基于深度森林的高速铁路道岔故障诊断研究
发布时间：2021-02-23 06:15
铁路道岔系统在铁路基础设施中占有重要地位,其工作状态会直接影响整个铁路系统的行车安全与运营效率。随着我国高速铁路列车的不断提速,对道岔设备可靠性的要求越发严苛,对其日常检修维护的要求也相应提高。目前,国内各大铁路局电务段一般采用天窗点检修配合周期性维修的方式对道岔设备进行维护。由于现阶段集中监测系统报警精确度不足,在发生故障时仍旧主要通过人工分析故障原因,极大依赖于现场人员的实践经验和专业知识。这种方法在诊断效率和成本等方面都难以满足当前铁路的需求,因此需要进行智能化的道岔故障诊断算法研究。为解决上述问题,本文通过现场调研并查阅了大量文献,对高速铁路提速道岔的工作原理和故障模式进行了研究。由于提速道岔结构复杂,现场环境多样,难以从机理方面对其建立精准的模型,因此本文从数据入手建模。考虑到道岔设备故障样本量较小,动作功率曲线的高维性,本文提出了基于深度森林的提速道岔故障诊断算法,并与其它算法进行了对比实验,验证了方法的优越性。在此基础上利用表示电压对子类电气故障进行了二级故障的诊断。论文的主要工作如下:（1）道岔系统需求分析:查阅大量文献,明确道岔故障诊断目前发展水平及存在问题。选取提速...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：107 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 引言
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 国外道岔故障研究现状
1.2.2 国内道岔故障研究现状
1.2.3 深度学习在故障诊断中的应用
1.2.4 研究现状分析
1.3 论文的主要工作及结构安排
2 道岔系统分析
2.1 铁路道岔简介
2.2 ZYJ7型电动液压转辙机动作过程
2.3 道岔控制电路
2.3.1 启动电路
2.3.2 表示电路
2.4 本章小结
3 道岔系统常见故障分析
3.1 数据采集原理
3.2 常见故障分析
3.3 道岔故障诊断系统数据库设计
3.4 本章小结
4 道岔故障诊断模型
4.1 模型算法基本理论
4.1.1 决策树
4.1.2 随机森林
4.1.3 深度森林
4.1.4 评价指标
4.2 基于深度森林的道岔故障诊断
4.2.1 数据预处理与算法改进
4.2.2 模型参数选择及结果
4.3 基于其它算法的铁路道岔故障诊断
4.3.1 特征提取变换的道岔故障诊断
4.3.2 算法性能比较
4.4 基于表示电压的无表示故障的二级诊断
4.5 本章小结
5 道岔故障诊断系统设计
5.1 道岔故障诊断系统需求分析
5.2 道岔故障诊断系统架构
5.3 道岔故障诊断系统具体设计实现
5.3.1 在线使用模块
5.3.2 离线使用模块
5.3.3 辅助功能模块
5.4 本章小结
6 结论与展望
6.1 结论
6.2 展望
参考文献
附录控制电路故障数据样本表
英文缩略词表
图索引
表索引
作者简历及攻读硕士/博士学位期间取得的研究成果
学位论文数据集
【参考文献】：
期刊论文
[1]基于SVDD的道岔故障检测和健康评估方法[J]. 钟志旺,陈建译,唐涛,徐田华,王峰. 西南交通大学学报. 2018(04)
[2]基于深度学习的重载车辆齿轮箱的云故障诊断研究[J]. 陈康,陈良,耿臣露,王建明. 自动化应用. 2017(12)
[3]基于深度学习的航空传感器故障诊断方法[J]. 郑晓飞,郭创,姚斌,冯华鑫. 计算机工程. 2017(07)
[4]基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 时培明,梁凯,赵娜,安淑君. 中国机械工程. 2017(09)
[5]铁路道岔检测技术的现状及发展[J]. 高聪,周文祥,张远彬. 机械. 2016(07)
[6]决策树分析法在道岔故障诊断和预警系统中的应用[J]. 张志宇,刘影. 铁道通信信号. 2015(05)
[7]基于FOA-LSSVM的高速铁路道岔故障诊断[J]. 关琼. 科技通报. 2015(04)
[8]基于快速贝叶斯网络的S700K转辙机故障诊断研究[J]. 肖蒙,翟琛,潘翠亮. 铁道科学与工程学报. 2015(02)
[9]改进的道岔智能故障诊断系统建模研究[J]. 翟琛,肖蒙. 铁道标准设计. 2015(02)
[10]S700K转辙机动作电流曲线智能分析研究[J]. 张天赋. 制造业自动化. 2014(20)
硕士论文
[1]道岔故障诊断及健康状态预测[D]. 许庆阳.北京交通大学 2018
[2]基于文本数据的铁路道岔故障预测[D]. 王广.北京交通大学 2017
[3]基于深度学习模型的感应电机故障诊断方法研究[D]. 孙文珺.东南大学 2017
[4]ZYJ7型提速道岔故障诊断系统研究[D]. 朱孟雯.西南交通大学 2016
[5]基于核方法的高速铁路道岔故障诊断[D]. 程宇佳.北京交通大学 2016
