2024年3月10日发(作者：甘丹翠)
第
40
卷第
2
期
2021
年
4
月
文章编号
：
1001
9373(2021
)02
P05/P8
兰州交通大学学报
丘^-
of
Lanzhou
Jiaotoae
Universip
Vol.
40
No.
2
Aps.
2021
DOD
1
0.
3969/j.
isss.
1001
P373.
202
1.42.408
基于改进多尺度排列熵的
S770K
转辙机故障诊断
李政
S
魏文军
1
，
(
.
兰州交通大学自动化与电气工程学院
，
兰州
730272
；
0.
兰州交通大学光电技术与智能控制教育部重点实验室
，兰州
730272
)
摘要:
基于提速道岔
S700K
转辙机故障的功率曲线在频域上的多重特征
，
提出了基于改进多尺度排列熵的多变量支
持向量机
(
structureC
support
vectos
machine,SSVM)故障诊断方法.首先对
S740K
转辙机动作功率曲线进行集合经验模
态分解和小波分解
，
获得两类不同时间尺度的模态分量;再利用改进多尺度排列熵计算不同分量的故障特征参数
，
为
了降低计算维度
，
应用核主元分析理论
，
在不损失信号重要特征的情况下
，
取大于
95%
贡献率的特征值作为故障特征
向量;最后
，
引入基于决策树的
SSVM
算法,经过小样本训练得到树状最优故障间隔面
，
从而实现
S740K
转辙机故障分
类.实验结果表明
：
该方法可有效判定
S740K
转辙机故障类型
，
进而提高故障诊断精度和效率
.
关键
词:铁道工程
;S700K
转辙机故障诊断
；
多尺度排列熵
；
支持向量机;核主元分析
中图分类号:
TP391
；
U298
文献标志码:
A
FauO
Diagnosis
of
S700K
Turnout
Base
on
Impweb
Multi
?cale
Permutation
Entropy
L
i
Zhcia
1
‘
WED
Wep9us
1
^
2
(1.
Schoot
c
7
Automation
anS
EWctUcal
Enaineerina
,
Lanzhou
Jiaotoae
University
,
Lanzhou
739676,
China；
0.
Key
Lagoratom
c
7
Oph-Pecanolooy
anS
Intelligeci
Coatrot
.
Ministra
c
7
Education
,
Lanzhou
Jiaotoae
University
,
Lanzhou
737777
,
China)
Abstrcct
:
BaseC
on
the
multiple
characteysticr
of
the
fan_
powas
carve
of
speeC
raising
S702K
in
the
frecuecco
domain
,2
stmcturey
suupoy
vectos
machine
(SSVM)
fan_
diaanosis
methoU
baseC
on
im
proved
multi
Pcala
permutation
ectrony
is
pronoseC4
FPstly
,
empibcal
moUa
decomposition
(
EE-
MD)
anS
wavelet
decomposition
are
peyomey
on
the
powas
carve
of
the
turnout
to
oUtaiv
two
types
of
moddl
componects
with
dibereci
time
scales.
Thec
,
the
improveC
multi
Pcala
permutation
ectropp
was
useC
to
caWhWta
the
7
u
_
charycteystic
parameters
of
dibereci
componects.
Meanwhile
, in
orUas
to
reCuco
the
caWhlation
dimension
,
the
KPCA
theou
is
anplied
,
and
the
aivenvalues
with
a
contriVution
u
W
greateu
than
95%
are
taOec
as
the
fenlt
eigecvectors
without
losing
impoUagt
features
of
the
signal
.
Finallp,
the
SSVM
algorithm
baseC
on
decision
tree
(
DDAG)
is
introUnceC
,
anS
the
tree
-sUaoeC
ontimal
tnW
intemal
ssUaco
is
oUtaineC
aftau
small
sample
training
,
so
as
io
realize
the
fanlt
classidcation
of
S772K
turnout.
The
npeymeytW
results
show
that
the
methoU
can
eCectivelp
deWrmina
the
feolt
type
of
the
S772K
point
machine
,
therebp
improving
the
acchraco
anS
ePicmnco
of
fanlt
dmanosis.
Key
：
uilway
ecgineering
；
fanlt
diaanosis
of
S772K
turnout;
multipcala
pemutatiok
ectroup
;
sup-
poU
vectos
machines
:
keuel
principal
componect
analysis
S772K
转辙机是实现铁道线路转换的关键机电
设备
，
占
44%
的铁路信号设备故障由
S772K
转辙机
收稿日期
：
2222
-1
96
学报网址
：
http
：
//
Ww.
cbpl.
caSi.
set
作者简介:
李
政
(1794
-
),
男
，
甘肃陇西人
，
硕士研究生
，
主要研究方向为智能故障诊断
•E-mdi
：
1675126526@qq•km•
第
0
期
李政等:基于改进多尺度排列熵的
S700K
转辙机故障诊断
58
引起
，
严重危及行车安全•随着铁路运行密度和行车
(
kernel
p/sciple
cempouevt
analysis
,
KPCA
)
处理;最
速度的提升
，
对
S777K
转辙机故障诊断精度和效率
提出了更高要求•当前
S777K
转辙机故障检修主要
后,基于多变量支持向量机算法实现对
S777K
转辙
机的故障诊断
.
依赖于计划型检修
,
凭人工经验判断故障类型
,
存在
过剩维修
、
劳动效率低以及安全风险大等问题•近年
1
S770K
转辙机功率曲线分析
1-3
动作功率曲线与运行状态的关系
来
，
基于信号集中监测系统实时监测转辙机动作功
率曲线
，
利用信号时序特征的
S700K
转辙机故障检
S777K
转辙机由室内控制电路和室外动作电路
测已成为热点研究方向.
S700
K
转辙机故障诊断可
分为故障信息提取和故障诊断两大步骤
，
在故障信
共同作用完成道岔转换
，
其电机的输出功率
P
和拉
力
F
为
：
息提取方面
，
文献
［
8
］
采用经验模态分解
(
empirical
mo/e
decomposition
,
EMD
)
和小波包分解
(
wavelet
pachet
transform
,
WPT
)
相结合方法
，
将分解分量的
包络特征作为故障信息
，
但原始信号序列经分解后
的包络特征单一
，
影响后续故障分类精度•文献
［
2
］
利用费雷歇距离公式计算各个样本曲线和故障曲线
之间相似度
，
将相似度最大的样本曲线作为故障诊
断的输出
，
但干扰对此种方法的影响大
，
而转辙机运
行受到室外环境的影响,干扰无法避免•在故障诊断
方面
，
文献
［
3
］
根据门限要求
，
通过计算样本集和故
障集的灰关联度来识别故障类型，
但门限值的选择
需要人工经验
，
影响故障诊断率•文献
［
42
.基于卷
积神经网络对不同故障类型进行精确识别
，
缺点是
训练网络参数需要大量的数据
，
而道岔的故障发生
率低
，
收集大量数据的代价较高.文献
［
6
］
提出利用
专家系统建立故障诊断模型
,
但存在现场更新知识
库比较困难
，
实用性差
.
综上所述
,
当前
S777K
转辙机故障诊断具有故
障特征提取不足和小样本分析的特点•在诊断算法
中,支持向量机具有处理小样本
、
非线性故障分类的
独特优势
，
并已成功应用于航空发动机
、
变压器
、
滚
动轴承的故障诊断
［
8
］
•
在特征信息提取中
，
集合经
验模态分解
(
evsemble
empikcal
mode
/ecomposition
,
EEMD
)
分解和小波分解适用于处理非平稳
、
非线性
信号,具有自适应性
、
对局部特征敏感
［
88
］
的优势
.
多尺度排列熵用于表征信号序列的复杂度
，
并已成
功应用于电机轴承
、
列车轴箱等振动信号特征信息
的提取
少
2
8
基于信号集中监测系统中的
S777K
转辙机功
率曲线
，
提出一种融合
EEMD
分解和小波分解的改
进多尺度排列熵故障诊断算法•首先
，
利用
EEMD
分解和小波分解对
S777K
转辙机动作功率曲线进
行分解
，
并以多尺度排列熵建立故障特征集;然后
,
为减少信号冗余
，
将故障特征集进行核主元分析
F
=
9
/厶
。
槡■伴
cos
0
,
(8
)
R
—
p
=
n
槡
3
uieaf
0.
(2)
由式
(1
)
〜
(2
)
可得
,70
0K
转辙机动作功率
和拉力特性关系为
F
P
995
RP
f
(3)
式中:
R
、
t
n
为
S777K
转辙机内置参数
，
分别表征
等效力臂
、
转速和转换效率.由此可得
,S707K
转辙
机动作功率曲线反映其拉力的大小
,
通过分析道岔
在转换过程中
S777K
转辙机动作功率曲线
，
可获取
道岔运行状态及机械性能
.
TJWX
-
2779
型信号集中监测对道岔转换过程
中电流和电压进行实时同步监测
，
通过式
(4
)
实现
转辙机动作功率曲线的采集.图
8
为
S777K
转辙机
正常动作功率曲线
.
P
=
V
［
讥
/
+
=
击
X
n
kk
,
(
4
)
式中分别为
S700K
转辙机动作瞬时电压
、
电流;
T
为
S77
7
K
转辙机动作运行时间;
N
表示采样点个
图
1
S770K
转辙机正常动作功率曲线
Fig.
