基于波形特征提取和FA-Grid SVM的MVB故障诊断

杜晓敏; 王立德; 李召召; 宋辉

doi:10.13890/j.issn.1000-128x.2020.02.015

您当前的位置：

首页 >

文章列表页 >

基于波形特征提取和FA-Grid SVM的MVB故障诊断

研究开发 | 更新时间：2021-12-10

- 基于波形特征提取和FA-Grid SVM的MVB故障诊断
- MVB Fault Diagnosis Based on Waveform Feature Extraction and FA-Grid SVM
- 机车电传动 2020年第2期页码：71-74,80
- 作者机构：
  
  1.北京交通大学　电气工程学院，北京　100044
- 作者简介：
  
  杜晓敏（1995—）女，硕士研究生，研究方向为列车通信网络故障诊断。
- 基金信息：
  
  北京市自然科学基金项目(L171009)
- DOI：10.13890/j.issn.1000-128x.2020.02.015
  中图分类号：
扫描看全文
杜晓敏, 王立德, 李召召, 等. 基于波形特征提取和FA-Grid SVM的MVB故障诊断[J]. 机车电传动, 2020,(2):71-74,80.

Xiaomin DU, Lide WANG, Zhaozhao LI, et al. MVB Fault Diagnosis Based on Waveform Feature Extraction and FA-Grid SVM[J]. Electric Drive for Locomotives, 2020,(2):71-74,80.
杜晓敏, 王立德, 李召召, 等. 基于波形特征提取和FA-Grid SVM的MVB故障诊断[J]. 机车电传动, 2020,(2):71-74,80. DOI： 10.13890/j.issn.1000-128x.2020.02.015.

Xiaomin DU, Lide WANG, Zhaozhao LI, et al. MVB Fault Diagnosis Based on Waveform Feature Extraction and FA-Grid SVM[J]. Electric Drive for Locomotives, 2020,(2):71-74,80. DOI： 10.13890/j.issn.1000-128x.2020.02.015.

摘要

列车通信网络的故障诊断一直是列车健康管理的难点，文章针对列车MVB（多功能车辆总线）网络，提出了一种基于波形特征提取和联合萤火虫网格寻优支持向量机(FA-Grid Support Vector Machines, FA-Grid SVM)相结合的故障诊断方法。通过提取MVB总线物理波形的时域特征，作为支持向量机的样本，构建MVB故障数据集；基于SVM较优参数点基本集中于同一区域这一现象，提出FA-Grid两步寻优的参数优化模型。试验结果表明，与传统网格寻优和遗传算法（GA）相比，提出的FA-Grid寻优模型时间复杂度低，分类效率高，能够准确地对MVB故障进行诊断。

Abstract

The fault diagnosis of train communication network has always been achallenge in train health management. A fault diagnosis method based on waveform feature extraction and FA-Grid SVM for multi-function vehicle bus(MVB) was proposed. The time-domain features were extracted from physical waveform of the MVB bus and used as inputs of SVM which construct MVB fault dataset. Due to the concentration of optimal parameters of SVM, a two-step parameter optimization method based on FA-Grid was provided. Experimental results show that compared with traditional grid optimization and genetic algorithm (GA), the proposed FA-Grid optimization model has lower complexity and higher efficiency and could accurately diagnose MVB faults.

关键词

MVB网络故障诊断波形特征提取FA-Grid SVM列车通信

Keywords

MVB networkfault diagnosiswaveform feature extractionFA-Grid SVMtrain communication

references

聂晓波, 王立德, 申萍. 轨道车辆MVB网络实时性能分析与优化研究[J]. 铁道学报, 2011, 33(9): 40-44.

季高, 张峰, 张士文. 基于多功能车辆总线的地铁车辆远程监测系统研究[J]. 城市轨道交通研究, 2019, 22(6): 99-103.

李召召, 王立德, 岳川, 等. 基于MKLSVM的MVB端接故障诊断[J]. 北京交通大学学报, 2019, 43(2): 100-106.

LEI Y, XIE H B, YUAN Y, et al. Fault location for the intermittent connection problems on CAN networks[J]. IEEE transactions on Industrial Electronics, 2015, 62(11): 7203-7213.

郝建新, 贾春宇. 基于SVM与改进D-S理论电路板故障诊断算法[J]. 现代电子技术, 2019, 42(22): 15-20.

张文雅, 雨强, 韩华, 等. 基于交叉验证网格寻优支持向量机的产品销售预测[J]. 计算机系统应用, 2019, 28(5): 1-9.

YANG S X. Firefly algorithm, stochastic test functions and design optimisation[J]. International Journal of Bio-Inspired Computation, 2010, 2(2): 78-84.

王奉涛, 刘晓飞, 敦泊森, 等. 基于萤火虫优化的核自动编码器在中介轴承故障诊断中的应用[J]. 机械工程学报, 2019, 55(7): 58-64.

田梦楚, 薄煜明, 陈志敏, 等. 萤火虫算法智能优化粒子滤波[J]. 自动化学报, 2016, 42(1): 89-97.

何大伟, 彭靖波, 胡金海, 等. 基于改进FOA优化的CS-SVM轴承故障诊断研究[J]. 振动与冲击, 2018, 37(18): 108-114.

时培明, 梁凯, 赵娜, 等. 基于分形维数和GA-SVM的风电机组齿轮箱轴承故障诊断[J]. 计量学报, 2018, 39(1): 61-65.

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

列车MVB总线故障注入方法研究

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

氢能轨道交通的研究现状与发展趋势

基于ICEEMDAN-FE和支持向量机的三电平逆变器的故障诊断技术

基于ICEEMDAN-MPE-RF和SVM的齿轮箱特征提取与故障诊断