基于EMD-WPT混合方法的转辙机故障诊断系统开发

本文主要探讨了基于混合编程和结合特征提取方法的转辙机故障诊断系统的开发。作者莫罕·雷默涵针对传统基于小波包变换（Wavelet Packet Transform, WPT）或经验模态分解（Empirical Mode Decomposition, EMD）的特征提取方法存在的问题，提出了一种新颖的信号分解策略。这种方法结合了EMD和WPT的优点，能够提供更高的分辨率，同时避免了由于错误的固有模态函数（Intrinsic Mode Functions, IMF）成分导致的误差。 在特征提取过程中，论文采用了EMD和WPT的组合技术来捕捉信号的包络特性，这有助于更准确地提取信号中的关键信息。通过对信号进行分解，系统能够有效地识别并分离出缺陷信号的特征，这些特征对于故障诊断至关重要。为了进一步提高分析效率和准确性，论文还引入了主成分分析（Principal Components Analysis, PCA）的数据特征选择方法，这种方法能够筛选出对故障诊断最有影响力的特征向量，从而减少冗余信息，增强诊断的针对性。 莫罕·雷默涵和赵阳两位作者来自兰州理工大学机械工程学院，他们的研究工作聚焦于解决实际工业应用中的转辙机故障检测难题，这不仅提升了故障诊断系统的性能，也为轨道交通设备维护提供了科学依据。该论文于2014年3月发表在《机床与液压》杂志上，表明了他们在信号处理和机器学习领域的专业知识在工程实践中的应用价值。通过这篇论文，读者可以了解到如何利用先进的数据分析技术改进转辙机故障诊断系统的实时性和准确性，这对于提高铁路运营的安全性和可靠性具有重要意义。