1
Normal
operatine
power
curve
of
S700K
S777K
转辙机正常动作时间为
6.6
s,
尖轨运
动距离
~220
mm
［
1
6
］
,44
ms
为动作功率曲线的
采样周期.以定位到反位为例
，
按照
S700
K
转辙机
52
兰州交通大学学报
第
44
卷
动作过程
，
其功率曲线可以大致分为以下三部分
：
1
启动和解锁:道岔启动继电器接通
，
同时断
开道岔定位表示电路
，
转辙机电机得电•电机反转带
动齿轮组和摩擦联结器使得滚动丝杠逆时针转动,
动作杆完成解锁状态•因电机属于硬启动
，
此时动作
瞬时功率比较大
.
2
）
转换过程:启动继电器继续接通
，
使得电机
继续带动滚动丝杠逆时针旋转
，
道岔从定位向反位
移动
，
当尖轨移动
222
mm
时完成道岔转换过程
，
此
时
S700K
转辙机功率曲线比较平稳
.
3
）
锁闭
：
因为启动继电器具有缓放特性
，
B
、
C
两相电流和整流堆构成回路
，
同时接通道岔反位表
示电路
，
此时
S770
K
转辙机动作功率曲线出现
“
小
台阶
”
后降为零
.
4.9
典型故障曲线及分析
本文通过对兰州铁路总公司信号集中监测中心
的调研
，
调研了龙泉寺
、
骆驼巷和哈达铺等
6
站的
S770
K
转辙机故障动作功率曲线记录.针对现场真
实故障数据进行分析
，
总结在典型故障动作功率曲
线下的
S770
K
故障类型
，
如图
2
所示
，
对应的转辙
机故障分析如表
4
所示.以图
2
中
5
种典型功率曲
线为例进行算法可行性分析
，并在此基础上对其他
S770
K
转辙机故障类型具有推广性
•
图
2
典型故障功率曲线
Fig.
5
Typicd
fault
powre
cueve
2
基于
EEMD
和小波分解的改进多尺度排
列熵的故障特征提取
2.
5
EEMD
分解
EMD
分解方法是一种自适应频域分解
,
与傅
里叶分解相比不需要基函数•实现形式是每一模态
分量必须满足以下两个条件
：
4
）
极值点个数和过零点个数误差不超过
1
个
.
2
）
上下包络线的均值等于
0
.
通过多次迭代得到不同分辨率的信号分量
，
最
后剩余分量为单调信号或者没有足够极值点时结束
分解
，
如式
（
5
）
所示
.
)
X
)
+
r
”
(
(5
)
a
=
1
t
)
，
第
2
期
李
政等:基于改进多尺度排列熵的
S766
K
转辙机故障诊断
53
式中
lafM
为原信号的第
i
个本征模态分量
；
”
(
)
为剩余分量
.
表
4
S700K
转辙机典型故障分析
Tab.
5
Typicul
fca
analysis
of
S770K
thrdouf
故障类型
(a
)
(b
)
(c)
(d
)
故障特性
故障功率曲线在采样周期内一直为零
在锁闭阶段处于高功率状态
，
电机空转,转换时长变长
在锁闭阶段转辙机动作曲线为零,没有岀现
“
小台阶
”
锁闭阶段功率曲线
“
小台阶
”
比正常曲线高岀一倍左右
道岔启动后,其动作功率在转换阶段下降
故障原因
电源被切断
，
需检查断相保护器断开
尖轨和基本轨之间夹有异物
转辙机整流堆开路
表示回路二极管短路
转辙机密贴尖轨受阻
(e
)
当信号序列极值点不足时
,
经
EMD
分解后存在
模态混合的问题
，
一种模态分量往往存在不同时间
尺度•为解决此问题
,EEMD
分解在进行
EMD
分解
之前
，
加入
"
组不同时间尺度下的正态高斯白噪声,
具体算法流程如图
3
所示
.
图
3
EEMD
分解流程图
Fig.
5
EEMD
decomposition
aowcUare
首先将原始信号
x
()
加入均值为零的"组正态
高斯白噪声
：
X
(
t)
=
X
(t)
+
仏⑺
，
(
6
)
其中
=
1,2
,
…
，
.
然后将
.
组加入高斯白噪声后的信号序列分别
进行
EMD
分解
，
可得各组模态分量
C
a
(
)
和剩余分
量
r,(t)
:
X
(
)
=
a
(
t
)
+
U
(
t)
,
⑺
j
=
X
4
C
其中
：
5
为分解层数
；
=
12
,
…
，
.
最后
,
根据高斯白噪声在时频域上均值为
0
的
特性
，
对各组模态分量进行均值化处理
，
得到最终本
征模态函数分量
(
isstrissCc
mode
fudctiop
,2MF)
:
C,-()
=
：
£
5(
)
，
⑻
其中
：
5
为分解层数
,5
=
1,2
,
…
，
.
2
.
3
小波分解
小波分解对原始信号进行频域分析
，
既有傅里
叶分解局部化的特点
，
又消除了傅里叶分解对频率
变化不敏感
•
定义小波基函数
「
0
(
)
满足的条件是
0
(t)
d
t
=
0
.
(
6
)
小波分解与傅里叶分解相对比
,
将基函数变成
可以伸缩和平移的连续小波函数
：
亿
，
(
”
=
槡
1
a
I
a
,
(10
)
其中
：
a,3
e
R
,
M
0,2
为缩放尺度
,3
为平移尺度
.
基函数缩放尺度对应窗口频率
，
平移尺度对应窗口
时间
，
将其与原始信号不断相乘
,
得到相应尺度下原
始信号的分解分量•小波分解公式如下
：
wr
(
a,
3)
=
-
『
+
8
/
a
I
[
I
-8
*)
(
…
)
—
)
a
)d
t.
(
1
)
S770K
转辙机功率曲线具有突变特性
，
本文选
择满足紧支性和正则性的
Mallci
快速算法作为小波
基
，
其分解算法如公式
(
1
)
所示
.
N
)
=
X
q+
1
(
m
)
h(
m-
2
A
；
)
,
m=0
(
1
)
•0
+
k
)
=
1
m)/i
[
(
m
—
2k
)
.
m=0
X
Cj+
(
式中:
m
为离散采样点,
m
=
1,2
,
…
,
N
；
q()
)
为分
解后的近似分量
；
0()
为细节分量皿
”
、
“
为滤波
器函数;
；
e
Z
.
23
改进多尺度排列熵算法
多尺度排列熵用于分析信号序列的复杂程度,
当信号序列越不规则
，
其排列熵值越大•设时间尺度
为
T
多尺度排列熵算法流程如下
：
)
一维信号序列为
x
()()
=
4
,
2
,
…
,
N
),
对其
进行粗粒化处理
：
54
兰州交通大学学报
第
40
卷
实际应用中嵌入维度
2
的选择决定了计算量和
精准度的大小•文献
［
1
］
中取
5
2
!,
根据采样
式中
：
1
W
j
W
［
M/T,M
为采样点个数
,2
为计算时
序列
M
=
302,
可知
2
取
4.
2.2
故障特征集的建立
间尺度
，
［
M/
t
］
为取整函数
.
2
)
将粗粒化后的信号序列进行排序
,
映射到
T
!
以图
2
中故障
(b
)
为例
，
根据
EEMD
分解
、
小波
分解和改进多尺度排列熵算法
,
建立故障特征集
：
Step1
：
EEMD
分解后的结果如图
5
所示.其中
种排列序号中
，
进而计算多尺度排列熵
：
MPE(x
,2,7n,2)
=
PE(
4
,Tn,2)
.
(14)
其中:
PR(ppmllWtWk
ectroup)
^排列
；
；/PE
(
multi
-
scale
permutation
ectroup
)
为多尺度排列熵值
；
肌
、
、
C
~C
.
为
EEMD
分解分量,
C
5
为剩余分量,并满足
剩余分量为单调信号或者没有足够极值点的终止条
件
4
分别为嵌入维度和时延参数
*
多尺度排列熵在粗粒化过程中存在着明显不
足:
①
当采样点个数减少,随着时间尺度的增加
，
造
成
y；
不足
，
从而影响
mpr
精度;
②
由于粗粒化过程
求均值
，
因此对信号突变不够敏感.针对这些问题
，
对粗粒化过程提出改进多尺度排列熵
(
improveC
multi
-
scale
srmutatiok
entupytMPE
)
,
以
时间尺
度
T
=
3
为例
，
改进示意图如图
4
所示
*
图
4
改进多尺度排列熵示意图
Fig.
2
Schematic
diagrcm
of
imprcvee
multi-
scu
I
c
permutation
entrcpy
1
)
以
(
2
1
,
22
9',
2
1+
t
)
,
(
5
2,
2
9
,
…
，
2
2+
,
)
,
(l
,
2
5
,
…
,2
8
”
)
，
…
，
递增的方式组成不同粗粒化序列,
如式
(17
)
所示
.
.z
J
=
{yJ?
，
…
}
,
T
-1
'
X
2
+
0-1
)
(1
)
;
=
-------------
T
2
)
针对粗粒化结果
，
求取各自
MPR*
MPR(
x
,2
,
m,2)
=
PR
(zJ
,21,8').
(
16
)
3
)
求取
MPR
平均值
.
1
/
mpr
(
x
,2
,
2,
2)
X
PR(
5
3
T
)•
(
1
)
Step2
：
根据小波分解算法
，
对故障动作功率曲
线进行
5
层小波分解,分解结果如图
5
中
0
~
。
5
所
示
4
Step3
:
设置时间延时参数
)
=
1,
计算原始信号
/
及各分解信号的排列熵,从而建立如表
2
所列的特
征集
^
11xl1
4
从上述故障特征集可以看出:单个故障特征集维
数过多
，
存在信号冗余
，
不能作为故障诊断输入信号.
为精简信号特征
，
需要对特征集进行进一步分析
.
