城市軌道交通-外文翻譯

大連科技學院2022屆本科畢業(yè)設(shè)計（論文）外文翻譯大連科技學院畢業(yè)設(shè)計(論文)外文翻譯學院交通運輸學院專業(yè)班級軌道交通信號與控制18-1班學生姓名劉鵬學生學號1805060127指導教師邵銀萍導師職稱講師因此，數(shù)組G中第一個出現(xiàn)“1”的索引位置對應數(shù)組I和數(shù)組T的索引位置，其值對應于(fstartisstart)的坐標。因此，這就確定了沿著驅(qū)動信號對應于擺動階段開始的點。將推出相位與擺動相位分離后，提取以下特征。峰值電流:信號的峰值電流(tpeak,ipeak)出現(xiàn)在ar驅(qū)動的推出相位(見圖3)，峰值電流作為推出相位的最大單電流繪制值。推出階段持續(xù)時間:推出階段持續(xù)時間作為tend和tpstart之間的時間差，單位為毫秒(ms)。擺相平均電流:取擺相的平均電流圖作為擺相的算術(shù)平均電流值。Swing階段持續(xù)時間:Swing持續(xù)時間作為tsend和tsstart之間的時間差，單位為毫秒(ms)3.1快速傅里葉變換分析POM驅(qū)動事件的時間序列信號數(shù)據(jù)如圖2所示?？焖俑盗⑷~變換(FFT)便于在時域?qū)π盘栠M行分析，將分量分解為頻域表示。然后，就可以使用以離散值或離散傅里葉變換(DFT)表示的頻域分量來分析原始信號中出現(xiàn)的不同頻率。在顯示時域信號中是否包含噪聲或抖動時，頻域是有用的，當試圖從未標記的數(shù)據(jù)中識別虛假的驅(qū)動信號時，頻域是有用的。FFT的原理在文獻[17,18]中得到了很好的解釋，所以沒有進一步explain?d。討論了FFT在本研究中的具體應用。通常情況下，數(shù)據(jù)集中的每一個驅(qū)動事件都會產(chǎn)生大約250個樣本點。為了確保所有的驅(qū)動事件都得到了同等的處理，在每個驅(qū)動信號的末尾添加了一個零填充，這使得所有的剖面包含512個樣本，并允許更快的計算時間。輸入信號使用大小為512的滑動窗口，步長為256。將Hann加窗函數(shù)應用于信號，這將最大限度地減少頻譜泄漏，允許FFT提取頻譜數(shù)據(jù)，并防止它產(chǎn)生錯誤的頻率FFT假設(shè)一個有限的數(shù)據(jù)集，它可以被認為是一個周期信號的單個周期。如果數(shù)據(jù)不是周期性的圓形拓撲，使用Hann函數(shù)加窗可以降低信號邊界處不連續(xù)數(shù)據(jù)的振幅。表2中所示信號域數(shù)據(jù)的FFT，對于點操作機pom1向NR方向移動，繪制為圖4中的頻域圖。圖4?？焖俑道锶~變換，將點操作機pom1的時域信號數(shù)據(jù)頻域圖如表2所示，向NR方向移動3.2曲線擬合為了比較驅(qū)動事件，需要處理產(chǎn)生的頻域圖(見圖4)。然后可以識別驅(qū)動事件中的異常，以指示POM中可能發(fā)生的故障。試圖擬合二階和三階多項式到曲線證明是不成功的，盡管其他研究已經(jīng)更成功的數(shù)據(jù)[16]。因此，對頻域信號進行進一步的處理，取從FFT分析中產(chǎn)生的幅值和頻率值的logio值。Logio計算在振幅和頻域之間產(chǎn)生了一個更線性的關(guān)系，允許線性曲線被擬合和擬合優(yōu)度計算。圖4中使用的頻域數(shù)據(jù)經(jīng)過log10變換，并使用R統(tǒng)計包[15]擬合成一條線性曲線。下面的圖5顯示了這些數(shù)據(jù)的圖表。曲線擬合后，擬合優(yōu)度作為殘差標準誤差(RSE)進行評估。這就為我們的故障檢測分析提取了最后的特征這些觀測到的殘差隨后被用作樣本變異的估計參數(shù)。當RSE為0(0)時，曲線完美地擬合了數(shù)據(jù)，在現(xiàn)實世界中，這可能是由于過擬合。本研究中的RSE成為數(shù)據(jù)中可變性的一種度量，它可以暗示POM驅(qū)動事件中的電流繪制可變性。因此，與RSE值較低的驅(qū)動相比，一個驅(qū)動事件的高RSE值可能表明故障發(fā)生。在本研究中，我們使用任意的RSE閾值20.3作為一個向?qū)碇甘掘?qū)動信號中的誤差。在實踐中，需要根據(jù)每個POM的基線值動態(tài)地設(shè)置這個值。