分形分析,发现股票市场具有多重分形性.其中金融业、运输业、电气业的股票指数波动较小,钢铁业、煤炭业和地产业的股票指数波动较大,土木建筑业、医药业的股票指数波动处于中间位置.分析参量Cq的图像发现每一支股票都有自身的临界点,并且在由Cq构成的三维图像中代表同一行业股票的点比较集中,形成一个簇,从该图中可以看出整个大盘指数与钢铁业、煤炭业和地产业的联系比较紧密.     

基于多重分形的雷达目标的模糊检测

利用多重分形的概念对海杂波和舰船雷达目标回波进行了分析,并提取出其多重分形特征用于舰船目标检测.实验表明,广义维数谱具有良好的可分性和稳定性.在检测中,将待查信号分为两类:海杂波目标和舰船目标,将广义维数谱作为特征矢量,计算其相对于两类目标的隶属度并作出判断.多组检测实验证明了该方法的有效性和实用性.     

二维灰度图像的分形维数计算

分析了当前计算图像分形维数的算法普遍存在对高维数图像计算误差较大且计算量大的缺点。结合计盒维数算法的原理,给出一种新的盒子边界。理论和实验证明,该算法较Chaudhuri和Sarkar给出的经典边界选取在准确性和实时性上都有所改进。     

High-speed train fault detection with unsupervised causality-based feature extraction methods

With the development of smart sensors, large amount of operating data collected from a complex system as a high-speed train providing opportunities in efficient and effective fault detection and diagnosis (FDD). The data brings also challenges in the FDD modelling process, since the various signals may be redundant, useless and noisy for the FDD modelling of a specific sub-system. The data-driven methods suffer also from the curse of dimensionality. Feature dimension reduction can reduce the dimension of the monitoring dataset and eliminate the useless information. Different from the classical methods based on the correlation among variables, recent studies have shown that causality-based methods can make the FDD model more explanatory and robust. From the adjacency matrix of the causal network diagram, three unsupervised causality-based feature extraction methods for FDD in the braking system of a high-speed train are proposed in this paper. By constructing the causal network diagram among the raw monitoring feature variables through the causal discovery algorithm, the proposed methods extract informative features based on the causal adjacency matrix or the full causal adjacency matrix proposed in this work. These methods are adopted for fault detection with real dataset collected from the braking system in a high-speed train to verify their effectiveness. The experimental results show that the proposed causality-based feature extraction methods are effective and have certain advantages in comparison with the classical correlation-based methods. Especially, the feature extraction method based on the correlation matrix constructed from full causal adjacency matrix achieves better and stable results than the benchmark methods in the experiment.     

面向高速列车监测数据的并行解压缩算法

高速列车在运行时产生的实时监测数据通常用变长编码压缩技术进行处理,以便于传输和存储。然而这种方法会使得压缩数据内部结构复杂,导致相应的数据解压缩过程只能遵照压缩数据的组成顺序进行,效率较低。为提升高速列车监测数据的解压缩效率,借助推测技术,提出一种面向高速列车监测数据的并行解压缩算法。首先,研究高速列车监测数据的结构特征,分析影响数据划分的内部依赖;其次,利用推测技术消解内部依赖后,对数据进行试探性划分;然后在分布式计算环境中对划分结果并行地进行解压;最后将并行解压缩结果合并起来,从而提高针对高速列车监测数据的解压缩效率。实验结果表明,在由7个计算节点组成的计算集群上,与串行算法相比,所提推测并行算法的加速比为3左右,展现了该算法良好的性能,可见该算法能够显著提高针对列车监测数据的解压缩效率。     

基于概念格的图像特征数据降维*

高维图像特征数据不利于图像数据挖掘。为了降低图像特征数据维数,提出了基于概念格的降维算法,该算法将图像的HSV颜色特征转换为图像形式背景,再对背景的概念格进行属性约简。实验结果表明,该降维方法比较有效,并且较主成分分析具有明显的优势。     

基于递归广义特征值分解的化工过程监控方法

根据独立元分析理论,提出了一种基于递归广义特征值分解的化工过程监控方法。广义特征值分解理论上等价于盲源分离领域中针对高阶统计量的联合对角化方法,而其递归算法又能很好地收敛至最优解。鉴于基于递归广义特征值分解的真CA方法在发掘数据集中隐含信息方面的优良性能,本文将其引入工业化工过程监控,并详述了具体步骤。在田纳西-伊斯曼过程中的应用验证了其有效性。     

