经典聚类算法在机车异常轴温诊断应用中存在判别阈值参经验化设定与漏判率、误判率较高的问题。利用机车轴温测点的关联性、异常温升特征分布特点,提出一种基于Kmeans-DBSCAN融合聚类的轴承异常温升诊断模型。首先将轴承异常温升的诊断转化为多组关联序列中少数持续离群子序列的检测问题,再根据温度序列特征空间分布位置和局部密度差异性,通过Kmeans-BSCAN融合聚类分离出离群子序列,并实现了DBSCAN邻域判别阈值参数的自适应选取。基于某型机车履历数据的实例验证结果发现该模型对异常温升诊断的准确率达100%,与Kmeans算法保持一致,比DBSCAN算法提高22.4%;误报率低至0.5%,比Kmeans算法降低18.5%,比DBSCAN算法降低12%。

轴承温度实时监控和预测是保障高速列车安全运行的重要手段。GM(1,1)模型具有建模样本量小、计算效率和精度高等优点,适用于轴温的实时预测。但在基于GM(1,1)模型的轴温预测中存在两个问题1.用于建模的轴温监测数据是离散整型,平滑性欠佳,导致预测精度不高;2.由于GM(1,1)模型在本质上是指数函数,具有单调性,导致在轴温升降趋势变化的拐点处预测误差较大。为此,提出一种基于灰色二次回归的轴温实时预测模型首先将采集到的轴温数据进行迭代三次的滑动平均处理,再将GM(1,1)模型和二次多项式进行融合重构,并采用最小二乘法求取重构后模型的参数值。应用该模型对某高速列车的后序5分钟轴温进行实时预测,结果表明在轴温先升后降、先降后升和连续波动的样本中该模型比GM(1,1)模型的预测误差分布更集中且数值更小;在不同通道类型的连续波动样本中,...

聚合经验模态分解和基于变量预测模型的模式识别的结合是一种有效的机械故障诊断方法。针对该方法在高速列车故障诊断时存在小样本方法不适用和识别率较低等不足,首先采用滑窗逐步回归法对基于变量预测模型进行了适应性改进,再利用样本间的关联性和连续性,将相邻样本纳入模式识别,并进行样本平滑性处理,从而有效提高了故障诊断识别率。实验分析结果表明,改进方法降低了对样本量的需求,故障识别率提高了20%以上。