列车牵引电机轴承故障特征稀疏在线监测方法

列车牵引电机轴承状态多传感数据无线感知及在线监测技术是确保轨道车辆可靠运行的关键技术之一,现有的方法存在数据量大传输困难及特征小数据监测可视化不明显的问题。为此,提出一种列车牵引电机轴承故障特征稀疏在线监测方法,利用粒子群优化多点最优调整的最小熵解卷积的方法(PSO-MOMED)提取了背景噪声下电机轴承故障特征信号,采用离散余弦变换的压缩感知方法实现电机轴承特征的小数量多传感器采集,基于高阶频率加权能量算子(HFWEO)增强轴承故障特征稀疏可视化,并通过搭建试验台及某线路现场实测验证了所提方法的有效性。实验结果表明,信噪比为-10 dB时,相比传统方法,粒子群优化多点最优调整的最小熵解卷积方法可以更加有效的提取故障特征信号;在压缩率90%的情况下,从牵引电机轴承故障特征稀疏感知信号中能清晰表征轴承故障特征频率成分,有效解决了列车牵引电机轴承状态多传感数据无线感知及在线监测技术难题。     

轨道车辆用L型压电俘能结构发电模型及分析

为了实现轨道车辆走行部传感感知设备的自驱动式供电,针对L型压电俘能结构的发电特性进行建模分析及研究,通过对其安装位置进行受力分析,建立了压电俘能结构发电模型。为了验证验证模型的有效性,利用COMSOL有限元软件搭建了仿真模型,并与理论模型进行对比,结果表明前六阶输出功率相对误差均小于3%,验证了发电模型的正确性。     

基于VMD灰度图像编码和CNN的多传感融合轴承故障诊断

针对滚动轴承振动信号非平稳、非线性且易受噪声干扰的特点,以及单一振动信号对某些轴承故障识别率偏低的问题,提出一种基于变分模态分解(variational mode decomposition, VMD)灰度图像编码和卷积神经网络(convolutional neural networks, CNN)的多传感融合轴承故障诊断方法。首先,采用VMD对驱动端和风扇端振动信号分解,提取各阶本征模态分量与原始信号相关系数最大的分量;其次,将筛选出的本征模态函数(intrinsic mode function, IMF)分量依次排列并转换成灰度图像;最后,设计CNN结构,将训练集输入网络进行训练,测试集验证网络的有效性,实现滚动轴承故障识别。CWRU数据集和西安交通大学XJTU-SY数据集测试准确率分别达到99.90%和100%,结果表明：该方法能够准确识别变工况下轴承故障类别及损伤程度;对原始信号加入高斯噪声后的测试准确率分别达到99.75%和99.90%,证明该方法具有良好的泛化能力和抗噪性能。     

基于CEEMDAN-Hilbert变换的振动信息分解

为了对轴箱振动信息进行有效时频分析,提出利用完备集合经验模态（CEEMDAN）分解对振动信息进行分解,再通过Hilbert变换求其时频谱、边际谱和奇异值,实现振动信息的分析。通过分析钢轨正常和道岔状态轴箱振动信息,实现对钢轨表面状态的判断。结论如下：正常状态的振动频率主要集中在低频,道岔状态高频部分显著增加,且能量幅值峰值约是正常状态的50倍。道岔状态的边际谱和奇异值幅值均大于正常状态,且幅值峰值约是正常状态的3倍和5倍。     

太阳电池显式双二极管模型建立及其参数提取研究

为消除太阳电池双二极管模型中电流与电压的内隐耦合关系,结合线性近似和Lambert W函数推导太阳电池的显式双二极管模型。随后采用改进的教与学优化算法对模型的特征参数进行提取,并利用4种不同类型太阳电池的实测数据对模型的准确性进行验证。结果表明,计算电流值与实测数据有很好地一致性,与文献对比精度更高,说明太阳电池显式双二极管模型对太阳电池的I-V特性曲线具有更高的拟合精度和更好的适应度。     