[6]基于模糊神经网络的高速铁路道岔故障诊断方法研究[D]. 田健.北京交通大学 2015
[7]基于灰关联的道岔故障诊断方法研究[D]. 陆桥.北京交通大学 2015
[8]以可靠性为中心的维修在高速铁路道岔中运用研究[D]. 刘骄.中国铁道科学研究院 2014
[9]高速铁路道岔故障诊断方法研究[D]. 何攸旻.北京交通大学 2014
[10]贝叶斯网络在道岔控制电路故障诊断中的应用研究[D]. 翟永强.兰州交通大学 2012
本文编号：3047142
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：107 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 引言
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 国外道岔故障研究现状
1.2.2 国内道岔故障研究现状
1.2.3 深度学习在故障诊断中的应用
1.2.4 研究现状分析
1.3 论文的主要工作及结构安排
2 道岔系统分析
2.1 铁路道岔简介
2.2 ZYJ7型电动液压转辙机动作过程
2.3 道岔控制电路
2.3.1 启动电路
2.3.2 表示电路
2.4 本章小结
3 道岔系统常见故障分析
3.1 数据采集原理
3.2 常见故障分析
3.3 道岔故障诊断系统数据库设计
3.4 本章小结
4 道岔故障诊断模型
4.1 模型算法基本理论
4.1.1 决策树
4.1.2 随机森林
4.1.3 深度森林
4.1.4 评价指标
4.2 基于深度森林的道岔故障诊断
4.2.1 数据预处理与算法改进
4.2.2 模型参数选择及结果
4.3 基于其它算法的铁路道岔故障诊断
4.3.1 特征提取变换的道岔故障诊断
4.3.2 算法性能比较
4.4 基于表示电压的无表示故障的二级诊断
4.5 本章小结
5 道岔故障诊断系统设计
5.1 道岔故障诊断系统需求分析
5.2 道岔故障诊断系统架构
5.3 道岔故障诊断系统具体设计实现
5.3.1 在线使用模块
5.3.2 离线使用模块
5.3.3 辅助功能模块
5.4 本章小结
6 结论与展望
6.1 结论
6.2 展望
参考文献
附录控制电路故障数据样本表
英文缩略词表
图索引
表索引
作者简历及攻读硕士/博士学位期间取得的研究成果
学位论文数据集
【参考文献】：
期刊论文
[1]基于SVDD的道岔故障检测和健康评估方法[J]. 钟志旺,陈建译,唐涛,徐田华,王峰. 西南交通大学学报. 2018(04)
[2]基于深度学习的重载车辆齿轮箱的云故障诊断研究[J]. 陈康,陈良,耿臣露,王建明. 自动化应用. 2017(12)
[3]基于深度学习的航空传感器故障诊断方法[J]. 郑晓飞,郭创,姚斌,冯华鑫. 计算机工程. 2017(07)
[4]基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 时培明,梁凯,赵娜,安淑君. 中国机械工程. 2017(09)
[5]铁路道岔检测技术的现状及发展[J]. 高聪,周文祥,张远彬. 机械. 2016(07)
[6]决策树分析法在道岔故障诊断和预警系统中的应用[J]. 张志宇,刘影. 铁道通信信号. 2015(05)
[7]基于FOA-LSSVM的高速铁路道岔故障诊断[J]. 关琼. 科技通报. 2015(04)
[8]基于快速贝叶斯网络的S700K转辙机故障诊断研究[J]. 肖蒙,翟琛,潘翠亮. 铁道科学与工程学报. 2015(02)
[9]改进的道岔智能故障诊断系统建模研究[J]. 翟琛,肖蒙. 铁道标准设计. 2015(02)
[10]S700K转辙机动作电流曲线智能分析研究[J]. 张天赋. 制造业自动化. 2014(20)
硕士论文
[1]道岔故障诊断及健康状态预测[D]. 许庆阳.北京交通大学 2018
[2]基于文本数据的铁路道岔故障预测[D]. 王广.北京交通大学 2017
[3]基于深度学习模型的感应电机故障诊断方法研究[D]. 孙文珺.东南大学 2017
[4]ZYJ7型提速道岔故障诊断系统研究[D]. 朱孟雯.西南交通大学 2016
[5]基于核方法的高速铁路道岔故障诊断[D]. 程宇佳.北京交通大学 2016
[6]基于模糊神经网络的高速铁路道岔故障诊断方法研究[D]. 田健.北京交通大学 2015
[7]基于灰关联的道岔故障诊断方法研究[D]. 陆桥.北京交通大学 2015
[8]以可靠性为中心的维修在高速铁路道岔中运用研究[D]. 刘骄.中国铁道科学研究院 2014
[9]高速铁路道岔故障诊断方法研究[D]. 何攸旻.北京交通大学 2014
[10]贝叶斯网络在道岔控制电路故障诊断中的应用研究[D]. 翟永强.兰州交通大学 2012
本文编号：3047142
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3047142.html
