基于自适应神经模糊网络的转辙机故障诊断方法

doi:10.13229/j.cnki.jdxbgxb.20220893

摘要/Abstract

摘要：

针对辙机数量众多、工作环境恶劣、诸多因素导致设备故障频率高的问题，为实现对铁路转辙机故障的准确诊断，通过分析研究转辙机运行时产生的振动信号，提出了一种基于动态权重粒子群（DPSO）算法优化自适应神经模糊网络（ANFIS）的转辙机故障诊断方法。首先，利用集合经验模态分解（EEMD）算法将工况振动信号分解为若干本征模态函数（IMFs）并进行筛选；然后，使用改进时域多尺度散布熵（ITMDE）算法对IMFs提取特征熵值，进而输入经优化的ANFIS模型中学习实现故障诊断；最后，与多种诊断模型算法及学习算法进行对比分析。实验结果表明：本文方法可有效诊断转辙机故障，对转辙机故障智能诊断与日后相关研究具有一定参考意义。

关键词: 转辙机, 故障诊断, 动态粒子群算法, 自适应模糊神经网络

Abstract:

The number of railway signal switch machines is large， the working environment is bad， and many factors lead to the high frequency of equipment failure. In order to realize the accurate fault diagnosis of railway switch machine， a fault diagnosis method of switch machine based on dynamic weight particle swarm optimization and adaptive neural fuzzy network is proposed by analyzing the vibration signals generated during the switch machine operation. Firstly， the set empirical mode decomposition algorithm was used to decompose the vibration signals into several intrinsic mode functions and screen them. Then， the improved time-domain multi-scale spread entropy algorithm was used to extract the eigenentropy of IMFs， and then input the optimized ANFIS model to learn the fault diagnosis. Finally， it is compared with a variety of diagnostic model algorithms and learning algorithms. The experimental results show that the proposed method can effectively diagnose the fault of the switch machine， and has certain reference significance for the intelligent fault diagnosis of the switch machine and related research in the future.

Key words: switch machine, fault diagnosis, dynamic particle swarm optimization, adaptive neural fuzzy inference network system

中图分类号:

TP391.5

陈永刚,许继业,王海涌,熊文祥. 基于自适应神经模糊网络的转辙机故障诊断方法[J]. 吉林大学学报(工学版), 2023, 53(11): 3274-3280.

Yong-gang CHEN,Ji-ye XU,Hai-yong WANG,Wen-xiang XIONG. Fault diagnosis method of point machine based on adaptive neural fuzzy inference network system[J]. Journal of Jilin University(Engineering and Technology Edition), 2023, 53(11): 3274-3280.

图/表 11

图1

表1

图2

图3

图4

图5

图6

图7

表2

不同模型诊断结果评价"

模型	$R 2$	$e R M S E$
BP	0.791	0.3257
k-NN	0.882	0.1632
ANFIS	0.957	0.0814

表2

表3

不同学习方法诊断分类结果"

学习算法	迭代次数	迭代时长/s	$e R M S E$
GA	74	13.6	0.2382
Grid	173	31.8	0.1643
PSO	132	24.5	0.1138
DPSO	102	18.3	0.0814

表3

表4

不同数据预处理方法诊断分类结果"

预处理方法	特征提取算法	$e R M S E$
EMD	IMDE	0.2211
EMD	ITMDE	-
EEMD	IMDE	0.0526
EEMD	ITMDE	0.0312

表4

参考文献 10

1	王瑞峰, 陈旺斌. 基于灰色神经网络的S700K转辙机故障诊断方法研究[J]. 铁道学报, 2016, 38(6): 68-72.
	Wang Rui-feng, Chen Wang-bin. Research on fault diagnosis method for S700K switch machine based on grey neural network[J]. Journal of the China Railway Society, 2016,38(6): 68-72.
2	孔令刚, 焦相萌, 陈光武, 等. 基于Mallat小波分解与改进GWO-SVM的转辙机故障诊断[J]. 铁道科学与工程学报, 2020, 17(5): 1070-1079.
	Kong Ling-gang, Jiao Xiang-meng, Chen Guang-wu, et al. Turnout fault diagnosis based on Mallat wavelet decomposition and improved GWO-SVM[J]. Journal of Railway Science and Engineering, 2020, 17(5): 1070-1079.
3	孙迪钢. 基于深度学习的轨道转辙机故障检测系统[D]. 广州: 华南理工大学计算机科学与工程学院, 2018.
	Sun Di-gang. Fault detection system of track switch machine based on deep learning[D]. Guangzhou: School of Computer Science and Engineering, South China University of Technology, 2018.
4	Shao K, Fu W, Tan J, et al. Coordinated approach fusing time-shift multiscale dispersion entropy and vibrational Harris hawks optimization-based SVM for fault diagnosis of rolling bearing[J]. Measurement, 2021, 173(3): 108580.
5	王伯昕, 杨海涛, 王清, 等. 基于补充改进集合经验模态分析法-多尺度排列熵分析桥梁振动信号优化滤波方法[J]. 吉林大学学报: 工学版, 2020, 50(1): 216-226.
	Wang Bo-xin, Yang Hai-tao, Wang Qing, et al. Optimization filtering method for bridge vibration signal analysis based on complementary and improved ensemble empirical mode analysis and multi-scale permutation entropy[J]. Journal of Jilin University (Engineering and Technology Edition), 2020, 50(1): 216-226.
6	王宏志, 王婷婷, 兰淼淼, 等. 基于位置跟踪的机械臂多电机新型滑模控制策略[J/OL]. [2023-09-10]. DOI: 10.13229/j.cnki.jdxbgxb.20220742 . doi: 10.13229/j.cnki.jdxbgxb.20220742
7	李彦瑾, 罗霞. 基于模糊神经网络的混合交通流路阻测算模型[J]. 吉林大学学报: 工学版, 2019, 49(1): 53-59.
	Li Yan-jin, Luo Xia. Calculation model of mixed traffic flow resistance based on fuzzy neural network [J]. Journal of Jilin University (Engineering and Technology Edition), 2019, 49(1): 53-59.
8	张炎亮, 颜健勇. 基于G-DPSO算法的决策树轴承故障诊断方法[J]. 工业工程, 2021, 24(6): 41-47.
	Zhang Yan-liang, Yan Jian-yong. Decision tree bearing fault diagnosis method based on G-DPSO algorithm[J]. Industrial Engineering, 2021, 24(6): 41-47.
9	王志坚, 常雪, 王俊元, 等. 排列熵优化改进变模态分解算法诊断齿轮箱故障[J]. 农业工程学报, 2018, 34(23): 59-66.
	Wang Zhi-jian, Chang Xue, Wang Jun-yuan, et al. Gearbox fault diagnosis based on permutation entropy optimized variational mode decomposition[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(23): 59-66.
10	周怡娜, 董宏丽, 张勇, 等. 基于VMD去噪和散布熵的管道信号特征提取方法[J]. 吉林大学学报: 工学版, 2022, 52(4): 959-969.
	Zhou Yi-na, Dong Hong-li, Zhang Yong, et al. Pipeline signal feature extraction method based on VMD denoising and spread entropy[J]. Journal of Jilin University (Engineering and Technology Edition), 2022, 52(4): 959-969.

