宋平岗，林家通，康水华，杨云

(华东交通大学 电气与电子工程学院，南昌 330013)

滚动轴承是机车走行部的关键零件，其状况直接影响机车的性能与安全[1]。高速运行中，如果轴承发生故障甚至卡死，会产生热轴现象，不能及时处理将造成切轴甚至颠覆事故[2]。据统计，80%以上的火车翻车事故由热轴造成。

目前，广泛采用红外线轴温探测系统(Trace Hotbox Detection System, THDS)监控热轴现象，但其实际应用中预报兑现率普遍较低，误报率较高[3-5]。由于热轴判别的复杂性，目前THDS设备根据历史经验设定热轴判别阈值，无法直接满足实际应用要求。为提高温度判别准确率，文献[6]提出使用模型算法对轴温建立识别模型，实现对轴承温度的模糊判别，但其存在隶属度函数设计困难，参数设计主观性强等不足。文献[7]提出了基于模糊神经网络的热轴判别模型，准确率较高,但存在神经训练层及隐含神经元多，计算速度慢等缺陷。

针对上述问题，引入增量型极限学习机(Incremental Extreme Learning Machine, I-ELM)算法，该算法具有学习速度快、参数少、精度高等优势[8-10]。I-ELM算法随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需设置隐含层神经元的个数便可获得唯一的最优解，通过不断增加隐含层神经元个数减小训练误差，提高网络精度。针对机车轴温的非线性复杂多变特性，提出带输入限制的极限学习机，对热轴级别进行判别，并将其应用于和谐型机车轴承温度监测报警装置中。

1 机车热轴判别模型

1.1 背景分析

轴承内部的摩擦是其主要热源。……