典型文献
基于DBSCAN/PSO-SOM的道岔故障诊断
文献摘要：
为诊断铁路道岔控制电路中的常见故障,提出了一种基于数据密度聚类算法(Density-based spatial clustering of applications with noise,DBSCAN)与自组织特征映射网络(Self-organizing feature map,SOM)结合的诊断方法.利用微机监测系统记录转辙机三相电流曲线,以转辙机动作原理为标准对曲线分段处理并计算三相电流特征参数.针对初始特征维数较高的问题,以DBSCAN算法筛选故障诊断敏感特征,构建诊断敏感特征集.以粒子群优化算法(Particle swarm optimization,PSO)调整SOM网络权值修改规则从而避免网络出现"死神经元",设计PSO-SOM网络故障分类器并完成待测样本分类诊断.实验表明,该方法在训练样本较少的情况下,能判断道岔控制电路故障模式.与传统SOM网络相比,其故障诊断准确率更高.
文献关键词：
道岔;故障诊断;基于数据密度聚类算法;粒子群算法;自组织特征映射
中图分类号：
作者姓名：
杨菊花;李旭彤;邢东峰;陈光武
作者机构：
兰州交通大学交通运输学院,甘肃兰州730070;甘肃省高原交通信息工程及控制重点实验室,甘肃兰州730070;兰州交通大学自动控制研究所,甘肃兰州730070
文献出处：
引用格式：
[1]杨菊花;李旭彤;邢东峰;陈光武-.基于DBSCAN/PSO-SOM的道岔故障诊断)[J].测试科学与仪器,2022(03):371-378
A类：
基于数据密度聚类算法
B类：
DBSCAN,PSO,SOM,道岔故障诊断,铁路道岔,道岔控制电路,常见故障,Density,spatial,clustering,applications,noise,自组织特征映射网络,Self,organizing,feature,map,利用微,微机监测,转辙机,三相电流,电流曲线,曲线分段,敏感特征集,粒子群优化算法,Particle,swarm,optimization,权值,死神,网络故障,故障分类器,分类诊断,训练样本,电路故障,故障模式,故障诊断准确率,粒子群算法
AB值：
0.349255
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
