基于栈式自编码的ZPW-2000A轨道电路故障分类方法的研究
发布时间：2021-04-16 16:15
ZPW-2000A型轨道电路保障着列车的安全运行,是铁路运行设备中不可或缺的一部分。假设轨道电路发生了故障,严重时将会影响行车安全,甚至导致列车相撞等事故,造成人员伤亡和经济的损失。通过对轨道电路出现故障的设备进行及时维修养护来使列车运行安全可靠,进而使列车的运输效率得到提高。目前现场实际的检测和诊断轨道电路故障的方式依然是凭借现场检修人员的经验来进行测试和分析,这种方式过于依靠现场人员,使故障判断的时间长,效率降低,判别错误等问题易出现。为解决上述问题,本文结合核主成分分析（Kernel Principal Component Analysis,KPCA）和栈式自编码（Stacked Autoencoder,SAE）理论,并根据轨道电路实际故障数据,构建ZPW-2000A型轨道电路故障分类模型,本文研究的主要内容如下:首先,分析ZPW-2000A型轨道电路的基本原理和结构,根据现场实际历史故障监测数据分析其中各设备的电压值,将原始数据中的发送电源值、功出电压、送端分线盘电压、轨面电压、轨面电流、受端电缆侧电压、受端设备侧电压、XGJ电压、轨道继电器电压、主轨出电压作为历史数据的参数,...
【文章来源】：兰州交通大学甘肃省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
ZPW-2000A轨道电路测试记录表截图
兰州交通大学硕士学位论文-13-图2.3ZPW-2000A轨道电路测试记录表截图微机监测所记录数据比测试记录表所记录数据多出了载频和低频信息，且可直观看出设备工作电压的变化曲线。且通过对这些数据进行分析，发现两者所记录数据种类是相同的。本文所用数据为整理测试记录表和微机监测记录数据得到。监测维护系统部分数据截图如图2.4所示。图2.4部分数据文件截图通过对所采集到的现场数据进行整理，当设备出现故障或损坏时，所采集的参数中的电压值会发生波动变化，所以对各设备的运行情况进行分析进而选取一些特征参数，通过这些参数作为后续模型训练和测试的样本。部分设备工作电压变化曲线如图2.5所示，样本数据的特征参数如表2.2所示。
基于栈式自编码的ZPW-2000A轨道电路故障分类方法的研究-14-(a)主轨出电压变化曲线(b)送端电缆侧电压变化曲线图2.5部分电压变化曲线表2.2原始样本数据特征参数序号特征参数正常值1功出电压/V132.22送端分线盘电压/V65.33轨面电压/V2.54受端电缆侧电压/V10.95受端设备侧电压/V1.726GJ电压/V28.37轨面电流/A8.38主轨出电压/mV4239XGJ电压/V24.5
【参考文献】：
期刊论文
[1]基于KPCA和深度信念网络的发动机故障检测[J]. 黄亮,刘君强,张振良,张曦. 武汉理工大学学报(交通科学与工程版). 2019(05)
[2]基于改进堆叠自编码网络的电站辅机故障预警[J]. 李晓彬,牛玉广,葛维春,罗桓桓,周桂平. 仪器仪表学报. 2019(06)
[3]基于KPCA-GG的火力发电设备状态诊断方法[J]. 汪国新,郝勇生,苏志刚. 东南大学学报(自然科学版). 2019(03)
[4]核主元分析优化神经网络的变压器故障检测[J]. 龚瑞昆,李昊. 工业控制计算机. 2018(10)
[5]基于深度卷积变分自编码网络的故障诊断方法[J]. 佘博,田福庆,梁伟阁. 仪器仪表学报. 2018(10)
[6]基于KPCA-ANFIS的锂离子电池RUL预测[J]. 王竹晴,庞晓琼,黄蕊,贾建芳,史元浩,温杰. 电子测量与仪器学报. 2018(10)
[7]基于KPCA-MPSO-ELM的矿井突水水源判别模型[J]. 毛志勇,黄春娟,路世昌,韩榕月. 中国安全科学学报. 2018(08)
[8]基于改进SAE-SOFTMAX的模拟电路故障诊断方法[J]. 袁莉芬,宁暑光,何怡刚,张朝龙,吕密. 电子测量与仪器学报. 2018(07)
[9]基于压缩采集与深度学习的轴承故障诊断方法[J]. 温江涛,闫常弘,孙洁娣,乔艳雷. 仪器仪表学报. 2018(01)
[10]基于深度学习的装备故障诊断方法[J]. 鞠建波,胡胜林,祝超,管晗. 电光与控制. 2018(02)
博士论文
[1]基于深度自编码器的机械故障诊断方法研究[D]. 张玉彦.华中科技大学 2019
[2]基于栈式自编码网络的故障诊断方法研究[D]. 吕菲亚.浙江大学 2019
硕士论文
[1]基于KPCA-CPSO-LSSVM的循环冷却水腐蚀预测研究[D]. 李静娴.天津理工大学 2019
[2]基于KPCA-LSSVM的冷水机组故障诊断研究[D]. 谢伟.杭州电子科技大学 2019
[3]基于改进KPCA方法的工业控制系统假数据注入攻击异常检测研究[D]. 刘颖.浙江大学 2019
[4]基于FCM的ZPW-2000A轨道电路故障分类研究[D]. 陈星.兰州交通大学 2017
[5]基于决策树算法的ZPW-2000A轨道电路故障诊断[D]. 吴志鹏.西南交通大学 2016