在本研究中，所有儀器的值均為20.3。圖5。在NR方向上，與點操作機器pom1的FFT分析輸出的log1o變換擬合的線性曲線4結(jié)果在本節(jié)中，我們討論了上述方法的結(jié)果，該方法基于一個命題，即一個異常功能的POM，可以從它產(chǎn)生的當前繪制信號數(shù)據(jù)中識別出來。發(fā)現(xiàn)不規(guī)則的花紋，就表明可能有磨損或即將失效的跡象。本研究中使用的數(shù)據(jù)是未標記的數(shù)據(jù)，在這里，我們比較了通過描述的方法處理的pom的驅(qū)動事件，并展示了如何識別潛在的故障發(fā)生。這些候選人將被標記為審查和調(diào)查。我們的特征提取方法采用了傳統(tǒng)的平均電流和最大電流drav方法，這些方法在其他研究中已經(jīng)被廣泛使用和報道。此外，我們采用了一種更具體的FFT方法提取頻域特征，并將其轉(zhuǎn)化為線性形式，然后計算擬合曲線的RSE。RSE被用作我們分析的一個附加特性為了演示FFT方法，下面展示了兩個不同pom的例子。圖6和圖7分別為點操作機pam-4和pam-5的電流繪制信號。圖6為記錄在2018-03-13和2018-05-17上的兩個點操作機pam-4向RN方向移動的驅(qū)動事件(圖6A、B)。根據(jù)上述方法，從這兩個驅(qū)動事件經(jīng)過FFTlogio變換和線性曲線擬合后的RSE值可以看出，后期產(chǎn)生的驅(qū)動(圖6)預示著潛在的失效或錯誤。我們可以從突出顯示的區(qū)域(紅色橢圓)中看到兩個單獨事件之間信號的變化。此外，潛在的誤差信號(圖6B)產(chǎn)生更高的RSE值0.256(圖6C)，而早期的驅(qū)動產(chǎn)生的RSE值為0.092(圖6D)。從圖6C的擬合曲線可以看出，頻率域和幅度域數(shù)據(jù)點的FFTlogio變換與曲線擬合更接近，因此RSE值比圖6D的要低得多。同樣地，在圖7中，我們展示了在NR方向上移動的點操作機器POM-5的驅(qū)動事件，這些事件記錄在兩個不同的日期。再一次，我們展示了驅(qū)動信號的可變性(圖7A,B)以及FFTlog1o變換后的曲線擬合(圖TC,D)。導致更大變異性的驅(qū)動事件產(chǎn)生了更高的RSE值0.288(圖7D)，而較早日期的事件產(chǎn)生的RSE值為0.060(圖7C)。圖6。點操作機pom-4在RN方向上的驅(qū)動事件。這些事件記錄在兩個不同的日子——2018-03-13(A)和2018-05-17(B)——用它們的FFT符號變換和每個事件的正下方(C,D)的線性曲線。紅色橢圓(A,B)突出了兩個驅(qū)動事件的區(qū)域，在信號中顯示變化，這反映在觀察到的RSE值中。圖7。點操作機POM-5在NR方向上的驅(qū)動事件。這些事件被記錄在兩個不同的日子——2018-04-12(A)和2018-05-16(B)——用它們的FFT符號變換和每個事件的正下方(C,D)的線性曲線。紅色橢圓(A,B)突出了兩個驅(qū)動事件的區(qū)域，在信號中顯示變化，這反映在觀察到的RSE值中。在整個數(shù)據(jù)集中對其他pom進行了類似的觀察，使用所提出的方法可以標記潛在的故障。有趣的是，點操作機pom-4(圖6)的信號剖面與點操作機pma-5(圖7)的信號剖面在視覺上有很大的不同。在不同的pom之間，發(fā)現(xiàn)變化的驅(qū)動信號區(qū)域顯然不是固定的。我們還觀察到，在兩個驅(qū)動事件(圖6A,B)下，點操作機器pom4的最大峰值電流約為19A。點操作機器pom5的情況也是如此(圖7A,B)。因此，我們不能完全依賴單個事件，如最大峰值電流作為誤差指標。因此，在本研究中提出的方法允許整個信號處理會計儀器變化。對于數(shù)據(jù)集中的每一個儀器，我們已經(jīng)處理了已記錄的整個驅(qū)動事件。因此，可以觀察每個事件的RSE值，從而為給定的機器生成一個特征配置文件。繪制RSE與時間的關(guān)系圖，對于每個儀器，可以快速識別儀器時間軸中可能失效或即將失效的標記。它還有助于確定任何給定儀器的基準RSE值。為了說明這一點，選擇了兩個對比的示例，如下面的圖8所示。它顯示了計算的RSE值為點操作機器pom6和pom3繪制順序。