[发明专利]一种多特征融合的道岔智能故障诊断方法及系统和设备

权利要求书

1.一种多特征融合的道岔智能故障诊断方法，其特征在于，所述方法包括如下步骤：

(1)采集道岔电液转辙机的油压信号数据；

(2)利用MEEMD方法对采集到的油压信号数据进行分解处理，得到一系列不同时间尺度的本征模态函数IMF，引入相关系数法，筛选出真实反映原始油压信号的IMF分量，并计算其样本熵、能量熵，然后通过核主成分分析法对所得的信息熵进行特征融合，将所得结果构建道岔故障诊断特征数据集；

(3)结合构建的道岔故障诊断特征数据集样本，采用天牛须搜索算法BAS和差分进化算法DE优化支持向量机SVM，建立改进SVM道岔故障诊断模型；

(4)采用构建的改进SVM道岔故障诊断模型对道岔的不同运行状态进行识别分类，得出道岔故障诊断结果。

2.根据权利要求1所述的多特征融合的道岔智能故障诊断方法，其特征在于，所述步骤(1)中油压信号数据的采集是通过设置在转辙机内部的启动油缸的左、右油腔上的油压检测传感器实现。

3.根据权利要求1所述的多特征融合的道岔智能故障诊断方法，其特征在于，所述步骤(2)中MEEMD方法对油压信号数据的分解过程为：

式中，x(t)表示油压原始数据，c_k(t)表示第i个信号的第j阶IMF分量，r(t)表示残余信号。

4.根据权利要求3所述的多特征融合的道岔智能故障诊断方法，其特征在于，所述步骤(2)中MEEMD方法对油压信号数据的分解步骤包括：

A1.在原始信号x(t)中加入两组振幅和标准差相等且方向相反的白噪声n_i(t)；

式中，a_i表示第i个白噪声的标准差；

A2.利用EEMD分解和每个噪声信号得到Ne个IMF分量；

式中，表示第i个信号的第j阶IMF分量。

A3.求解第i个信号的第j阶IMF分量的平均值，记作c_j(t)，将和取平均，即

A4.对计算得到的c_j(t)进行EMD分解，最终得到：

5.根据权利要求4所述的多特征融合的道岔智能故障诊断方法，其特征在于，所述步骤(2)中通过引入相关系数法，筛选出与原始信号的相关系数大于0.1的IMF分量，并计算其样本熵、能量熵；

其中，样本熵的计算公式为：

式中，B^m(r)、B^m+1(r)分别表示m维与m+1维数据的样本最大绝对差值小于等于相似容限度r的数目；

能量熵的计算公式为：

式中，P_i表示含义为第i阶IMF分量的能量占总能量的比重。

6.根据权利要求5所述的多特征融合的道岔智能故障诊断方法，其特征在于，所述步骤(2)中核主成分分析法对所得的信息熵进行特征融合的具体步骤为：

B1.选择核函数K；

B2.计算核函数矩阵：

K_i，j＝K(x_i，x_j)，i，j＝1，2，…，n

B3.对核函数矩阵进行规范化处理：

K′←K-I_nK-KI_n+I_nKI_n

B4.计算核函数矩阵K′的特征值λ_i和特征向量α：

[λ，γ]＝eig(K)

λ＝(λ₁，λ₂，…，λ_n)

α＝[α₁，α₂，…，α_n]

B5.计算特征值λ_i对应的贡献率，然后归一化处理：

B6.将原始信号x_i投影到特征向量α上，实现k个主成分的提取：

式中，表示第k个主成分，表示投影后的矩阵。