液压转辙机油路故障分析和处理

由于液压转辙机油路故障直接影响道岔的运行质量，为解决这一难题对液压转辙机各部油路进行了解剖分析。通过结构分析找出油路故障发生的原因，归纳出故障种类和故障现象，并在此基础上采取了相应的处理措施。还提出了日常维修应注意的事项。     

电液转辙机运用质量分析

随着列车提速越来越快,天津段管内既有线上使用电动型转辙机越来越少,在主要干线、正线上大量使用了电液转辙机作为道岔转换设备。它的启动控制与表示电路简单,启动扭矩大,维护方便,而且还具有高安全、高可靠、长寿命、少维修等特点。笔者作为检修车间工程师,通过日常从电液转辙机组成结构、工作原理、现场调查、所内整修方面综合剖析液压转辙机的运用质量,对转辙机运用的普遍性的问题进行分析,并提出解决方案。     

基于RAMS的轨道交通信号转辙机设备重要度分析

轨道交通行业的迅速发展极大地缓解了城市道路拥挤的问题,为城市的扩容发展和人口分流等方面提供了保障.转辙机设备作为城市轨道交通系统中的关键信号设备,其有效监测维护是整个轨道交通安全运营的基础,因此转辙机设备的智能监测维护应运而生.受限于成本和开发周期,短期内实现转辙机设备的全面智能监测存在困难,因此如何评估转辙机设备各部...     

交流转辙机全电子执行单元监测数据采集功能的实现方案

随着电子执行单元写入计算机联锁技术条件,电子执行单元在铁路干线工程中开始逐渐应用,由于先行的一些信号设备技术条件在编制之初,并未针对电子执行单元这一新型应用制定特定的技术条件内容,使得在具体工程实践时发现全电子执行单元在某些功能方面还有待改进。文章借用具体工程条件下实际应用案例,分析了交流转辙机继电控制电路监测数据采集原理及实施方案,阐述了电子执行单元在交流转辙机监测数据采集的功能需求及实现方案。     

基于STM32的转辙机接点深度低功耗监测系统设计

针对复杂环境下转辙机接点深度测量问题，设计完成一套基于STM32的转辙机接点深度在线监测系统，并对系统软件及硬件接口进行了阐述。通过对系统的软硬件合理配置，开发出基于STM32L071CBT6为主控，SIM800C为发射模块的具备休眠唤醒技术的低功耗物联网系统，并开发完成可视化操作界面。该监测系统克服了既有系统操作复杂，人工值守，手动启动，成本高昂等缺点。系统通过对接点深度异常状态实时报警，提醒人工介入，及时排除设备故障隐患，为铁路运行安全提供有力保障。     

联锁道岔电子控制模块的设计

文中重点研究和分析了道岔电子控制技术，并在此基础上引入了道岔控制执行模块，其可以确保行车安全。继电联锁、计算机联锁等联锁方式，通常都由继电器来实现逻辑控制。文中在传统道岔控制技术的基础上，对现代铁路道岔控制系统的控制技术进行了研究，并对其中的关键技术进行了分析和说明。     

基于IPSO算法优化小波神经网络的转辙机故障诊断

转辙机是铁路上实现道岔转换的重要的设备，其运营、维护工作耗费时间长、故障识别精度不高且存在误判、漏判等问题。针对上述问题，本文基于人工智能、深度学习等新型技术，提出一种新的S700K型转辙机故障识别方法。相较于较传统的Harr或Mexicanhat小波分解，本文首先将微机监测系统采样的转辙机动作功率曲线数据用一种具有紧支撑的正交小波Daubechies波分解与重构，提取8种常见类型故障的特征向量，归一化后作为改进后小波神经网络的输入量；然后采用分类学习粒子群算法优化网络内部的各项权值、阈值等参数，构建IPSO-WNN故障识别模型；最后选取车站监测机数据库中的动作功率曲线对故障识别模型进行网络训练和测试。本文提出的算法对8种常见的转辙机故障识别准确率超过95%,用时仅21 s左右，可以有效地运用于S700K型转辙机的故障识别并提高其精度与速度，为实现转辙机故障识别的预测提供理论支撑。     

基于改进时域多尺度散布熵与支持向量机的转辙机故障诊断

为充分挖掘转辙机振动信号的有效故障信息，提高故障诊断准确率，提出了一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）、改进时域多尺度散布熵（Improved Time-domain Multiscale Dispersion Entropy,TMDE）与粒子群优化算法（Particle Swarm Optimization algorithm,PSO）优化支持向量机（Support Vector Machine,SVM）的故障诊断方法 .首先，通过EEMD方法将不同故障类型的振动信号分解成若干个模态函数（Intrinsic Mode Functions,IMFs）；其次，采用相关系数与峭度的混合筛选准则筛选IMFs并重构信号；再次，应用所提ITMDE算法提取重构信号的多尺度故障特征；最后将得到的特征向量输入经PSO搜索最优参数后的SVM进行训练和测试.实验分类准确率为100%，分析表明所提方法优于传统的多尺度排列熵、多尺度散布熵的故障诊断方法，能精确地识别转辙机故障类型.