Running Status Diagnosis of S700K Turnout Based on VMD-KPCA and Fuzzy Clustering
Notice bibliographique
Résumé
S700K turnout is the key equipment of railway line conversion. The diagnosis of S700K turnout in a normal, sub-health, and fault running state is the primary premise to ensure the safe operation of the railway. Aiming at the consistency between the characteristics of the power curve of S700K turnout and its state information, this paper proposes a new algorithm based on variational mode decomposition (VMD) and kernel principal component analysis (KPCA) to extract the characteristics of the power curve of S700K turnout. It uses fuzzy clustering analysis to diagnose the running state of S700K turnout. First, to extract the detailed components of the action power curve, it is decomposed into intrinsic mode function with limited bandwidth (BIMF) by VMD. Secondly, the multi-scale permutation entropy (MPE) is used to characterize the signal complexity of the power curve and different BIMF components, which are taken as the running state feature set. After KPCA analysis, eigenvalues with a contribution rate greater than 95% are selected as the state eigenvector. The experimental results show that the diagnosis algorithm can effectively identify the running state of S700K turnout, meet the characteristics of fewer fault samples of S700K turnout, and do not need to train in advance, which is of great significance for field guidance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».