相关文章 15

[1]	欧阳丹彤,孙睿,田新亮,高博涵. 基于集合阻塞的不确定系统中传感器选择方法[J]. 吉林大学学报(工学版), 2023, 53(2): 547-554.
[2]	张朝刚,侍中楼,李敏. 基于多状态时间序列预测学习的超精密机床主轴故障诊断仿真[J]. 吉林大学学报(工学版), 2023, 53(11): 3056-3061.
[3]	高文志,王彦军,王欣伟,张攀,李勇,董阳. 基于卷积神经网络的柴油机失火故障实时诊断[J]. 吉林大学学报(工学版), 2022, 52(2): 417-424.
[4]	王进花,胡佳伟,曹洁,黄涛. 基于自适应变分模态分解和集成极限学习机的滚动轴承多故障诊断[J]. 吉林大学学报(工学版), 2022, 52(2): 318-328.
[5]	董绍江,朱朋,裴雪武,李洋,胡小林. 基于子领域自适应的变工况下滚动轴承故障诊断[J]. 吉林大学学报(工学版), 2022, 52(2): 288-295.
[6]	罗巍,卢博,陈菲,马腾. 基于PSO-SVM及时序环节的数控刀架故障诊断方法[J]. 吉林大学学报(工学版), 2022, 52(2): 392-399.
[7]	曹洁,马佳林,黄黛麟,余萍. 一种基于多通道马尔可夫变迁场的故障诊断方法[J]. 吉林大学学报(工学版), 2022, 52(2): 491-496.
[8]	邓飞跃,吕浩洋,顾晓辉,郝如江. 基于轻量化神经网络Shuffle⁃SENet的高速动车组轴箱轴承故障诊断方法[J]. 吉林大学学报(工学版), 2022, 52(2): 474-482.
[9]	张龙,徐天鹏,王朝兵,易剑昱,甄灿壮. 基于卷积门控循环网络的齿轮箱故障诊断[J]. 吉林大学学报(工学版), 2022, 52(2): 368-376.
[10]	陈晓雷,孙永峰,李策,林冬梅. 基于卷积神经网络和双向长短期记忆的稳定抗噪声滚动轴承故障诊断[J]. 吉林大学学报(工学版), 2022, 52(2): 296-309.
[11]	杜先君,贾亮亮. 基于优化堆叠降噪自编码器的滚动轴承故障诊断[J]. 吉林大学学报(工学版), 2022, 52(12): 2827-2838.
[12]	陈菲,杨峥,张志成,罗巍. 面向无标签数据的旋转机械故障诊断方法[J]. 吉林大学学报(工学版), 2022, 52(11): 2514-2522.
[13]	曹洁,何智栋,余萍,王进花. 数据不平衡分布下轴承故障诊断方法[J]. 吉林大学学报(工学版), 2022, 52(11): 2523-2531.
[14]	欧阳丹彤,张必歌,田乃予,张立明. 结合格局检测与局部搜索的故障数据缩减方法[J]. 吉林大学学报(工学版), 2021, 51(6): 2144-2153.
[15]	院老虎,连冬杉,张亮,刘义. 基于密集连接卷积网络和支持向量机的飞行器机械部件故障诊断[J]. 吉林大学学报(工学版), 2021, 51(5): 1635-1641.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

编号	工况描述	数量	时长/s
1	正常工作状态	80	6.5~7.3
2	转换力过小	84	6.6~7.2
3	转换力过大1级	83	6.5~7.5
4	转换力过大2级	79	6.3~7.1
5	固定部件松动	87	6.5~7.5
6	空载	96	6.8~7.7
7	卡异物	90	7.2~8.2
8	卡缺口	86	5.8~6.3