2.2
数据降维
KPCA
算法
KPCA
最早是由
P
e
yr
S
ok
［1
6
］
提出的
，
通过线性变
换
，
以信号特征之间的相关性
，
对特征集进行筛选和
排序
,
进而达到信号特征集降维的目的
,
其算法流程
如下:
4
)
令
^
I1xI1
每一列分量为
x
,
9
=
1,2
,
…
，
1,
映
射函数
F,
则映射矩阵为
％
()•
根据式
(1
)
算出协方差矩阵
：
s
=
4
7
-n
)/(x,
-n
)
T
,
(18
)
其中
？
为列向量平均值
.
2
协方差矩阵特征方程为
AV
=
SV
,
(19
)
其中
2
为特征值;
V
为特征向量
.
上式两端同乘映
射矩阵得
A
［
〃(
x
)
V
］
=
%(
x
)
SV
,
_
),2
,
…
，
1
.
(22
)
3
)
特征向量
V
和核矩阵
K
的元素可表示为
：
V
),
(
21
)
K
=
［
%(x
)/(x
)
］
.
(22)
式中
2
为相关系数•将式
(
21
-
(22
(代入式
(22
)
得
NXK/3
=
KKg
NXA
=
K
(23
)
式中,
M
为特征矩阵维度
.
4
)
由上式可得,核矩阵
K
的特征向量即为故障
特征集的特征向量
，
本文选择输入参数较少的径向
第
0
期
李
政等:基于改进多尺度排列熵的
S700K
转辙机故障诊断
55
基核函数为
并计算其累计贡献率
t
：
g
,)
=exp
[
-
||
x
-
y
||
/(2b)
]
.
1.0
(24
)
1.0
-
将
K
矩阵特征值儿
(
=
8,2
,
…
,
8
)
降序排列,
0.5
0.0
0.5
-
0.0
-I
t
=
入
/
入
/
j
=
8
k
=
8
-Z
X
X
P
(
25
)
聯
—
—
-0.5
-1.0
I
------------------
-0.5
-
0
50
100
150
200
-1.0
-
0
50
100150
200
采样点数
/
个
1.0
1.0
采样点数
/
个
5
0.5
0.0
-0.5
0.5
-Z
0.0
-0.5
-1.0
0
50
-1.0
100
150
200
0
1.0
50
100
150
200
采样点数
/
个
1.0
采样点数
/
个
0.5
0.0
0.5
0.0
-0.5
Q
-0.5
-1.0
0
1.0
50
-1.0
100
150
200
0
1.0
50
100150
200
采样点数
/
个
0.5
0.0
采样点数
/
个
0.5
Q
-0.5
卑
Q
0
50
0.0
-0.5
-1.0
100
-1.0
150
200
0
1.0
50
100150
200
采样点数
/
个
1.0
采样点数
/
个
0.5
0.0
0.5
Q
0.0
-0.5
Q
-0.5
-1.0
0
-1.0
50
100
150
200
0
50
100150
200
采样点数
/
个
采样点数
/
个
图
5
故障
(b)EEMD
分解和小波分解结果
Fig.
1
FauiS
(
b)
EEMD
decemposition
and
waveleh
decemposition
resuOs
表
2
故障
(
b)
特征集
Tab.
2
FauiS
(b)
feyturr
seh
数后
，
为了减少实时计算量
，
提高计算速度
，
选用
KPCA
对故障特征集进行降维
，
在不损失信号特征
•-
18
0.
8
熵
5
/
8
0.
05
0. 06
0.
87
0. 02
0.
00
0. 07
2
3
情况下表征故障特征
.
0.
09
0.
05
0.
09
0.
09
0.
05
0.
02
0.
80
-
•-
特征集
^
I8xI8
是表征故障特征的高维相对集参
数
,KPCA
分析先通过核函数将特征集映射到线性
空间
，
然后将特征值和特征向量进行降序排列
，
最后
0.98
0.99
-
•-
-
•-
-
•-
-
•-
-
•-
-
•-
0.99
0.98
0.93
0.75
0.96
0.96
0.59
选用特征值累计贡献率
95
%
以上参数作为新特征
集
疋
J
故障
(b
)
特征集
^
18x18
经
KPCA
降维后
R
为
0.99
0.97
0.73
R
=
[9.
788
7
7.
2
28
8
0.028
0
0.028
0
]
.
(26
)
由式
(26
)
可见
，
故障
(b
)
特征集的降维矩阵
R
在满足不损失信号特征的同时
,
消除了信息冗余
,
大
0
0.43
0.54
2.6
故障特征集
KPCA
分析
提取
S700K
转辙机动作功率曲线故障特征参
大减少了故障诊断计算量
.
56
兰州交通大学学报
第
40
卷
3
基于多变量支持向量机的故障诊断
3
.
3
多变量支持向量机故障诊断
最后求得最优间隔超平面为
/(()
=
w
T
x
+
)=
a
，
〈
x
，
x
〉
+
I.
(34
)
，
=
1
9
)
多变量支持向量机加入了核函数和惩罚变
X
支持向量机建立在结构风险和
VC(vapnik
chervonenkis
)
理论基础上,
VC
维度越高
，
置信度就
量
,
使得其适用于小样本
、
非线性信号序列的模式识
别
[22]
-
本文采用有向无环图
(
DAG
)
法构造多变量支
越低
，
而
KPCA
解决了特征集维数过大的问题.引用
最优间隔分类器实现
SVM
二分类
，在此基础上运用
有向无环图
(
directed
acyclic
graph,DAG
)
方法实现
SVM
多分类问题耳
21
.
持向量机
，
在
5
种
S770K
转辙机故障模式下分类结
构原理如图
6
所示
，
最顶层中
1
和
5
相比较
，
第二层
中
2
和
5
、
、
和
4
相比较
，
依次类推
.
1
以故障
(a)
和故障
(b
)
为例
，
构建一个超平面:
w
T
x
+
)
=
0
.
(27
)
定义故障识别标签为
y,
，
并且故障
(a)
为
+
1
类,
故障
(b
)
为
-
1
类
，
由此可得
：
_
函数间隔如式
(22
)所示
，
其中
，
为特征向量
斤
维数
：
{
r/
i
-
a
=
y
(,)
-
(
w
7
T
x
(,)
+)
)
=I
w
T
x
(
a
+
)
I
,,
2
)
、
,
(
厂二
，
=
mm
1
，
2
r
.
,
…
,
m
几何间隔为
7
，
=
I
wh"
，
+
1
1
=
/'
，
w
w
(29
)
"
II
y
-
y
f
(
)
令函数间隔
7
,
=1
结合式
(22
)
-
(22
),
最优
间隔分类超平面可表述为
：
mm
亍
1
I
w
I
2
,
■s.
9
2
(
1
，
(
W
T
X
(1
，
+
)
)
三
1
,
=
1,2
,
…
，
m.
(
30
2
)
建立目标函数后
，
将每个约束条件乘拉格朗
日乘子
，
得拉格朗日函数
-
.
0(
w,
，
2
)
二亍
I
w
1
2
-
X
=1
a(y(
w
T
x
+)
)
-
1
.
(
91
)
利用拉格朗日的对偶性
，
对式
(91
)
进行对偶问
题求解
：
°
dw
w
=
2
n
w
=
台
X
a
，
yx,
，，
，
*
H
=
O
ng
a
y
=
0
，
(
32
)
.
max
X
=
1
a
，
-
〒
，
/
，
X
丄
1
加入核函数和惩罚变量后
,
对偶问题等价于
：
m
m
，
map
X
，
1
a
一〒
乙
，
X
+
1
aa
yy
〈
x
，
x
〉,
s.
26
W
a
，
W
C,
X
a
y
，
=
2
，
=
1
,
2,
…
，
m
.
，
=
1
(
33
)
DAG
法采用
“
竞争
”
法则
，
对于
C
种类型时
，
决策
树高度为
C
减去
1
，
把易于区分的故障放在上层
,3
隹
以区分的故障放在下层•除叶子结点外
，
当
＞2
时
2
属于
i类
，
否则属于
j
类.相比较"一对一
”
、
''
一
对多”分类器数目减少，
提高了运算速度
.
图
6
DAG
法原理图
Fig.
5
ScUematie
41
x
10111
of
DAG
method
3.9
故障诊断流程
基于改进多尺度排列熵和多变量支持向量机
(
SSVM
)
的
S770K
转辙机故障诊断流程为:在采集
到
S770K
转辙机功率信号序列后
，
根据
EEMD
理论
和小波理论分解各故障模式下的动作功率曲线
，
分
解后的各模态分量体现了故障信号特征.计算各模
态分量的排列熵,从而构成故障特征集•利用核主元
分析实现故障特征集的降维
，
并作为
SSVM
的输入
向量
，
最后实现
S770K
转辙机故障诊断
.
4
实例论证及分析
为了验证该算法的有效性
，
以兰州铁路总公司
信号集中监测存储的龙泉寺
、
骆驼巷和哈达铺等
6
站的
S770
K
转辙机动作功率曲线为基础
，
对故障类
别和数据进行整理后
，
将
5
种故障模式下各随机抽
取
22
组动作功率曲线的历史记录作为实验数据,
10
组数据中前
66
组作为训练样本
，
后
44
组作为
测试样本•故障标签依次设置为
1
、
2
、
3
、
4
、
5,
采用多
第
2
期
李
政等:基于改进多尺度排列熵的
S700K
转辙机故障诊断
57
变量支持向量机算法进行故障诊断
，
经样本集训练
后
,
4
组测试集故障诊断结果如图
7
所示.
