刘林凡
- 作品数：15 被引量：35H指数：3
- 供职机构：湖南工业大学更多>>
- 发文基金：国家自然科学基金湖南省自然科学基金湖南省科技计划项目更多>>
- 相关领域：自动化与计算机技术交通运输工程机械工程建筑科学更多>>
- 一种基于DSP的机车打滑检测系统
- 本实用新型公开了一种基于DSP的机车打滑检测系统包括陀螺仪用于检测机车偏转、倾斜时的转动角速度，所述陀螺仪连接至处理器，处理器连接设置有显示模块、报警模块以及雷达，所述雷达用于对车身的速度进行检测，所述处理器采用TMS3...
- 何静刘林凡张昌凡谭海湖李祥飞孙健程翔李鹏李燕飞
- 文献传递
- 基于Terminal滑模的机车牵引力总量控制方法
- 本发明公开了一种基于Terminal滑模的机车牵引力总量控制方法，旨在解决重载机车在轮对发生粘着故障时，现有粘着控制技术无法避免牵引力在动态调整过程中大幅损失的问题；通过充分利用各轴动力冗余，进行动力再分配，以达到最优化...
- 张昌凡林真珍何静刘建华谭海湖赵凯辉杨布充刘林凡
- 文献传递
- 一种代价敏感支持向量机机车车轮检测系统及方法
- 本发明公开了一种代价敏感支持向量机机车车轮状态检测系统及方法，所述系统包括数据预处理模块、代价敏感支持向量机训练模块、参数寻优模块、最优代价敏感支持向量机分类模块、判别模块和车轮状态输出模块；所述检测方法包括共八个步骤，...
- 何静刘林凡张昌凡谭海湖赵凯辉孙健豆兵兵刘光伟
- 文献传递
- 基于机器学习的电力变压器故障诊断的研究进展被引量：3
- 2017年
- 电力变压器具有电能转换、传输和分配的作用,变压器故障能否准确诊断将直接影响到网供电可靠性和系统的安全运行。综述了支持向量机、极限学习机、深度学习等机器学方法在变压器故障诊断中的应用,并分析了目前阶段变压器故障诊断中应用的的难点,最后展望了变压器故障诊断的研究方向。
- 刘林凡
- 关键词：电力变压器故障诊断
- 深度学习在故障诊断中的研究综述被引量：17
- 2017年
- 深度学习在特征提取与模型拟介方而显示了其潜力和优势。对于特征提取精度要求高的故障诊断领域,引入深度学习具有重要的意义。特征提取的精度决定着故障状态辨识的结果。许多学者将深度学习应用在故障诊断领域,并取得不少的成果。本文介绍了深度学习在故障诊断中的研究现状,总结了深度学习在故障诊断中应用的研究现状和技术难点,最后对深度学习在故障诊断中的研究进行了展望。
- 刘林凡
- 关键词：故障诊断特征提取
- 基于机器学习的重载机车粘着故障分类
- 重载机车是中长距离大宗货物运输的最佳途径。随着国家经济建设和西部大开发战略的发展需求，“货运重载”将成为“客运高速”之后中国铁路建设的新重点。重载机车机车牵引力由轮轨间粘着力决定，通常用粘着特性表征这种状态。机车运行工况...
- 刘林凡
- 关键词：重载机车
- 一种基于极限学习机的重载机车粘着状态识别方法
- 本发明涉及一种基于极限学习机的重载机车粘着状态识别方法，可用于重载机车的粘着控制系统中，其通过在实测数据中提取粘着状态特征，并从中选取特征向量进行粘着状态识别模型的训练，本发明提供的方法要求样本具有一定代表性，设置隐含层...
- 张昌凡程翔何静谭海湖赵凯辉刘光伟殷晓飞刘林凡李鹏豆兵兵
- 基于Terminal滑模的机车牵引力总量控制方法
- 本发明公开了一种基于Terminal滑模的机车牵引力总量控制方法，旨在解决重载机车在轮对发生粘着故障时，现有粘着控制技术无法避免牵引力在动态调整过程中大幅损失的问题；通过充分利用各轴动力冗余，进行动力再分配，以达到最优化...
- 张昌凡林真珍何静刘建华谭海湖赵凯辉杨布充刘林凡
- 文献传递
- 参数优化的支持向量机机车车轮状态检测被引量：11
- 2016年
- 针对车轮状态检测中存在的类间样本误分代价不等的问题,利用自适应变异粒子群算法对代价敏感支持向量机(CS-SVM)的参数进行优化。该方法从数据样本中提取不均衡数据创建训练样本,采用代价敏感的支持向量机建模。为了提高分类的精确度,选用径向基核函数优化模型结构。提出了自适应变异粒子群算法优化CS-SVM的两个不同惩罚参数和核函数,并用参数优化的代价敏感支持向量机实现重载机车车轮状态分类。最后,通过仿真验证,车轮状态检测的平均准确率可以达到95%,平均处理速度24 s,具有实时性和较强的鲁棒性,能够满足重载机车运行要求。
- 何静刘林凡张昌凡豆兵兵
- 关键词：参数优化代价敏感支持向量机重载机车
- 基于最小二乘支持向量机的黏着状态辨识被引量：1
- 2017年
- 针对重载机车黏着状态辨识中分类准确率不高的问题,提出采用布谷鸟遗传算法对最小二乘支持向量机的参数进行优化,并采用交叉验证原理提高该模型的整体泛化性能。首先,采用布谷鸟算法寻找惩罚因子和核参数的初始值;然后,采用遗传算法对最小二乘支持向量机进行训练,从而得到具有最佳参数的最小二乘支持向量机的分类模型。该分类模型将重载机车黏着状态分为正常、故障征兆、微小故障和严重故障4个状态。实验结果表明,提出的最小二乘支持向量机模型在黏着状态辨识中的分类准确率高达94.59%,高于极限学习机的分类准确率(84.61%),证明布谷鸟遗传算法能够有效提高最小二乘支持向量机的分类准确率。
- 刘林凡何静
- 关键词：最小二乘支持向量机重载机车准确率
