基于LSTM的提速道岔故障预测研究
发布时间：2021-12-16 11:39
随着我国经济的不断发展,对快速满足交通系统的需求不断提高,高速铁路系统在经过几次大提速后,如何保证现有铁路设备实时正常工作成为亟待解决的问题;提速道岔作为决定高速列车运行方向的关键设备,保证及时和高效维护是正常运行的前提,而传统的故障修模式存在效率低下、工作量大、可靠性低的弊端。目前,铁路设备正在提出由故障修向预防修理念的转换,作为铁路现场的故障高发区,道岔具体故障如何被精确预测成为研究的重点和难点,论文针对以上问题,主要研究工作如下:首先,选择S700K型提速道岔作为研究对象,分别分析提速道岔的组成结构、转辙机的动作原理以及道岔功率曲线的采集原理,将道岔状态分为健康态、亚健康态和故障态;结合现场道岔常见故障的发生情况,将道岔故障分为机械故障和电气故障,并选择道岔故障发生频率较高的4种机械故障、2种电气故障作为故障源,并通过道岔所处的状态给出对应的三个检修等级,依次为检修Ⅰ级、检修Ⅱ级和检修Ⅲ级。其次,将道岔状态分为静态和动态,分别设定道岔健康评估基准,设计基于云相似度的道岔曲线相似度作为道岔动态健康指标;设计道岔标准转换时长与道岔表示杆缺口作为静态指标等。具体做法是:设计基于中位数的...
【文章来源】：兰州交通大学甘肃省
【文章页数】：52 页
【学位级别】：硕士
【图文】：
微机监测系统中的功率曲线
基于LSTM的提速道岔故障预测研究-8-图2.4微机监测系统中的功率曲线图2.4呈现的是1#J1号转辙机在2019-11-22的13:27:25从定位到反位和13:30:19从反位到定位的转换过程得到的电流、功率曲线，从图中可以看出该转辙机转换过程共耗时7.92s，图中橘黄线为道岔功率曲线，其对应的文本数据保存为txt文件格式，部分历史数据如图2.5所示。图2.5实际道岔转换过程中功率数值图2.5中为1#J1号道岔一年之间正常动作的部分功率数据，共有1902条，图中道岔功率曲线的单位为瓦(w)。2.4小结本章首先分析道岔的基本结构，重点对转辙器部分的转辙机进行了结构分析，进而对道岔动作过程进行了详细说明，将道岔状态划分为静态和动态两部分，结合道岔动作功率曲线特征，设置具体的健康状态等级划分，进行具体的样本采集和分析。
兰州交通大学工程硕士学位论文-23-21(")(,")niiiyyMSEyyn(4.7)(2)优化器的选取普通的梯度下降算法针对参数训练有一定的学习率，但是Adagrad优化算法能够进行自适应优化[46]，对高频的特征更新步数很小，但是对低频特征更新很大，适用于道岔此类特征较为稀疏的场景，在每轮训练中都会对每个参数的学习率进行更新[47]。(3)具体实现步骤①计算并决定最终丢弃的信息。②计算确定更新的信息。③通过确定的信息更新细胞最终的状态。④反向计算每一个细胞存在的均方误差MSE。⑤根据对应的MSE，计算每个权重的梯度。⑥应用Adagrad优化算法更新权重。4.2.3LSTM神经网络数据走向及可视化结果本文使用tensorflow自带的可视化工具tensorboard库设计出单质点模型LSTM神经网络模型[48]，包括输入层、隐藏层、LSTM细胞结构以及输出层，具体如图4.4所示：图4.4单细胞LSTM神经网络模型
【参考文献】：
期刊论文
[1]Multi-label Image Classification via Coarse-to-Fine Attention[J]. LYU Fan,LI Linyan,Victor S.Sheng,FU Qiming,HU Fuyuan. Chinese Journal of Electronics. 2019(06)
[2]融合粗糙集与灰色模型的道岔故障预测[J]. 张友鹏,江雪莹,赵斌. 铁道科学与工程学报. 2019(09)
[3]LSTM neural network for solar radio spectrum classification[J]. Long Xu,Yi-Hua Yan,Xue-Xin Yu,Wei-Qiang Zhang,Jie Chen,Ling-Yu Duan. Research in Astronomy and Astrophysics. 2019(09)