测试集
SSVM
预测结果对比
谓
粼
槪
世
*
®
B
图
7
多变量支持向量机故障诊断结果
Fie
・
7
Multi-vvriabie
sppporhne
vector
machine
fauiS
diaenosis
iusp
U
s
从图
7
可以看出,测试集故障诊断率为
971
5%
,
诊断方法
［
J
］
同济大学学报
(
自然科学版
)
，
2718,46
(17)
:
1
760-1665,
证明了该方法的有效性•利用改进多尺度排列熵算
法提取
S700K
转辙机的故障特征值
，
并基于
SSVM
［3
］
赵林海
，
陆桥.基于灰关联的道岔故障诊断方法
［
J
］
.
的诊断算法
，
不仅提高了
S700K
转辙机的故障诊断
率,而且不需要大样本
,
具有一定的实用性
.
铁道学报
,2014
,
6(2
)
：
69-74.
［
4
］
DANIUL
A
,
BAALAMURUGAN
K
M.
A
sovel
approach
to
minimihe
classifier
computaPouel
over/eabs
is
big
/ate
n-
5
结论
8
)
S700K
转辙机发生故障时
，
将其动作功率曲
Wng
searvi
setwor/s
-
J
］
.
Physical
CommunicaPou
*
2020,
42(3)
：
746-754.
［
5
］
李恒
，
张氢
，
秦仙蓉
，
等.基于短时傅里叶变换和卷积
线进行频域分析
,EEMD
分解和小波分解相结合解
神经网络的轴承故障诊断方法
［
J
］
振动与冲击,
2015,7(17)
：
124-138.
决了故障特征不足的问题
.
2
)
利用改进多尺度排列熵建立故障特征集
，
更
［
6
］
张喜
，
杜旭升,刘朝英.车站信号控制设备故障诊断专
加精准的反映故障信息•采用
KPCA
分析对故障特
家系统的研究与实现
［
J
］
铁道学报
,2009,38
(3)
：
43-
49
．
征集进行优化
，
以贡献率为标准
,在不损失故障信息
情况下
,
实现故障特征集的降维
,
提高了故障诊断效
率
.
3
)
基于
SSVM
故障诊断是根据最优分隔面处
［8
］
［
7
］
何刘海
，
吴桂娇
，
王平.基于支持向量机决策树的航空
发动机轴心轨迹识别方法
［
J
］
中国机械工程
,2019
,
30(8
)
：
969-974.
申中杰
，
陈雪峰,何正嘉
，
等.基于相对特征和多变量
支持向量机的滚动轴承剩余寿命预测
［
J
］
机械工程
学报
,
013,42(7
)
：
183-189.
理小样本
、
非线性故障特征向量
，
最终实现
S700K
转辙机故障分类.经测试集数据验证
，
相比较其他分
类方式
,
ssvm
分类方法精度更高
.
［
9
］
易超人.基于支持向量机的电力变压器故障诊断与预
参考文献
：
［
8
］
LEI
M
H,
YANG
P.
Developmevt
of
diaysosis
system
baseV
ou
mixed
proyramming
an/
combisef
extractiou
metho/
for
switch
machisc
［
J
］
.
HyP/)mechaWouics
Engi-
seeOng,
014,42(6)
：
5963.
测研究
［
D
］
.
武汉:武汉理工大学
,
088
［
17
］
陈强强
，戴邵武,戴洪德
，
等
.
滚动轴承故障诊断方法
综述［
J
］
.
仪表技术
,2019(9
)
：
14
［
8
］
孙建.滚动轴承振动故障特征提取与寿命预测研究
［
D
］
.
大连:大连理工大学
,
018.
［
2
］
黄世泽
，
陈威
，
张帆
，
等.基于弗雷歇距离的道岔故障
(下转第
65页)
第
2
期
余晓宁等:基于
Fswr
R-CNN
的接触网吊弦故障检测方法
Pocessino.
Taipei
:
DEE
Computer
Society,201
：
3930
-
39344
65
ina
conveluSonai
setworUs]
C]//(3th
Europeas
Confeu
ence
on
Computes
Vision.
Cham
:
311X00
DternaSonoi
[11
]
CUD
J,WU
Y
P,QID
Y,vt
at.
Defect
Uetection
fou
cSv-
PuUlWUma,
2
01218933.
[
1
]
SIMONYAN
K,ZISSERMAN
A.
Veu
deep
convoluSonol
sau
sUna
based
on
imayc
pucessina
and
deep
Learnina
methoPf
C
]
///roceeCinas
of
the
4th
InteruaSonai
Con
setworUs
for
Wue-scaW
image
recovnidon
[
J
]
.
Computes
Science,201,4(1
)
：
1P
4.
ference
on
Electrical
and
InformaSon
TechsoWpies
fou
Rail
TunspoUation.
Qinodao
：
SpUnoer
Science
and
Busi-
[1
]
HE
K
M,
ZHANG
X
Y,REN
S
Q,vl
at.
Deep
residual
learnina
for
image
recovnidon
[
C
]
/
//roceedinas
of
201
HEE
Conference
on
Computes
Vision
and
Pattern
Rec-
sn
s
Media
DeuWchWnd
GmbH
,2019,244
272
983.
[1
]
HUANG
G,LIU
Z,MAATEN
L
VD,ct
ag
Denselp
con-
sected
conveluSonai
setworUs
[
C
]
/
//roceedinas
of
ths
HEE
Conference
on
Computeu
Vision
and
Pattern
Ree-
ovnition.
Las
Vegas
,
NV
：
IEEE
Puss,
2016
270-773.
[1]
ERTAM
F,AYDID
G.
Data
classificaSon
with
deep
learn-
oanidon.
Los
Alamitos
:
DEE
Computeu
Society
Pres
s
,
2012261-9226.
ina
usina
TensoUlow]
C]//201
Dtersationai
Conference
on
Computeu
Science
and
EnoiseeUno.
AntWye
:
DEE
Pugy201
255
958.
[1
]
REN
S
Q
,
HE
K
M
,
GIRSHICK
R
,ct
al.
Faster
R-CNN
：
WwaUs
real
-time
oPject
detecSon
with
repion
proposal
[1
]
EVERIDGHAM
M,VAN
G
L,WILLIAMS
C
K
Dct
at.
Ths
pascal
visual
oPject
classes
(
VOC
)
chaSenae[J].
setworUs
[
J
].
DEE
Tunsactions
on Pattern
Analysis
and
Machisc
Intelligence
,2017,39(6)
：
1137-115.
DteruaSonai
Joprsai
of
Computeu
Vision,
2014,38(2
)
:
[1
]
GIRSHHK
R.
Fast
R
-CNN
[
C
]/
/IEEE
DtersaSonai
Conference
on
Computes
Vision.
Santiago
:
DEE
Com
303933.
putes
Socimp,201
：
140-148.
(责任编辑:顾桂梅)
[1
]
ZEILER
M
D
,
FERGUS
R.
VisualWina
and
uudersWod-
（
上接第
57
页
）
[1
]
魏文军
，
刘新发.基于
EEMD
多尺度样本熵的
S700K
fou
sok_seaf
Uypamic
process
monitorino
[
J
].
Joprsai
of
转辙机故障诊断
[J
]
中南大学学报
(
自然科学版)
，
2019,
2
0(11
)
27
63-
777
2.
Process
ConWol
,2020,85
(
11
)
：
19-12.
[1
]
SANTI
W
P,SHOFI
A
,
YUNIATI
D
P.
High-dimensional
data
cWssification
based
on
smooth
support
vectou
ma-
chises[J].
Procediv
Computeu
Science,
201,72
(
1)
:
4774844
[20
]
HE
Y
M,ZHAO
H
B,TIAN
J,
cl
at.
Railwae
tursout
fault
diagsosis
based
on
support
vectou
machisc
[
J
].
Ap
plied
Mechasics
&
MyeUbs,
201,
556
-562
:
2263
-
[1
]
MARDNO
M.
A
son-paumetSc
test
for
mdependence
based
on
symbonc
Uypamics
[
J
].
Joursai
of
Economic
Dyeamics
and
Control,2007,31(12
)
2
389-3903.
[1
]
FAN
J,ZHU
Z
ELD
W,ct
at.
Feature
extraction
CuWye
with
improved
permutaSon
entupy
and
its
agplicaSon
is
fault
diagsosis
of
beaUnos
[
J
].
Shoch
and
VibraSon,
201:1-1.
2267.
[21
]
EKER
O
F, KUMAR
U,
CAMCI
F.
SVM
based
diagsos-
[1
]
何攸旻.高速铁路道岔故障诊断方法研究
[D].
北京
：
北京交通大学
,2014.
[1
]
侯大山.基于神经网络的道岔故障预测和诊断
[D
]
3
tbs
on
railwae
tursouts
[
J
].
DtersaSonai
Joursai
of Peu
formaOilim
EnoiseeUno,
201,8(3)
289-298.
[22
]
GUO
Y,LIU
T
W,NA
J,gl
ag
Esvelopc
oUgr
tuckino
北京:北京交通大学
,201.
[1]
WANG
G,XU
T
H,TANG
T,gt
at.
A
Bayesias
setworU
for
fault
detection
is
uonmo
element bearinos
[
J
].
Jour-
moUxi
for
predicSon
of
weather
-related
failures
is
railwae
sai
of
Sound
nd
VibuSon,201
,331
(25
)
2
644-5654.
tursoul
systems
[
J
].
Expert
Systems
with
ApplicaSons
,
201,69:247-256.
[1
]
GUO
L
L
,
WU
P
LOU
S
W
,
cl
at.
