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%。

液压减振器由于具有内部高压、管路封闭及结构复杂等特点,导致其参数可测性差,从而限制了其故障诊断技术的发展。在AMESim中搭建液压减振器仿真模型的基础上,通过分析液压减振器各组成间的功能、零件故障模式及其影响和各功能零部件间的耦合关系,确定映射规则并建立故障现象与底层故障参数集之间的映射,之后对液压减振器的故障知识管理应用、故障模式注入和故障参数集的优化进行了研究。最后通过油液内泄漏故障现象的参数集表达及动态特性分析实例,验证了故障参数集表达方法。

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,...