基于图形逻辑分析的光伏储能系统能量管理方法

考虑现阶段市场普遍采用的峰谷分时阶梯电价机制,该文给出一种基于图形逻辑分析方法,以应用双向逆变器的光伏储能系统用户日用电消费最低为目的创新型能量管理方法。该方法通过分析每日用户用电量与光伏发电量,储能系统状态,结合现行电价与光伏补贴价格,设计光伏储能系统电能的合理流动及控制算法。利用电力公司的用户用电量、光伏发电量数据及上海市实际电价,验证该图形逻辑分析方法的有效性。计算表明在该方法控制下用户日用电消费明显降低;运算速度在相同仿真计算平台下,相比于普通寻优方法显著提高。     

用于便携式轨检小车的轨距及磨耗检测方法

轨道线路的轨距及磨耗检测是保障列车运营安全的一项关键技术,传统的人工检测效率较低,大型轨检车检测及维护成本高,使得在轨道日检维护中缺少有效的设备及方法来满足轨道线路检测需求。为了解决此问题,提出了一种用于便携式轨检小车的轨距及磨耗检测方法。首先,基于光平面方程、机器视觉三维重构理论及相机标定技术构建了激光视觉检测模型及系统标定方法,获取了同一世界坐标系下的轨道左右轨轮廓线三维坐标值点集;其次,利用改进最近点迭代匹配算法,实现测量数据点集与标准钢轨点集匹配,计算得到轨距及磨耗值;最后,搭建测试系统进行实验验证。结果表明,该方法的最大测量偏差小于0.1 mm,能够满足轨道线路日常检修及维护要求,为列车安全运行提供了技术保障。     

两端固支式双晶片压电梁建模及发电特性分析

压电梁能将机械振动转换为电能,有效解决了轨道车辆走行部件安全监测传感器的供电问题。为获取其发电特性,根据小弯曲变形理论建立压电梁的弯矩方程,按照一维压电片应力和电位移方程建立压电梁机电转换数学模型。采用Nelder-Mead单纯形算法实现结构参数优化并分析了压电梁材料、结构参数和振动频率对发电效能的影响规律,通过仿真及实验验证了理论模型的正确性。结果表明：双晶片梁的发电效能随弹性模量比增加而减小;低弹性模量的金属基底构成的压电梁,输出能量较高且共振频率低;压电梁存在最佳厚度比使其发电效能最大,铍铜的最佳厚度比为0.213,锰白铜为0.261。实测值与理论值相比,输出有效电压最大偏差为0.13 V,相对偏差小于2.8%;输出功率最大偏差为0.024 mW,相对偏差小于2.9%。     

复杂环境下弓网接触位置动态监测方法研究

针对高速列车受电弓在经过支架桥洞的复杂环境下检测效率低的问题,文中提出一种复杂环境下弓网接触位置动态监测方法。为了得到原始训练数据集,对受电弓视频采用帧间差抓取。利用深度学习网络PSPNet对图片语义分割出接触线和受电弓,并以此构成具有更明显的弓网接触点的特征数据集。为了得到相对坐标,运用改进的YOLOv4进行训练和检测。结果表明,该方法能有效地在每一帧图像中精确标记出受电弓与接触网的接触点位置,并能够在列车通过支柱架以及桥梁的情况下对受电弓的运动状态进行捕捉并输出相对坐标位置,从而达到对受电弓的监测目的,其精度可达96.8%。     

基于自编码器的零样本扣件检测

基于深度学习的扣件检测需要大量人工标注的扣件图像数据集驱动,然而铁路扣件图像中负样本偏少,不均衡的数据集会使得深度学习模型的泛化能力较差,达不到检测扣件状态的效果.针对该问题,本文提出了一种基于自编码器的零样本扣件检测.首先,使用欠完备自编码器、栈式自编码器和卷积自编码器提取扣件正样本图像特征;然后,通过正样本特征向量与基向量的余弦相似度推断出负样本的分布空间;在检测时将各自编码器算法得出的结果利用多数投票法确定样本属性.实验证明,使用本文方法,在只使用正样本训练的情况下,可以有效地检测出扣件图像的负样本,准确率为95.59％,实现了零样本扣件检测.