A
multi
-Peature
ex-
(责任编辑:顾桂梅)
Wac/on
technique
based
on
pUscipai
componest
anagsis
2024年3月10日发(作者：甘丹翠)
第
40
卷第
2
期
2021
年
4
月
文章编号
：
1001
9373(2021
)02
P05/P8
兰州交通大学学报
丘^-
of
Lanzhou
Jiaotoae
Universip
Vol.
40
No.
2
Aps.
2021
DOD
1
0.
3969/j.
isss.
1001
P373.
202
1.42.408
基于改进多尺度排列熵的
S770K
转辙机故障诊断
李政
S
魏文军
1
，
(
.
兰州交通大学自动化与电气工程学院
，
兰州
730272
；
0.
兰州交通大学光电技术与智能控制教育部重点实验室
，兰州
730272
)
摘要:
基于提速道岔
S700K
转辙机故障的功率曲线在频域上的多重特征
，
提出了基于改进多尺度排列熵的多变量支
持向量机
(
structureC
support
vectos
machine,SSVM)故障诊断方法.首先对
S740K
转辙机动作功率曲线进行集合经验模
态分解和小波分解
，
获得两类不同时间尺度的模态分量;再利用改进多尺度排列熵计算不同分量的故障特征参数
，
为
了降低计算维度
，
应用核主元分析理论
，
在不损失信号重要特征的情况下
，
取大于
95%
贡献率的特征值作为故障特征
向量;最后
，
引入基于决策树的
SSVM
算法,经过小样本训练得到树状最优故障间隔面
，
从而实现
S740K
转辙机故障分
类.实验结果表明
：
该方法可有效判定
S740K
转辙机故障类型
，
进而提高故障诊断精度和效率
.
关键
词:铁道工程
;S700K
转辙机故障诊断
；
多尺度排列熵
；
支持向量机;核主元分析
中图分类号:
TP391
；
U298
文献标志码:
A
FauO
Diagnosis
of
S700K
Turnout
Base
on
Impweb
Multi
?cale
Permutation
Entropy
L
i
Zhcia
1
‘
WED
Wep9us
1
^
2
(1.
Schoot
c
7
Automation
anS
EWctUcal
Enaineerina
,
Lanzhou
Jiaotoae
University
,
Lanzhou
739676,
China；
0.
Key
Lagoratom
c
7
Oph-Pecanolooy
anS
Intelligeci
Coatrot
.
Ministra
c
7
Education
,
Lanzhou
Jiaotoae
University
,
Lanzhou
737777
,
China)
Abstrcct
:
BaseC
on
the
multiple
characteysticr
of
the
fan_
powas
carve
of
speeC
raising
S702K
in
the
frecuecco
domain
,2
stmcturey
suupoy
vectos
machine
(SSVM)
fan_
diaanosis
methoU
baseC
on
im
proved
multi
Pcala
permutation
ectrony
is
pronoseC4
FPstly
,
empibcal
moUa
decomposition
(
EE-
MD)
anS
wavelet
decomposition
are
peyomey
on
the
powas
carve
of
the
turnout
to
oUtaiv
two
types
of
moddl
componects
with
dibereci
time
scales.
Thec
,
the
improveC
multi
Pcala
permutation
ectropp
was
useC
to
caWhWta
the
7
u
_
charycteystic
parameters
of
dibereci
componects.
Meanwhile
, in
orUas
to
reCuco
the
caWhlation
dimension
,
the
KPCA
theou
is
anplied
,
and
the
aivenvalues
with
a
contriVution
u
W
greateu
than
95%
are
taOec
as
the
fenlt
eigecvectors
without
losing
impoUagt
features
of
the
signal
.
Finallp,
the
SSVM
algorithm
baseC
on
decision
tree
(
DDAG)
is
introUnceC
,
anS
the
tree
-sUaoeC
ontimal
tnW
intemal
ssUaco
is
oUtaineC
aftau
small
sample
training
,
so
as
io
realize
the
fanlt
classidcation
of
S772K
turnout.
The
npeymeytW
results
show
that
the
methoU
can
eCectivelp
deWrmina
the
feolt
type
of
the
S772K
point
machine
,
therebp
improving
the
acchraco
anS
ePicmnco
of
fanlt
dmanosis.
Key
：
uilway
ecgineering
；
fanlt
diaanosis
of
S772K
turnout;
multipcala
pemutatiok
ectroup
;
sup-
poU
vectos
machines
:
keuel
principal
componect
analysis
S772K
转辙机是实现铁道线路转换的关键机电
设备
，
占
44%
的铁路信号设备故障由
S772K
转辙机
收稿日期
：
2222
-1
96
学报网址
：
http
：
//
Ww.
cbpl.
caSi.
set
作者简介:
李
政
(1794
-
),
男
，
甘肃陇西人
，
硕士研究生
，
主要研究方向为智能故障诊断
•E-mdi
：
1675126526@qq•km•
第
0
期
李政等:基于改进多尺度排列熵的
S700K
转辙机故障诊断
58
引起
，
严重危及行车安全•随着铁路运行密度和行车
(
kernel
p/sciple
cempouevt
analysis
,
KPCA
)
处理;最
速度的提升
，
对
S777K
转辙机故障诊断精度和效率
提出了更高要求•当前
S777K
转辙机故障检修主要
后,基于多变量支持向量机算法实现对
S777K
转辙
机的故障诊断
.
依赖于计划型检修
,
凭人工经验判断故障类型
,
存在
过剩维修
、
劳动效率低以及安全风险大等问题•近年
1
S770K
转辙机功率曲线分析
1-3
动作功率曲线与运行状态的关系
来
，
基于信号集中监测系统实时监测转辙机动作功
率曲线
，
利用信号时序特征的
S700K
转辙机故障检
S777K
转辙机由室内控制电路和室外动作电路
测已成为热点研究方向.
S700
K
转辙机故障诊断可
分为故障信息提取和故障诊断两大步骤
，
在故障信
共同作用完成道岔转换
，
其电机的输出功率
P
和拉
力
F
为
：
息提取方面
，
文献
［
8
］
采用经验模态分解
(
empirical
mo/e
decomposition
,
EMD
)
和小波包分解
(
wavelet
pachet
transform
,
WPT
)
相结合方法
，
将分解分量的
包络特征作为故障信息
，
但原始信号序列经分解后
的包络特征单一
，
影响后续故障分类精度•文献
［
2
］
利用费雷歇距离公式计算各个样本曲线和故障曲线
之间相似度
，
将相似度最大的样本曲线作为故障诊
断的输出
，
但干扰对此种方法的影响大
，
而转辙机运
行受到室外环境的影响,干扰无法避免•在故障诊断
方面
，
文献
［
3
］
根据门限要求
，
通过计算样本集和故
障集的灰关联度来识别故障类型，
但门限值的选择
需要人工经验
，
影响故障诊断率•文献
［
42
.基于卷
积神经网络对不同故障类型进行精确识别
，
缺点是
训练网络参数需要大量的数据
，
而道岔的故障发生
率低
，
收集大量数据的代价较高.文献
［
6
］
提出利用
专家系统建立故障诊断模型
,
但存在现场更新知识
库比较困难
，
实用性差
.
综上所述
,
当前
S777K
转辙机故障诊断具有故
障特征提取不足和小样本分析的特点•在诊断算法
中,支持向量机具有处理小样本
、
非线性故障分类的
独特优势
，
并已成功应用于航空发动机
、
变压器
、
滚
动轴承的故障诊断
［
8
］
•
在特征信息提取中
，
集合经
验模态分解
(
evsemble
empikcal
mode
/ecomposition
,
EEMD
)
分解和小波分解适用于处理非平稳
、
非线性
信号,具有自适应性
、
对局部特征敏感
［
88
］
的优势
.
多尺度排列熵用于表征信号序列的复杂度
，
并已成
功应用于电机轴承
、
列车轴箱等振动信号特征信息
的提取
少
2
8
基于信号集中监测系统中的
S777K
转辙机功
率曲线
，
提出一种融合
EEMD
分解和小波分解的改
进多尺度排列熵故障诊断算法•首先
，
利用
EEMD
分解和小波分解对
S777K
转辙机动作功率曲线进
行分解
，
并以多尺度排列熵建立故障特征集;然后
,
为减少信号冗余
，
将故障特征集进行核主元分析
F
=
9
/厶
。
槡■伴
cos
0
,
(8
)
R
—
p
=
n
槡
3
uieaf
0.
(2)
由式
(1
)
〜
(2
)
可得
,70
0K
转辙机动作功率
和拉力特性关系为
F
P
995
RP
f
(3)
式中:
R
、
t
n
为
S777K
转辙机内置参数
，
分别表征
等效力臂
、
转速和转换效率.由此可得
,S707K
转辙
机动作功率曲线反映其拉力的大小
,
通过分析道岔
在转换过程中
S777K
转辙机动作功率曲线
，
可获取
道岔运行状态及机械性能
.
TJWX
-
2779
型信号集中监测对道岔转换过程
中电流和电压进行实时同步监测
，
通过式
(4
)
实现
转辙机动作功率曲线的采集.图
8
为
S777K
转辙机
正常动作功率曲线
.
P
=
V
［
讥
/
+
=
击
X
n
kk
,
(
4
)
式中分别为
S700K
转辙机动作瞬时电压
、
电流;
T
为
S77
7
K
转辙机动作运行时间;
N
表示采样点个
图
1
S770K
转辙机正常动作功率曲线
Fig.
