基于PSO-LSSVM的牵引供电系统故障诊断研究

张雷

doi:10.13890/j.issn.1000-128x.2019.03.011

您当前的位置：

首页 >

文章列表页 >

基于PSO-LSSVM的牵引供电系统故障诊断研究

研究开发 | 更新时间：2021-12-13

- 基于PSO-LSSVM的牵引供电系统故障诊断研究
- Research on Fault Diagnosis of Traction Power Supply System Based on PSO-LSSVM
- 机车电传动 2019年第3期页码：51-55,59
- 作者机构：
  
  1.广东科贸职业学院　信息与自动化学院，广东　广州　510430
- 作者简介：
  
  张雷（1978—），男，硕士，计算机科学与技术实验师，主要研究方向为软件架构设计。
- 基金信息：
- DOI：10.13890/j.issn.1000-128x.2019.03.011
  中图分类号：
扫描看全文
张雷. 基于PSO-LSSVM的牵引供电系统故障诊断研究[J]. 机车电传动, 2019,(3):51-55,59.

Lei ZHANG. Research on Fault Diagnosis of Traction Power Supply System Based on PSO-LSSVM[J]. Electric Drive for Locomotives, 2019,(3):51-55,59.
张雷. 基于PSO-LSSVM的牵引供电系统故障诊断研究[J]. 机车电传动, 2019,(3):51-55,59. DOI： 10.13890/j.issn.1000-128x.2019.03.011.

Lei ZHANG. Research on Fault Diagnosis of Traction Power Supply System Based on PSO-LSSVM[J]. Electric Drive for Locomotives, 2019,(3):51-55,59. DOI： 10.13890/j.issn.1000-128x.2019.03.011.

摘要

为了提高列车运行稳定性，针对牵引供电系统故障诊断进行研究。根据牵引供电系统工作原理和特性分析故障现象与发生原因，提取用于故障诊断的特征信号；建立基于粒子群优化算法（Particle Swarm Optimization，简称PSO）优化最小二乘支持向量机（Least Squares Support Vector Machine，简称LSSVM）的故障诊断模型，并使用主成分分析（Principal Component Analysis，简称PCA）算法提取数据特征作为故障诊断模型的输入来降低输入维数；使用多种故障诊断模型进行对比分析。研究结果表明：经过PCA算法提取特征的PSO-LSSVM故障诊断模型具有较高的识别效率和识别准确性。

Abstract

In order to improve the stability of train operation, the fault diagnosis of traction power supply system was studied. According to the working principle and characteristics of the train power supply system, the relationship between the fault phenomenon and the origin was analyzed, and the characteristic signals used for fault diagnosis were extracted. A fault diagnosis model based on PSO optimized least squares support vector machine was established, and PCA algorithm was used to extract data characteristics as input of fault diagnosis model, and reduce input dimension. A variety of fault diagnosis models were used for comparative analysis. The research results showed that the PSO-LSSVM fault diagnosis model based on PCA algorithm has high recognition efficiency and accuracy.

关键词

列车供电故障诊断最小二乘支持向量机粒子群优化主成分分析接触网

Keywords

traction power supplyfault diagnosisleast squares support vector machineparticle swarm optimizationprincipal component analysiscatenary

references

马庆文, 金东升, 景莘慧, 等. 基于LabVIEW的噪声计电流数据处理软件设计[J]. 测控技术, 2017, 36(8): 127-130.

段明磊, 肖强, 杨金铨, 等. 客运列车轴温无线报警、监测系统[J]. 测控技术, 2013, 32(5): 21-24.

姚德臣, 贾利民, 秦勇, 等. 基于小波BP神经网络的城轨列车辅助逆变系统故障诊断[J]. 中国工程机械学报, 2013, 11(6): 542-546.

卞笛. 基于T_S模糊神经网络的牵引供电故障诊断专家系统研究[D]. 石家庄: 石家庄铁道大学, 2013.

金亮亮. 基于故障树的航天器故障诊断专家系统研究[D]. 南京: 南京航空航天大学, 2009.

YAO Q, WANG J, ZHANG G G. A fault diagnosis expert system based on aicraft parameters[C]//IEEE. 2015 12th Web Information System and Application Conference. Jinan: IEEE, 2015: 314-317.

高松. 牵引供电系统故障的基于模型诊断方法研究[D]. 成都: 西南交通大学, 2016.

胡笑翔. 智能变电站故障诊断软件设计[D]. 成都: 西南交通大学, 2014.

高松, 刘志刚, 戴晨曦, 等. 牵引供电系统故障的基于模型诊断方法研究[J]. 铁道学报, 2015, 37(9): 38-44.

刘治翔, 谢春雪, 毛君, 等. 空心阴极真空电弧焊接的引弧机理及参数优化[J]. 振动、测试与诊断, 2018, 38(3): 614-618.

毛云龙, 高军伟, 张震, 等. 基于小波包和AGA-LSSVM模型的滚动轴承故障诊断[J]. 测控技术, 2016, 35(12): 49-52.

张芳芳, 张世荣, 程琴. 结合位移检测和LSSVM的电机故障诊断[J]. 河南科技大学学报(自然科学版), 2018, 39(2): 11-16.

钟小凤, 贺德强, 苗剑. 基于PCA-LSSVM的机车走行部滚动轴承故障诊断研究[J]. 广西大学学报(自然科学版), 2014, 39(2): 328-333.

仇军, 王景成. 基于PSO-LSSVM的城市时用水量预测[J]. 控制工程, 2014, 21(2): 232-236.

刘双印, 徐龙琴, 李振波, 等. 基于PCA-MCAFA-LSSVM的养殖水质pH值预测模型[J]. 农业机械学报, 2014, 45(5): 239-246.

仇军. 改进PSO-LSSVM方法在城市时用水量预测中的应用[D]. 上海: 上海交通大学, 2013.

刘博, 万金泉, 黄明智, 等. 基于PCA-LSSVM的厌氧废水处理系统出水VFA在线预测模型[J]. 环境科学学报, 2015, 35(6): 1768-1778.

浏览量

下载量

CSCD

CNKI被引量

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于ICEEMDAN-FE和支持向量机的三电平逆变器的故障诊断技术

高速受电弓弹性元件失效分析与结构优化

基于复合基尼指数和最大相关峭度特征模态分解的轴承故障诊断算法

基于非线性有限元的高速铁路接触网风偏计算

氢能轨道交通的研究现状与发展趋势