基于小波分析的高速列车车体运行状态估计

基于监测数据评估高速列车空气弹簧和横向减振器等关键部件的运行状态, 针对车体垂向加速度振动信号, 提出了小波包能量矩的列车状态估计方法。首先分析车体垂向振动特征, 对不同工况和不同速度下的信号进行小波包分解, 并重构能量较大的频带信号, 再计算各频带的小波包能量矩特征, 不同频带信号的小波包能量矩变化反映了列车运行状态的改变。将不同频带的小波包能量矩组成特征向量, 最后用支持向量机进行故障识别。实验数据仿真分析表明, 列车空簧失气故障和横向减振器失效故障识别率为100%, 说明该方法能很好地估计出高速列车的故障状态。     

基于区块链的高速铁路监测数据安全存储方案

为解决高速铁路分布存储的监测数据遭受数据恶意篡改、共享困难等问题,提出基于联盟链的去中心化的双链存储模型。采用无线传感器网络和区块链技术构造高速铁路联盟链感知节点分布框架和数据存储联盟链模型,通过数据采集基站共识形成数据区块链。基于数据的属性、哈希值等信息形成具体类型的hash链,便于对同一类监测项目的历史数据进行分析、总结。安全性能分析表明,数据联盟存储链能实现安全、可靠的存储铁路沿线监测数据。     

模块化高速电动车组牵引传动跟踪监测系统

根据高速动车组现场日趋复杂的测试环境对实时监测系统提出的新要求,研制一种多功能、易扩展且便携的牵引传动单元跟踪监测系统。给出基于CPCI总线模块化结构的嵌入式硬件系统设计原理,提出基于LabVIEW软件开发平台实现监测数据在线实时处理、离线分析处理以及人机交互等功能的方法,分析软件中各虚拟仪器的设计及其基于状态机的调度机制,对监测系统中牵引电机输入功率以及不断变化的信号频率的测量算法及其实现方法进行研究。应用结果表明,该系统运行稳定、设置灵活、测量精度高,能为高速动车组的安全运行提供科学保证。     

仿生复眼型多源监测数据融合与专题信息提取

以天地网一体的水利立体监测体系建设,加强智能感知技术应用为背景,借鉴蝇类昆虫复眼的信息采集与处理机制,提出一种仿生复眼型多源监测数据融合与专题信息提取的系统设计模式.通过构建虚拟的"小眼"群汇聚卫星遥感和地面站网多传感器数据/信息,以及模拟大场景(LF)和小场景(SF)生物神经网络的适应性信息处理策略,对汇聚的数据/信...     

结构健康监测系统的数据异常识别

结合机器学习方法对结构健康监测系统采集的原始数据进行初步的自动化分析,以达到降低进一步分析的计算量、提高分析子系统精度的目的.以上海中心和兰州西站监测系统为背景,利用机器学习方法研究数据异常识别问题,优化数据分析预警子系统.使用单变量特征选择提取利于识别的特征向量, 对比分析在结构健康监测中各类支持向量机（Support Vector Machine,SVM）的优劣,组合利用不同SVM的优势减少异常数据的漏报和误报.该方法已被应用于上海中心和兰州西站的结构健康监测系统中.     

基于大数据的智能电网状态远程监测方法

智能电网作为一种智能化电力传输载体,在电力供应环节发挥了重要作用,因此保证其正常运行具有重要的现实意义。当前智能电网状态远程监测多与智能算法相结合,通过智能算法完成状态评估,常见的智能算法有神经网络、决策树以及支持向量机等,但这三种算法应用下,空间复杂度与时间复杂度较大。针对上述问题,提出一种基于大数据的自适应免疫粒子群算法智能电网状态远程监测方法。方法首先利用量测工具对智能电网状态信息量进行采集,然后对采集到的信息量进行处理,包括数据清洗、数据去噪、数据消减、数据标准化,最后利用自适应免疫粒子群算法实现智能电网健康状况评估。结果表明:与神经网络、决策树以及支持向量机三种算法相比,自适应免疫粒子群算法运行下,产生的空间复杂度与时间复杂度最小,分别为247.7 byte和154 s。