1
Normal
operatine
power
curve
of
S700K
S777K
转辙机正常动作时间为
6.6
s,
尖轨运
动距离
~220
mm
［
1
6
］
,44
ms
为动作功率曲线的
采样周期.以定位到反位为例
，
按照
S700
K
转辙机
52
兰州交通大学学报
第
44
卷
动作过程
，
其功率曲线可以大致分为以下三部分
：
1
启动和解锁:道岔启动继电器接通
，
同时断
开道岔定位表示电路
，
转辙机电机得电•电机反转带
动齿轮组和摩擦联结器使得滚动丝杠逆时针转动,
动作杆完成解锁状态•因电机属于硬启动
，
此时动作
瞬时功率比较大
.
2
）
转换过程:启动继电器继续接通
，
使得电机
继续带动滚动丝杠逆时针旋转
，
道岔从定位向反位
移动
，
当尖轨移动
222
mm
时完成道岔转换过程
，
此
时
S700K
转辙机功率曲线比较平稳
.
3
）
锁闭
：
因为启动继电器具有缓放特性
，
B
、
C
两相电流和整流堆构成回路
，
同时接通道岔反位表
示电路
，
此时
S770
K
转辙机动作功率曲线出现
“
小
台阶
”
后降为零
.
4.9
典型故障曲线及分析
本文通过对兰州铁路总公司信号集中监测中心
的调研
，
调研了龙泉寺
、
骆驼巷和哈达铺等
6
站的
S770
K
转辙机故障动作功率曲线记录.针对现场真
实故障数据进行分析
，
总结在典型故障动作功率曲
线下的
S770
K
故障类型
，
如图
2
所示
，
对应的转辙
机故障分析如表
4
所示.以图
2
中
5
种典型功率曲
线为例进行算法可行性分析
，并在此基础上对其他
S770
K
转辙机故障类型具有推广性
•
图
2
典型故障功率曲线
Fig.
5
Typicd
fault
powre
cueve
2
基于
EEMD
和小波分解的改进多尺度排
列熵的故障特征提取
2.
5
EEMD
分解
EMD
分解方法是一种自适应频域分解
,
与傅
里叶分解相比不需要基函数•实现形式是每一模态
分量必须满足以下两个条件
：
4
）
极值点个数和过零点个数误差不超过
1
个
.
2
）
上下包络线的均值等于
0
.
通过多次迭代得到不同分辨率的信号分量
，
最
后剩余分量为单调信号或者没有足够极值点时结束
分解
，
如式
（
5
）
所示
.
)
X
)
+
r
”
(
(5
)
a
=
1
t
)
，
第
2
期
李
政等:基于改进多尺度排列熵的
S766
K
转辙机故障诊断
53
式中
lafM
为原信号的第
i
个本征模态分量
；
”
(
)
为剩余分量
.
表
4
S700K
转辙机典型故障分析
Tab.
5
Typicul
fca
analysis
of
S770K
thrdouf
故障类型
(a
)
(b
)
(c)
(d
)
故障特性
故障功率曲线在采样周期内一直为零
在锁闭阶段处于高功率状态
，
电机空转,转换时长变长
在锁闭阶段转辙机动作曲线为零,没有岀现
“
小台阶
”
锁闭阶段功率曲线
“
小台阶
”
比正常曲线高岀一倍左右
道岔启动后,其动作功率在转换阶段下降
故障原因
电源被切断
，
需检查断相保护器断开
尖轨和基本轨之间夹有异物
转辙机整流堆开路
表示回路二极管短路
转辙机密贴尖轨受阻
(e
)
当信号序列极值点不足时
,
经
EMD
分解后存在
模态混合的问题
，
一种模态分量往往存在不同时间
尺度•为解决此问题
,EEMD
分解在进行
EMD
分解
之前
，
加入
"
组不同时间尺度下的正态高斯白噪声,
具体算法流程如图
3
所示
.
图
3
EEMD
分解流程图
Fig.
5
EEMD
decomposition
aowcUare
首先将原始信号
x
()
加入均值为零的"组正态
高斯白噪声
：
X
(
t)
=
X
(t)
+
仏⑺
，
(
6
)
其中
=
1,2
,
…
，
.
然后将
.
组加入高斯白噪声后的信号序列分别
进行
EMD
分解
，
可得各组模态分量
C
a
(
)
和剩余分
量
r,(t)
:
X
(
)
=
a
(
t
)
+
U
(
t)
,
⑺
j
=
X
4
C
其中
：
5
为分解层数
；
=
12
,
…
，
.
最后
,
根据高斯白噪声在时频域上均值为
0
的
特性
，
对各组模态分量进行均值化处理
，
得到最终本
征模态函数分量
(
isstrissCc
mode
fudctiop
,2MF)
:
C,-()
=
：
£
5(
)
，
⑻
其中
：
5
为分解层数
,5
=
1,2
,
…
，
.
2
.
3
小波分解
小波分解对原始信号进行频域分析
，
既有傅里
叶分解局部化的特点
，
又消除了傅里叶分解对频率
变化不敏感
•
定义小波基函数
「
0
(
)
满足的条件是
0
(t)
d
t
=
0
.
(
6
)
小波分解与傅里叶分解相对比
,
将基函数变成
可以伸缩和平移的连续小波函数
：
亿
，
(
”
=
槡
1
a
I
a
,
(10
)
其中
：
a,3
e
R
,
M
0,2
为缩放尺度
,3
为平移尺度
.
基函数缩放尺度对应窗口频率
，
平移尺度对应窗口
时间
，
将其与原始信号不断相乘
,
得到相应尺度下原
始信号的分解分量•小波分解公式如下
：
wr
(
a,
3)
=
-
『
+
8
/
a
I
[
I
-8
*)
(
…
)
—
)
a
)d
t.
(
1
)
S770K
转辙机功率曲线具有突变特性
，
本文选
择满足紧支性和正则性的
Mallci
快速算法作为小波
基
，
其分解算法如公式
(
1
)
所示
.
N
)
=
X
q+
1
(
m
)
h(
m-
2
A
；
)
,
m=0
(
1
)
•0
+
k
)
=
1
m)/i
[
(
m
—
2k
)
.
m=0
X
Cj+
(
式中:
m
为离散采样点,
m
=
1,2
,
…
,
N
；
q()
)
为分
解后的近似分量
；
0()
为细节分量皿
”
、
“
为滤波
器函数;
；
e
Z
.
23
改进多尺度排列熵算法
多尺度排列熵用于分析信号序列的复杂程度,
当信号序列越不规则
，
其排列熵值越大•设时间尺度
为
T
多尺度排列熵算法流程如下
：
)
一维信号序列为
x
()()
=
4
,
2
,
…
,
N
),
对其
进行粗粒化处理
：
54
兰州交通大学学报
第
40
卷
实际应用中嵌入维度
2
的选择决定了计算量和
精准度的大小•文献
［
1
］
中取
5
2
!,
根据采样
式中
：
1
W
j
W
［
M/T,M
为采样点个数
,2
为计算时
序列
M
=
302,
可知
2
取
4.
2.2
故障特征集的建立
间尺度
，
［
M/
t
］
为取整函数
.
2
)
将粗粒化后的信号序列进行排序
,
映射到
T
!
以图
2
中故障
(b
)
为例
，
根据
EEMD
分解
、
小波
分解和改进多尺度排列熵算法
,
建立故障特征集
：
Step1
：
EEMD
分解后的结果如图
5
所示.其中
种排列序号中
，
进而计算多尺度排列熵
：
MPE(x
,2,7n,2)
=
PE(
4
,Tn,2)
.
(14)
其中:
PR(ppmllWtWk
ectroup)
^排列
；
；/PE
(
multi
-
scale
permutation
ectroup
)
为多尺度排列熵值
；
肌
、
、
C
~C
.
为
EEMD
分解分量,
C
5
为剩余分量,并满足
剩余分量为单调信号或者没有足够极值点的终止条
件
4
分别为嵌入维度和时延参数
*
多尺度排列熵在粗粒化过程中存在着明显不
足:
①
当采样点个数减少,随着时间尺度的增加
，
造
成
y；
不足
，
从而影响
mpr
精度;
②
由于粗粒化过程
求均值
，
因此对信号突变不够敏感.针对这些问题
，
对粗粒化过程提出改进多尺度排列熵
(
improveC
multi
-
scale
srmutatiok
entupytMPE
)
,
以
时间尺
度
T
=
3
为例
，
改进示意图如图
4
所示
*
图
4
改进多尺度排列熵示意图
Fig.
2
Schematic
diagrcm
of
imprcvee
multi-
scu
I
c
permutation
entrcpy
1
)
以
(
2
1
,
22
9',
2
1+
t
)
,
(
5
2,
2
9
,
…
，
2
2+
,
)
,
(l
,
2
5
,
…
,2
8
”
)
，
…
，
递增的方式组成不同粗粒化序列,
如式
(17
)
所示
.
.z
J
=
{yJ?
，
…
}
,
T
-1
'
X
2
+
0-1
)
(1
)
;
=
-------------
T
2
)
针对粗粒化结果
，
求取各自
MPR*
MPR(
x
,2
,
m,2)
=
PR
(zJ
,21,8').
(
16
)
3
)
求取
MPR
平均值
.
1
/
mpr
(
x
,2
,
2,
2)
X
PR(
5
3
T
)•
(
1
)
Step2
：
根据小波分解算法
，
对故障动作功率曲
线进行
5
层小波分解,分解结果如图
5
中
0
~
。
5
所
示
4
Step3
:
设置时间延时参数
)
=
1,
计算原始信号
/
及各分解信号的排列熵,从而建立如表
2
所列的特
征集
^
11xl1
4
从上述故障特征集可以看出:单个故障特征集维
数过多
，
存在信号冗余
，
不能作为故障诊断输入信号.
为精简信号特征
，
需要对特征集进行进一步分析
.