[6]基于组合KPCA与改进ELM的工业过程故障诊断研究[D]. 钱锟.重庆大学 2016
[7]基于深度学习的人脸识别方法的研究[D]. 池燕玲.福建师范大学 2015
[8]基于神经网络的ZPW-2000A无绝缘轨道电路故障诊断方法的研究[D]. 魏秀颖.西南交通大学 2015
[9]基于深度信念网络的变速器故障分类识别研究[D]. 单外平.华南理工大学 2015
[10]经验模态分解及深度信念网络在语音识别中的应用研究[D]. 陈蔚.浙江理工大学 2015
本文编号：3141756
【文章来源】：兰州交通大学甘肃省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
ZPW-2000A轨道电路测试记录表截图
兰州交通大学硕士学位论文-13-图2.3ZPW-2000A轨道电路测试记录表截图微机监测所记录数据比测试记录表所记录数据多出了载频和低频信息，且可直观看出设备工作电压的变化曲线。且通过对这些数据进行分析，发现两者所记录数据种类是相同的。本文所用数据为整理测试记录表和微机监测记录数据得到。监测维护系统部分数据截图如图2.4所示。图2.4部分数据文件截图通过对所采集到的现场数据进行整理，当设备出现故障或损坏时，所采集的参数中的电压值会发生波动变化，所以对各设备的运行情况进行分析进而选取一些特征参数，通过这些参数作为后续模型训练和测试的样本。部分设备工作电压变化曲线如图2.5所示，样本数据的特征参数如表2.2所示。
基于栈式自编码的ZPW-2000A轨道电路故障分类方法的研究-14-(a)主轨出电压变化曲线(b)送端电缆侧电压变化曲线图2.5部分电压变化曲线表2.2原始样本数据特征参数序号特征参数正常值1功出电压/V132.22送端分线盘电压/V65.33轨面电压/V2.54受端电缆侧电压/V10.95受端设备侧电压/V1.726GJ电压/V28.37轨面电流/A8.38主轨出电压/mV4239XGJ电压/V24.5
【参考文献】：
期刊论文
[1]基于KPCA和深度信念网络的发动机故障检测[J]. 黄亮,刘君强,张振良,张曦. 武汉理工大学学报(交通科学与工程版). 2019(05)
[2]基于改进堆叠自编码网络的电站辅机故障预警[J]. 李晓彬,牛玉广,葛维春,罗桓桓,周桂平. 仪器仪表学报. 2019(06)
[3]基于KPCA-GG的火力发电设备状态诊断方法[J]. 汪国新,郝勇生,苏志刚. 东南大学学报(自然科学版). 2019(03)
[4]核主元分析优化神经网络的变压器故障检测[J]. 龚瑞昆,李昊. 工业控制计算机. 2018(10)
[5]基于深度卷积变分自编码网络的故障诊断方法[J]. 佘博,田福庆,梁伟阁. 仪器仪表学报. 2018(10)
[6]基于KPCA-ANFIS的锂离子电池RUL预测[J]. 王竹晴,庞晓琼,黄蕊,贾建芳,史元浩,温杰. 电子测量与仪器学报. 2018(10)
[7]基于KPCA-MPSO-ELM的矿井突水水源判别模型[J]. 毛志勇,黄春娟,路世昌,韩榕月. 中国安全科学学报. 2018(08)
[8]基于改进SAE-SOFTMAX的模拟电路故障诊断方法[J]. 袁莉芬,宁暑光,何怡刚,张朝龙,吕密. 电子测量与仪器学报. 2018(07)
[9]基于压缩采集与深度学习的轴承故障诊断方法[J]. 温江涛,闫常弘,孙洁娣,乔艳雷. 仪器仪表学报. 2018(01)
[10]基于深度学习的装备故障诊断方法[J]. 鞠建波,胡胜林,祝超,管晗. 电光与控制. 2018(02)
博士论文
[1]基于深度自编码器的机械故障诊断方法研究[D]. 张玉彦.华中科技大学 2019
[2]基于栈式自编码网络的故障诊断方法研究[D]. 吕菲亚.浙江大学 2019
硕士论文
[1]基于KPCA-CPSO-LSSVM的循环冷却水腐蚀预测研究[D]. 李静娴.天津理工大学 2019
[2]基于KPCA-LSSVM的冷水机组故障诊断研究[D]. 谢伟.杭州电子科技大学 2019
[3]基于改进KPCA方法的工业控制系统假数据注入攻击异常检测研究[D]. 刘颖.浙江大学 2019
[4]基于FCM的ZPW-2000A轨道电路故障分类研究[D]. 陈星.兰州交通大学 2017
[5]基于决策树算法的ZPW-2000A轨道电路故障诊断[D]. 吴志鹏.西南交通大学 2016
[6]基于组合KPCA与改进ELM的工业过程故障诊断研究[D]. 钱锟.重庆大学 2016
[7]基于深度学习的人脸识别方法的研究[D]. 池燕玲.福建师范大学 2015
[8]基于神经网络的ZPW-2000A无绝缘轨道电路故障诊断方法的研究[D]. 魏秀颖.西南交通大学 2015
[9]基于深度信念网络的变速器故障分类识别研究[D]. 单外平.华南理工大学 2015
[10]经验模态分解及深度信念网络在语音识别中的应用研究[D]. 陈蔚.浙江理工大学 2015
本文编号：3141756
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3141756.html
