基于深度学习的下一代车车通信列控系统安全风险预测

发布时间：2024-04-01 21:30

　　在传统的系统风险分析领域存在大量关于如何在设计阶段使用建模技术进行静态分析的研究。对于基于通信的列车控制(Communication-based train control,CBTC)系统,如何有效地判断、预测在系统运行时由不确定性所带来的随机风险,却少有人涉足。安全风险分析是一种使用定性或定量方法识别系统安全性的技术。对CBTC系统进行安全风险分析,提高系统安全性,既是长久以来国际技术标准所追求的目标,也是相关研究领域的热点之一。同时,当前CBTC系统在通信模式方面的冗余造成了系统不确定性风险增加,对轨旁设备依赖较高等问题,促使着下一代列车控制系统的不断研发。本文以下一代CBTC系统的安全风险预测作为研究目标,从构建基于车车通信模式的列控系统方案开始,提出了面向下一代CBTC系统的智能安全风险预测方法。该方法通过建立安全风险预测特征集,设计基于循环神经网络的预测模型,深层探究了系统运行特征与安全风险状态之间的潜在联系。本文的主要贡献体现在以下几点:(1)设计了基于车车通信模式的下一代CBTC系统方案,优化了新型系统下的移动闭塞技术。该方案加入了车车通信模式,对系统关键功能进行重新分配...

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 难点与挑战
    1.3 研究现状
        1.3.1 基于通信的列车控制系统
        1.3.2 系统安全风险分析技术
        1.3.3 深度学习
    1.4 主要研究内容
    1.5 本文组织结构
第二章 基于车车通信的下一代列车控制系统方案
    2.1 基于通信的列车控制系统
    2.2 CBTC系统现存问题
    2.3 基于车车通信的下一代CBTC系统方案设计
    2.4 基于车车通信的下一代CBTC系统移动闭塞技术
    2.5 本章小结
第三章 系统安全风险预测特征建立方法
    3.1 系统安全风险定义
    3.2 安全风险预测特征选择
    3.3 基于统计模型检验的小概率特征值生成
        3.3.1 背景介绍
        3.3.2 问题转化
        3.3.3 小概率特征生成算法
    3.4 基于主成分分析的风险特征预测集降维
    3.5 本章小结
第四章 基于循环神经网络的安全风险预测模型
    4.1 LSTM循环神经网络
    4.2 基于LSTM循环神经网络的风险预测模型
        4.2.1 模型框架
        4.2.2 预测流程
    4.3 基于L2正则化的预测模型优化
        4.3.1 系统安全风险预测中样本不平衡问题
        4.3.2 针对不均衡样本的L2正则化优化
    4.4 T2T-CBTC系统安全风险预测模型训练过程
    4.5 本章小结
第五章 实验设计与结果分析
    5.1 实验环境
    5.2 模型评价指标
    5.3 实验数据集
    5.4 风险预测特征集构建
        5.4.1 小概率特征生成算法
        5.4.2 基于PCA的预测特征集降维
    5.5 基于LSTM-RNN的安全风险预测模型训练
        5.5.1 预测模型L2正则化参数 λ 选取
        5.5.2 模型参数选择
        5.5.3 模型训练结果
    5.6 基于LSTM-RNN的安全风险预测模型实验
        5.6.1 预测模型实验结果
        5.6.2 不同预测模型性能对比
    5.7 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读硕士期间研究成果



本文编号：3945337