2.2
数据降维
KPCA
算法
KPCA
最早是由
P
e
yr
S
ok
［1
6
］
提出的
，
通过线性变
换
，
以信号特征之间的相关性
，
对特征集进行筛选和
排序
,
进而达到信号特征集降维的目的
,
其算法流程
如下:
4
)
令
^
I1xI1
每一列分量为
x
,
9
=
1,2
,
…
，
1,
映
射函数
F,
则映射矩阵为
％
()•
根据式
(1
)
算出协方差矩阵
：
s
=
4
7
-n
)/(x,
-n
)
T
,
(18
)
其中
？
为列向量平均值
.
2
协方差矩阵特征方程为
AV
=
SV
,
(19
)
其中
2
为特征值;
V
为特征向量
.
上式两端同乘映
射矩阵得
A
［
〃(
x
)
V
］
=
%(
x
)
SV
,
_
),2
,
…
，
1
.
(22
)
3
)
特征向量
V
和核矩阵
K
的元素可表示为
：
V
),
(
21
)
K
=
［
%(x
)/(x
)
］
.
(22)
式中
2
为相关系数•将式
(
21
-
(22
(代入式
(22
)
得
NXK/3
=
KKg
NXA
=
K
(23
)
式中,
M
为特征矩阵维度
.
4
)
由上式可得,核矩阵
K
的特征向量即为故障
特征集的特征向量
，
本文选择输入参数较少的径向
第
0
期
李
政等:基于改进多尺度排列熵的
S700K
转辙机故障诊断
55
基核函数为
并计算其累计贡献率
t
：
g
,)
=exp
[
-
||
x
-
y
||
/(2b)
]
.
1.0
(24
)
1.0
-
将
K
矩阵特征值儿
(
=
8,2
,
…
,
8
)
降序排列,
0.5
0.0
0.5
-
0.0
-I
t
=
入
/
入
/
j
=
8
k
=
8
-Z
X
X
P
(
25
)
聯
—
—
-0.5
-1.0
I
------------------
-0.5
-
0
50
100
150
200
-1.0
-
0
50
100150
200
采样点数
/
个
1.0
1.0
采样点数
/
个
5
0.5
0.0
-0.5
0.5
-Z
0.0
-0.5
-1.0
0
50
-1.0
100
150
200
0
1.0
50
100
150
200
采样点数
/
个
1.0
采样点数
/
个
0.5
0.0
0.5
0.0
-0.5
Q
-0.5
-1.0
0
1.0
50
-1.0
100
150
200
0
1.0
50
100150
200
采样点数
/
个
0.5
0.0
采样点数
/
个
0.5
Q
-0.5
卑
Q
0
50
0.0
-0.5
-1.0
100
-1.0
150
200
0
1.0
50
100150
200
采样点数
/
个
1.0
采样点数
/
个
0.5
0.0
0.5
Q
0.0
-0.5
Q
-0.5
-1.0
0
-1.0
50
100
150
200
0
50
100150
200
采样点数
/
个
采样点数
/
个
图
5
故障
(b)EEMD
分解和小波分解结果
Fig.
1
FauiS
(
b)
EEMD
decemposition
and
waveleh
decemposition
resuOs
表
2
故障
(
b)
特征集
Tab.
2
FauiS
(b)
feyturr
seh
数后
，
为了减少实时计算量
，
提高计算速度
，
选用
KPCA
对故障特征集进行降维
，
在不损失信号特征
•-
18
0.
8
熵
5
/
8
0.
05
0. 06
0.
87
0. 02
0.
00
0. 07
2
3
情况下表征故障特征
.
0.
09
0.
05
0.
09
0.
09
0.
05
0.
02
0.
80
-
•-
特征集
^
I8xI8
是表征故障特征的高维相对集参
数
,KPCA
分析先通过核函数将特征集映射到线性
空间
，
然后将特征值和特征向量进行降序排列
，
最后
0.98
0.99
-
•-
-
•-
-
•-
-
•-
-
•-
-
•-
0.99
0.98
0.93
0.75
0.96
0.96
0.59
选用特征值累计贡献率
95
%
以上参数作为新特征
集
疋
J
故障
(b
)
特征集
^
18x18
经
KPCA
降维后
R
为
0.99
0.97
0.73
R
=
[9.
788
7
7.
2
28
8
0.028
0
0.028
0
]
.
(26
)
由式
(26
)
可见
，
故障
(b
)
特征集的降维矩阵
R
在满足不损失信号特征的同时
,
消除了信息冗余
,
大
0
0.43
0.54
2.6
故障特征集
KPCA
分析
提取
S700K
转辙机动作功率曲线故障特征参
大减少了故障诊断计算量
.
56
兰州交通大学学报
第
40
卷
3
基于多变量支持向量机的故障诊断
3
.
3
多变量支持向量机故障诊断
最后求得最优间隔超平面为
/(()
=
w
T
x
+
)=
a
，
〈
x
，
x
〉
+
I.
(34
)
，
=
1
9
)
多变量支持向量机加入了核函数和惩罚变
X
支持向量机建立在结构风险和
VC(vapnik
chervonenkis
)
理论基础上,
VC
维度越高
，
置信度就
量
,
使得其适用于小样本
、
非线性信号序列的模式识
别
[22]
-
本文采用有向无环图
(
DAG
)
法构造多变量支
越低
，
而
KPCA
解决了特征集维数过大的问题.引用
最优间隔分类器实现
SVM
二分类
，在此基础上运用
有向无环图
(
directed
acyclic
graph,DAG
)
方法实现
SVM
多分类问题耳
21
.
持向量机
，
在
5
种
S770K
转辙机故障模式下分类结
构原理如图
6
所示
，
最顶层中
1
和
5
相比较
，
第二层
中
2
和
5
、
、
和
4
相比较
，
依次类推
.
1
以故障
(a)
和故障
(b
)
为例
，
构建一个超平面:
w
T
x
+
)
=
0
.
(27
)
定义故障识别标签为
y,
，
并且故障
(a)
为
+
1
类,
故障
(b
)
为
-
1
类
，
由此可得
：
_
函数间隔如式
(22
)所示
，
其中
，
为特征向量
斤
维数
：
{
r/
i
-
a
=
y
(,)
-
(
w
7
T
x
(,)
+)
)
=I
w
T
x
(
a
+
)
I
,,
2
)
、
,
(
厂二
，
=
mm
1
，
2
r
.
,
…
,
m
几何间隔为
7
，
=
I
wh"
，
+
1
1
=
/'
，
w
w
(29
)
"
II
y
-
y
f
(
)
令函数间隔
7
,
=1
结合式
(22
)
-
(22
),
最优
间隔分类超平面可表述为
：
mm
亍
1
I
w
I
2
,
■s.
9
2
(
1
，
(
W
T
X
(1
，
+
)
)
三
1
,
=
1,2
,
…
，
m.
(
30
2
)
建立目标函数后
，
将每个约束条件乘拉格朗
日乘子
，
得拉格朗日函数
-
.
0(
w,
，
2
)
二亍
I
w
1
2
-
X
=1
a(y(
w
T
x
+)
)
-
1
.
(
91
)
利用拉格朗日的对偶性
，
对式
(91
)
进行对偶问
题求解
：
°
dw
w
=
2
n
w
=
台
X
a
，
yx,
，，
，
*
H
=
O
ng
a
y
=
0
，
(
32
)
.
max
X
=
1
a
，
-
〒
，
/
，
X
丄
1
加入核函数和惩罚变量后
,
对偶问题等价于
：
m
m
，
map
X
，
1
a
一〒
乙
，
X
+
1
aa
yy
〈
x
，
x
〉,
s.
26
W
a
，
W
C,
X
a
y
，
=
2
，
=
1
,
2,
…
，
m
.
，
=
1
(
33
)
DAG
法采用
“
竞争
”
法则
，
对于
C
种类型时
，
决策
树高度为
C
减去
1
，
把易于区分的故障放在上层
,3
隹
以区分的故障放在下层•除叶子结点外
，
当
＞2
时
2
属于
i类
，
否则属于
j
类.相比较"一对一
”
、
''
一
对多”分类器数目减少，
提高了运算速度
.
图
6
DAG
法原理图
Fig.
5
ScUematie
41
x
10111
of
DAG
method
3.9
故障诊断流程
基于改进多尺度排列熵和多变量支持向量机
(
SSVM
)
的
S770K
转辙机故障诊断流程为:在采集
到
S770K
转辙机功率信号序列后
，
根据
EEMD
理论
和小波理论分解各故障模式下的动作功率曲线
，
分
解后的各模态分量体现了故障信号特征.计算各模
态分量的排列熵,从而构成故障特征集•利用核主元
分析实现故障特征集的降维
，
并作为
SSVM
的输入
向量
，
最后实现
S770K
转辙机故障诊断
.
4
实例论证及分析
为了验证该算法的有效性
，
以兰州铁路总公司
信号集中监测存储的龙泉寺
、
骆驼巷和哈达铺等
6
站的
S770
K
转辙机动作功率曲线为基础
，
对故障类
别和数据进行整理后
，
将
5
种故障模式下各随机抽
取
22
组动作功率曲线的历史记录作为实验数据,
10
组数据中前
66
组作为训练样本
，
后
44
组作为
测试样本•故障标签依次设置为
1
、
2
、
3
、
4
、
5,
采用多
第
2
期
李
政等:基于改进多尺度排列熵的
S700K
转辙机故障诊断
57
变量支持向量机算法进行故障诊断
，
经样本集训练
后
,
4
组测试集故障诊断结果如图
7
所示.