[4]Traffic estimation based on long short-term memory neural network for mobile front-haul with XG-PON[J]. 张敏,许渤,栗晓云,蔡怡,武保剑,邱昆. Chinese Optics Letters. 2019(07)
[5]Sentence segmentation for classical Chinese based on LSTM with radical embedding[J]. Han Xu,Wang Hongsu,Zhang Sanqian,Fu Qunchao,Liu Jun. The Journal of China Universities of Posts and Telecommunications. 2019(02)
[6]基于深度学习的飞行器智能故障诊断方法[J]. 姜洪开,邵海东,李兴球. 机械工程学报. 2019(07)
[7]基于弗雷歇距离的道岔故障诊断方法[J]. 黄世泽,陈威,张帆,董德存. 同济大学学报(自然科学版). 2018(12)
[8]SDAE-LSTM模型在金融时间序列预测中的应用[J]. 黄婷婷,余磊. 计算机工程与应用. 2019(01)
[9]基于LeNet-5模型的太阳能电池板缺陷识别分类[J]. 吴涛,赖菲. 热力发电. 2019(03)
[10]基于改进云模型-IAHP的涉爆粉尘企业安全风险评估[J]. 谢鹏,吕鹏飞. 中国安全生产科学技术. 2018(08)
博士论文
[1]铁路道岔健康状态评估与预测方法研究[D]. 钟志旺.北京交通大学 2019
[2]基于神经网络的铁路道岔故障智能诊断研究[D]. 张凯.长安大学 2016
硕士论文
[1]基于深度学习的车牌检测识别研究[D]. 王潇凡.南京邮电大学 2019
[2]基于小波变换和改进神经网络的S700K转辙机故障诊断研究[D]. 张钉.兰州交通大学 2019
[3]基于SAHP—云模型的科技投入项目绩效评价研究[D]. 金鑫.北京交通大学 2019
[4]基于支持向量域描述的道岔运行状态的异常检测[D]. 王君臣.北京交通大学 2019
[5]基于深度学习的地铁短时客流预测方法研究[D]. 张伟林.中国科学院大学(中国科学院深圳先进技术研究院) 2019
[6]基于深度森林的高速铁路道岔故障诊断研究[D]. 张志哲.北京交通大学 2019
[7]基于机器学习的道岔转辙设备故障智能诊断研究[D]. 胡启正.中国铁道科学研究院 2019
[8]基于优化概率神经网络货车轴承故障诊断研究[D]. 冯安安.北京交通大学 2019
[9]基于AR-PNN的重型货车侧翻预警研究[D]. 陈晋荣.长安大学 2019
[10]基于多变量的时间序列分析预测研究[D]. 翟嘉伊.电子科技大学 2019
本文编号：3538070
【文章来源】：兰州交通大学甘肃省
【文章页数】：52 页
【学位级别】：硕士
【图文】：
微机监测系统中的功率曲线
基于LSTM的提速道岔故障预测研究-8-图2.4微机监测系统中的功率曲线图2.4呈现的是1#J1号转辙机在2019-11-22的13:27:25从定位到反位和13:30:19从反位到定位的转换过程得到的电流、功率曲线，从图中可以看出该转辙机转换过程共耗时7.92s，图中橘黄线为道岔功率曲线，其对应的文本数据保存为txt文件格式，部分历史数据如图2.5所示。图2.5实际道岔转换过程中功率数值图2.5中为1#J1号道岔一年之间正常动作的部分功率数据，共有1902条，图中道岔功率曲线的单位为瓦(w)。2.4小结本章首先分析道岔的基本结构，重点对转辙器部分的转辙机进行了结构分析，进而对道岔动作过程进行了详细说明，将道岔状态划分为静态和动态两部分，结合道岔动作功率曲线特征，设置具体的健康状态等级划分，进行具体的样本采集和分析。
兰州交通大学工程硕士学位论文-23-21(")(,")niiiyyMSEyyn(4.7)(2)优化器的选取普通的梯度下降算法针对参数训练有一定的学习率，但是Adagrad优化算法能够进行自适应优化[46]，对高频的特征更新步数很小，但是对低频特征更新很大，适用于道岔此类特征较为稀疏的场景，在每轮训练中都会对每个参数的学习率进行更新[47]。(3)具体实现步骤①计算并决定最终丢弃的信息。②计算确定更新的信息。③通过确定的信息更新细胞最终的状态。④反向计算每一个细胞存在的均方误差MSE。⑤根据对应的MSE，计算每个权重的梯度。⑥应用Adagrad优化算法更新权重。4.2.3LSTM神经网络数据走向及可视化结果本文使用tensorflow自带的可视化工具tensorboard库设计出单质点模型LSTM神经网络模型[48]，包括输入层、隐藏层、LSTM细胞结构以及输出层，具体如图4.4所示：图4.4单细胞LSTM神经网络模型
