-
题名融合能量熵编码和分类模型的牵引电机故障诊断
被引量：2
- 1
-
-
作者
张坤鹏
李昊
安春兰
杨辉
张志超
-
机构
华东交通大学电气与自动化工程学院
江西省先进控制与优化重点实验室
轨道交通基础设施性能监测与保障国家重点实验室
北京全路通信信号研究设计院集团有限公司
中国铁道科学研究院集团有限公司机车车辆研究所
-
出处
《铁道学报》
EI
CAS
CSCD
北大核心
2023年第9期64-73,共10页
-
基金
国家自然科学基金(U2034211,62063007)
江西省重点研发计划(20192BBEL50034)
+3 种基金
江西省自然科学基金(20224BAB212021,20232BAB202029)
江西省教育厅项目(GJJ200610)
江西省研究生创新专项资金(YC2022-s527)
中国国家铁路集团有限公司科技研究开发计划(N2022J028)。
-
文摘
针对牵引电机故障特征不明显、识别定位困难等问题,提出一种融合能量熵编码与分类模型的故障特征量化诊断方法。结合故障机理特性,对故障严重程度进行建模,用微弱电流信号重构对故障敏感的电磁转矩信号,建立基于经验模态分解能量熵和故障属性知识编码的故障特征矩阵;为消除牵引电机故障样本少、非线性模式识别对精确诊断的影响,提出一种改进的灰狼优化算法(IGWO)对支持向量机分类SVM模型参数进行辨识,通过对多类故障准确识别率寻优实现对牵引电机状态预测。在高速列车牵引系统半实物仿真平台进行优化模型对比试验,通过对故障诊断指标分析可知,能量熵编码与IGWO-SVM融合方案可以很好地识别牵引电机故障。
-
关键词
高速列车牵引电机
电磁转矩能量熵编码
改进的灰狼优化算法
分类优化模型
多类故障准确识别率
-
Keywords
high-speed train traction motor
electromagnetic torque energy entropy coding
improved grey wolf optimization algorithm
optimization model
fault location identification rate
-
分类号
U264.1
[机械工程—车辆工程]
-