测试集
SSVM
预测结果对比
谓
粼
槪
世
*
®
B
图
7
多变量支持向量机故障诊断结果
Fie
・
7
Multi-vvriabie
sppporhne
vector
machine
fauiS
diaenosis
iusp
U
s
从图
7
可以看出,测试集故障诊断率为
971
5%
,
诊断方法
［
J
］
同济大学学报
(
自然科学版
)
，
2718,46
(17)
:
1
760-1665,
证明了该方法的有效性•利用改进多尺度排列熵算
法提取
S700K
转辙机的故障特征值
，
并基于
SSVM
［3
］
赵林海
，
陆桥.基于灰关联的道岔故障诊断方法
［
J
］
.
的诊断算法
，
不仅提高了
S700K
转辙机的故障诊断
率,而且不需要大样本
,
具有一定的实用性
.
铁道学报
,2014
,
6(2
)
：
69-74.
［
4
］
DANIUL
A
,
BAALAMURUGAN
K
M.
A
sovel
approach
to
minimihe
classifier
computaPouel
over/eabs
is
big
/ate
n-
5
结论
8
)
S700K
转辙机发生故障时
，
将其动作功率曲
Wng
searvi
setwor/s
-
J
］
.
Physical
CommunicaPou
*
2020,
42(3)
：
746-754.
［
5
］
李恒
，
张氢
，
秦仙蓉
，
等.基于短时傅里叶变换和卷积
线进行频域分析
,EEMD
分解和小波分解相结合解
神经网络的轴承故障诊断方法
［
J
］
振动与冲击,
2015,7(17)
：
124-138.
决了故障特征不足的问题
.
2
)
利用改进多尺度排列熵建立故障特征集
，
更
［
6
］
张喜
，
杜旭升,刘朝英.车站信号控制设备故障诊断专
加精准的反映故障信息•采用
KPCA
分析对故障特
家系统的研究与实现
［
J
］
铁道学报
,2009,38
(3)
：
43-
49
．
征集进行优化
，
以贡献率为标准
,在不损失故障信息
情况下
,
实现故障特征集的降维
,
提高了故障诊断效
率
.
3
)
基于
SSVM
故障诊断是根据最优分隔面处
［8
］
［
7
］
何刘海
，
吴桂娇
，
王平.基于支持向量机决策树的航空
发动机轴心轨迹识别方法
［
J
］
中国机械工程
,2019
,
30(8
)
：
969-974.
申中杰
，
陈雪峰,何正嘉
，
等.基于相对特征和多变量
支持向量机的滚动轴承剩余寿命预测
［
J
］
机械工程
学报
,
013,42(7
)
：
183-189.
理小样本
、
非线性故障特征向量
，
最终实现
S700K
转辙机故障分类.经测试集数据验证
，
相比较其他分
类方式
,
ssvm
分类方法精度更高
.
［
9
］
易超人.基于支持向量机的电力变压器故障诊断与预
参考文献
：
［
8
］
LEI
M
H,
YANG
P.
Developmevt
of
diaysosis
system
baseV
ou
mixed
proyramming
an/
combisef
extractiou
metho/
for
switch
machisc
［
J
］
.
HyP/)mechaWouics
Engi-
seeOng,
014,42(6)
：
5963.
测研究
［
D
］
.
武汉:武汉理工大学
,
088
［
17
］
陈强强
，戴邵武,戴洪德
，
等
.
滚动轴承故障诊断方法
综述［
J
］
.
仪表技术
,2019(9
)
：
14
［
8
］
孙建.滚动轴承振动故障特征提取与寿命预测研究
［
D
］
.
大连:大连理工大学
,
018.
［
2
］
黄世泽
，
陈威
，
张帆
，
等.基于弗雷歇距离的道岔故障
(下转第
65页)
第
2
期
余晓宁等:基于
Fswr
R-CNN
的接触网吊弦故障检测方法
Pocessino.
Taipei
:
DEE
Computer
Society,201
：
3930
-
39344
65
ina
conveluSonai
setworUs]
C]//(3th
Europeas
Confeu
ence
on
Computes
Vision.
Cham
:
311X00
DternaSonoi
[11
]
CUD
J,WU
Y
P,QID
Y,vt
at.
Defect
Uetection
fou
cSv-
PuUlWUma,
2
01218933.
[
1
]
SIMONYAN
K,ZISSERMAN
A.
Veu
deep
convoluSonol
sau
sUna
based
on
imayc
pucessina
and
deep
Learnina
methoPf
C
]
///roceeCinas
of
the
4th
InteruaSonai
Con
setworUs
for
Wue-scaW
image
recovnidon
[
J
]
.
Computes
Science,201,4(1
)
：
1P
4.
ference
on
Electrical
and
InformaSon
TechsoWpies
fou
Rail
TunspoUation.
Qinodao
：
SpUnoer
Science
and
Busi-
[1
]
HE
K
M,
ZHANG
X
Y,REN
S
Q,vl
at.
Deep
residual
learnina
for
image
recovnidon
[
C
]
/
//roceedinas
of
201
HEE
Conference
on
Computes
Vision
and
Pattern
Rec-
sn
s
Media
DeuWchWnd
GmbH
,2019,244
272
983.
[1
]
HUANG
G,LIU
Z,MAATEN
L
VD,ct
ag
Denselp
con-
sected
conveluSonai
setworUs
[
C
]
/
//roceedinas
of
ths
HEE
Conference
on
Computeu
Vision
and
Pattern
Ree-
ovnition.
Las
Vegas
,
NV
：
IEEE
Puss,
2016
270-773.
[1]
ERTAM
F,AYDID
G.
Data
classificaSon
with
deep
learn-
oanidon.
Los
Alamitos
:
DEE
Computeu
Society
Pres
s
,
2012261-9226.
ina
usina
TensoUlow]
C]//201
Dtersationai
Conference
on
Computeu
Science
and
EnoiseeUno.
AntWye
:
DEE
Pugy201
255
958.
[1
]
REN
S
Q
,
HE
K
M
,
GIRSHICK
R
,ct
al.
Faster
R-CNN
：
WwaUs
real
-time
oPject
detecSon
with
repion
proposal
[1
]
EVERIDGHAM
M,VAN
G
L,WILLIAMS
C
K
Dct
at.
Ths
pascal
visual
oPject
classes
(
VOC
)
chaSenae[J].
setworUs
[
J
].
DEE
Tunsactions
on Pattern
Analysis
and
Machisc
Intelligence
,2017,39(6)
：
1137-115.
DteruaSonai
Joprsai
of
Computeu
Vision,
2014,38(2
)
:
[1
]
GIRSHHK
R.
Fast
R
-CNN
[
C
]/
/IEEE
DtersaSonai
Conference
on
Computes
Vision.
Santiago
:
DEE
Com
303933.
putes
Socimp,201
：
140-148.
(责任编辑:顾桂梅)
[1
]
ZEILER
M
D
,
FERGUS
R.
VisualWina
and
uudersWod-
（
上接第
57
页
）
[1
]
魏文军
，
刘新发.基于
EEMD
多尺度样本熵的
S700K
fou
sok_seaf
Uypamic
process
monitorino
[
J
].
Joprsai
of
转辙机故障诊断
[J
]
中南大学学报
(
自然科学版)
，
2019,
2
0(11
)
27
63-
777
2.
Process
ConWol
,2020,85
(
11
)
：
19-12.
[1
]
SANTI
W
P,SHOFI
A
,
YUNIATI
D
P.
High-dimensional
data
cWssification
based
on
smooth
support
vectou
ma-
chises[J].
Procediv
Computeu
Science,
201,72
(
1)
:
4774844
[20
]
HE
Y
M,ZHAO
H
B,TIAN
J,
cl
at.
Railwae
tursout
fault
diagsosis
based
on
support
vectou
machisc
[
J
].
Ap
plied
Mechasics
&
MyeUbs,
201,
556
-562
:
2263
-
[1
]
MARDNO
M.
A
son-paumetSc
test
for
mdependence
based
on
symbonc
Uypamics
[
J
].
Joursai
of
Economic
Dyeamics
and
Control,2007,31(12
)
2
389-3903.
[1
]
FAN
J,ZHU
Z
ELD
W,ct
at.
Feature
extraction
CuWye
with
improved
permutaSon
entupy
and
its
agplicaSon
is
fault
diagsosis
of
beaUnos
[
J
].
Shoch
and
VibraSon,
201:1-1.
2267.
[21
]
EKER
O
F, KUMAR
U,
CAMCI
F.
SVM
based
diagsos-
[1
]
何攸旻.高速铁路道岔故障诊断方法研究
[D].
北京
：
北京交通大学
,2014.
[1
]
侯大山.基于神经网络的道岔故障预测和诊断
[D
]
3
tbs
on
railwae
tursouts
[
J
].
DtersaSonai
Joursai
of Peu
formaOilim
EnoiseeUno,
201,8(3)
289-298.
[22
]
GUO
Y,LIU
T
W,NA
J,gl
ag
Esvelopc
oUgr
tuckino
北京:北京交通大学
,201.
[1]
WANG
G,XU
T
H,TANG
T,gt
at.
A
Bayesias
setworU
for
fault
detection
is
uonmo
element bearinos
[
J
].
Jour-
moUxi
for
predicSon
of
weather
-related
failures
is
railwae
sai
of
Sound
nd
VibuSon,201
,331
(25
)
2
644-5654.
tursoul
systems
[
J
].
Expert
Systems
with
ApplicaSons
,
201,69:247-256.
[1
]
GUO
L
L
,
WU
P
LOU
S
W
,
cl
at.
A
multi
-Peature
ex-
(责任编辑:顾桂梅)
Wac/on
technique
based
on
pUscipai
componest
anagsis