【参考文献】：
期刊论文
[1]Multi-label Image Classification via Coarse-to-Fine Attention[J]. LYU Fan,LI Linyan,Victor S.Sheng,FU Qiming,HU Fuyuan. Chinese Journal of Electronics. 2019(06)
[2]融合粗糙集与灰色模型的道岔故障预测[J]. 张友鹏,江雪莹,赵斌. 铁道科学与工程学报. 2019(09)
[3]LSTM neural network for solar radio spectrum classification[J]. Long Xu,Yi-Hua Yan,Xue-Xin Yu,Wei-Qiang Zhang,Jie Chen,Ling-Yu Duan. Research in Astronomy and Astrophysics. 2019(09)
[4]Traffic estimation based on long short-term memory neural network for mobile front-haul with XG-PON[J]. 张敏,许渤,栗晓云,蔡怡,武保剑,邱昆. Chinese Optics Letters. 2019(07)
[5]Sentence segmentation for classical Chinese based on LSTM with radical embedding[J]. Han Xu,Wang Hongsu,Zhang Sanqian,Fu Qunchao,Liu Jun. The Journal of China Universities of Posts and Telecommunications. 2019(02)
[6]基于深度学习的飞行器智能故障诊断方法[J]. 姜洪开,邵海东,李兴球. 机械工程学报. 2019(07)
[7]基于弗雷歇距离的道岔故障诊断方法[J]. 黄世泽,陈威,张帆,董德存. 同济大学学报(自然科学版). 2018(12)
[8]SDAE-LSTM模型在金融时间序列预测中的应用[J]. 黄婷婷,余磊. 计算机工程与应用. 2019(01)
[9]基于LeNet-5模型的太阳能电池板缺陷识别分类[J]. 吴涛,赖菲. 热力发电. 2019(03)
[10]基于改进云模型-IAHP的涉爆粉尘企业安全风险评估[J]. 谢鹏,吕鹏飞. 中国安全生产科学技术. 2018(08)
博士论文
[1]铁路道岔健康状态评估与预测方法研究[D]. 钟志旺.北京交通大学 2019
[2]基于神经网络的铁路道岔故障智能诊断研究[D]. 张凯.长安大学 2016
硕士论文
[1]基于深度学习的车牌检测识别研究[D]. 王潇凡.南京邮电大学 2019
[2]基于小波变换和改进神经网络的S700K转辙机故障诊断研究[D]. 张钉.兰州交通大学 2019
[3]基于SAHP—云模型的科技投入项目绩效评价研究[D]. 金鑫.北京交通大学 2019
[4]基于支持向量域描述的道岔运行状态的异常检测[D]. 王君臣.北京交通大学 2019
[5]基于深度学习的地铁短时客流预测方法研究[D]. 张伟林.中国科学院大学(中国科学院深圳先进技术研究院) 2019
[6]基于深度森林的高速铁路道岔故障诊断研究[D]. 张志哲.北京交通大学 2019
[7]基于机器学习的道岔转辙设备故障智能诊断研究[D]. 胡启正.中国铁道科学研究院 2019
[8]基于优化概率神经网络货车轴承故障诊断研究[D]. 冯安安.北京交通大学 2019
[9]基于AR-PNN的重型货车侧翻预警研究[D]. 陈晋荣.长安大学 2019
[10]基于多变量的时间序列分析预测研究[D]. 翟嘉伊.电子科技大学 2019
本文编号：3538070
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3538070.html
