针对转辙机退化阶段难以划分的问题,提出一种基于多维特征融合的道岔转辙机退化状态识别方法。首先,提取了S700K转辙机退化功率数据的时域、频域、时频域多域特征;其次,通过核主成分分析(Kernel Principal Components Analysis,KPCA)进...针对转辙机退化阶段难以划分的问题,提出一种基于多维特征融合的道岔转辙机退化状态识别方法。首先,提取了S700K转辙机退化功率数据的时域、频域、时频域多域特征;其次,通过核主成分分析(Kernel Principal Components Analysis,KPCA)进行特征融合,获得表征道岔转辙机运行状态的特征向量,构建转辙机退化性能指标;再次,采用K-medoids聚类算法对道岔转辙机性能退化状态进行阶段划分,识别不同的退化状态;最后,选用轮廓系数、分类系数、平均模糊熵对聚类效果进行综合评价,并与模糊C均值聚类(Fuzzy C-Means Clustering,FCM)和古斯塔夫森-凯塞尔(Gustafson Kessel,GK)聚类算法进行比较。研究结果表明,融合特征聚类后的综合评价指标高于单一特征,更能够体现道岔转辙机退化过程中的细节,K-medoids聚类效果明显,模型的准确率达到96.3%,能够对道岔转辙机性能退化阶段进行准确的划分,为铁路现场道岔智能运维提供理论支持。展开更多
In this paper we study the relationship between minimum rank of graph G and the minimum rank of graph for some families of special graph G, where is the jth power of graph G.
文摘In this paper we study the relationship between minimum rank of graph G and the minimum rank of graph for some families of special graph G, where is the jth power of graph G.
