基于深度学习的无绝缘轨道电路故障诊断研究

发布时间：2020-12-29 13:17

　　针对无绝缘轨道电路故障的复杂性及随机性,提出一种基于深度学习的故障诊断方法。根据无绝缘轨道电路的结构,选取12个电压电流监测量作为故障数据特征集。运用深度信念网络的无监督学习对故障数据进行训练,得到最优参数值并提取出故障数据高层的分布式特征。选择BPNN作为分类器,以无监督学习输出的参数作为BPNN的初始值,完成反向调优,实现轨道电路的15种故障分类。利用ZPW-2000A无绝缘轨道电路数据对模型进行了多次实验分析,仿真结果表明,该模型的分类准确度可达95.34%,验证了此方法的有效性。 

【文章来源】：铁道学报. 2020年06期 北大核心

【文章页数】：7 页

【部分图文】：

DBN结构示意

为此,文献[12]提出了对比散度算法(Contrastive Divergence,CD)。该算法的核心是交错的吉布斯采样,计算过程见图2。首先把训练数据传递给v0,采用式( 1 )计算出隐含层神经元的条件概率,并用Gibbs抽样确定隐含层神经元的状态h0;利用式( 2 )计算可视层神经元的条件概率,再次利用Gibbs抽样确定可视层神经元状态v1,完成一次重构。参数θ={W,a,b}的更新过程为

ZPW-2000A轨道电路由主轨道和调谐区两部分组成,并将调谐区视为列车运行前方的“延续区段”[14],从发送端到接收端,分别由发送器、电缆模拟网络、匹配变压器、调谐单元、空闲线圈、补偿电容、衰耗器、接收器、轨道继电器构成[1]。ZPW-2000A轨道电路通过发送器将不同含义的低频信号送入主轨道区段和小轨道电路。低频信号分两路进行传输,一路直接送至本区端接收器,另一路通过调谐区送至运行前方相邻轨道区段的接收器,并将检查后的调谐区状态条件(XG、XGH)送至本区端接收器。两路信息判断无误后驱动轨道继电器动作,由此判定轨道区段的空闲和占用。ZPW-2000A轨道电路结构见图3。2.2 ZPW-2000A轨道电路故障类别

【参考文献】：
期刊论文
[1]基于组合决策树的无绝缘轨道电路故障诊断方法研究[J]. 朱文博,王小敏.  铁道学报. 2018(07)
[2]基于粗糙集和模糊认知图的ZPW-2000轨道电路故障诊断[J]. 董昱,陈星.  铁道学报. 2018(06)
[3]无绝缘轨道电路补偿电容多故障的快速诊断方法[J]. 徐侃,赵林海.  铁道学报. 2018(02)
[4]基于深度信念网络的轴承故障分类识别[J]. 李巍华,单外平,曾雪琼.  振动工程学报. 2016(02)
[5]基于组合模型的轨道电路复杂故障诊断方法研究[J]. 米根锁,杨润霞,梁利.  铁道学报. 2014(10)
[6]基于最小二乘支持向量机的轨道电路故障诊断方法[J]. 王彤.  铁道标准设计. 2014(02)
[7]基于模糊神经网络的轨道电路故障诊断方法研究[J]. 黄赞武,魏学业,刘泽.  铁道学报. 2012(11)

硕士论文
[1]基于小波神经网络的ZPW-2000A调谐区故障诊断研究[D]. 李亚兰.兰州交通大学 2015
[2]ZPW-2000A信号设备故障诊断专家系统研究[D]. 覃定明.北京交通大学 2009



本文编号：2945705