從這些圖中，可以很容易地觀察到，點操作機器pom6產(chǎn)生的RSE值彼此非常一致(1943年驅(qū)動)。這個RSE值大約為0.04，似乎是這臺機器的基線值(紅線)。相比之下，點操作機器的pom3產(chǎn)生的RSE值不太一致(1674次驅(qū)動)，但可以推斷出大約0.90的基線值。圖片8。連續(xù)RSE值圖的點操作機器pom6(n=1943)和pom3(n=1674)。每個儀器可能的基線顯示為紅色。這再次表明，不同的pom都有各自的特點，因此，可以適應的方法更適合本研究中解決的挑戰(zhàn)類型。有趣的是，點操作機pom3的RSE值為20.3，這是本研究中使用的閾值，通過提出的方法表明潛在的故障與更傳統(tǒng)的信號故障檢測方法一致，從我們的驅(qū)動信號數(shù)據(jù)中提取了兩個額外的有用特征;1)推出相位的最大電流拉伸(峰值電流)和2)擺動相位的平均電流拉伸。我們可以使用這些特征來驗證我們在本研究中提出的方法。在散點圖上繪制平均電流、峰值電流和RSE，會在不同的POM之間產(chǎn)生一些有趣的趨勢為了說明這一點，我們選擇了兩個例子，這是基于它們處理的驅(qū)動事件導致至少一個RSE值為20.3。我們選擇了這樣的儀器，從而可以通過RSE區(qū)分驅(qū)動事件的峰值電流(推出相位)與平均電流(擺動相位)的關(guān)系圖9顯示了點操作機pom3和pom7的散點圖。推出相位的峰值電流(A)與擺動相位的平均電流(A)相比較，根據(jù)其RSE值將數(shù)據(jù)點用紅色或藍色表示。再次，我們看到兩個pom的散點圖的模式是非常不同的。點操作機POM-7包含的數(shù)據(jù)更緊密地聚集在一起，通常比點操作機POM-3的峰值電流和平均電流值更高。然而，我們確實看到的共同之處是RSE值為20.3的數(shù)據(jù)點的位置。對于兩種點式操作儀，將滿足RSE20.3閾值的數(shù)據(jù)點推到主簇右側(cè)。圖9。點操作機pom-3和pom-7的驅(qū)動信號數(shù)據(jù)的峰值電流的平均電流。RSE值20.3(紅色)、<0.3(藍色)的數(shù)據(jù)點5結(jié)論在本研究中，我們提出了一種方法，從電流和時間信號數(shù)據(jù)的POM識別潛在的故障發(fā)生。從英國鐵路網(wǎng)獲得的數(shù)據(jù)經(jīng)過了凈化和預處理，隨后的工作重點是探索一種適用于具備當前傳感能力的電動設(shè)備的潛在狀態(tài)監(jiān)測方法該方法結(jié)合了推出階段和擺動階段的平均和最大電流水平閾值，并采用了基于fft的方法，該方法動態(tài)地適應了不同POM的個性化特性。文獻中已經(jīng)報道了許多研究，使用多種方法處理標記數(shù)據(jù)，以開發(fā)狀態(tài)監(jiān)測能力。我們提出的方法的新穎之處在于它使用了大量真實世界的未標記數(shù)據(jù)。因此，我們不能預先知道數(shù)據(jù)中的故障發(fā)生。很明顯，從我們的努力，可以觀察到的差異是明顯的，從知覺良好和功能不良的pom的驅(qū)動信號。我們利用這些行為差異來開發(fā)故障檢測能力，在可能發(fā)生故障的地方標記儀器。這項工作突出了機械化機動裝置的獨特性，并要求改變一刀切的方法。我們的方法可以在個案的基礎(chǔ)上考慮每一項工具，因此在個人層面進行監(jiān)測。該方法不受不可控因素的影響，如環(huán)境條件或不同的操作特性，這將自然地不同的機器。本研究沒有解決的一個限制是確定唯一的RSE閾值，即根據(jù)工作早期階段研究的數(shù)據(jù)集選擇初始值20.3。然而，正如我們后面的結(jié)果所示(見圖8)，一些儀器可能需要更低的閾值，如果不考慮這一點，就有可能忽略故障。在未來的工作中，我們將通過使用某種形式的機器學習方法來解決這個動態(tài)閾值問題。使用聚類技術(shù)來識別峰值電流與平均電流的散點圖中的“離群值”可能更合適，這種技術(shù)將適應每種儀器的獨特行為特征。在該領(lǐng)域中，我們設(shè)想這種機器學習可以通過對同一類型的機器進行分組，并使用分析引擎建立一個相對于特定組中機器性能的閾值來實現(xiàn)。同樣值得注意的是，在本研究中，沒有單獨考慮點的運動方向，無論是向外擺動(NR)還是向內(nèi)擺動(RN)。將這兩個方向運動的