基于CS-PSO优化BN的列控车载设备故障诊断研究

发布时间：2020-10-09 10:47

　　列控系统作为高速列车自动运行的控制体系,其可靠性和安全性对于列车平稳运行至关重要。车载设备作为列控系统的关键组成,其功能是速度运行防护,是保障列车安全运行的关键。其工作性能和运行状态是列车行车效率及保障行车的重要指标。车载设备发生故障,轻则造成列车运行晚点,降低行车效率,重则导致冲撞等安全事故。因此,快速、准确地发现并排除故障,保证行车安全对车载设备故障诊断技术的发展有重要的意义。目前,列控车载设备存在系统结构复杂、故障诊断特征不确定、传统故障诊断方法过于依赖专家经验和维修经验、故障诊断自动化程度低等问题,为了缩短故障处理时间和提高维修效率,有必要建立一种智能化的故障诊断方式,可以快速、准确地定位故障产生原因,及时、有效地排除故障。因此,针对上述问题,本文深入研究列控车载设备结构组成及故障特征,选取CS(Cuckoo Search,布谷鸟)和PSO(Particle Swarm Optimization,粒子群)智能算法优化BN(Bayesian Networks,贝叶斯网络)进行模型构建,结合专家先验知识和故障数据完善模型,提出了一种CS-PSO(Cuckoo Search Algorithm-Particle Swarm Optimization Algorithm,布谷鸟-粒子群算法)的BN故障诊断方法。通过对CTCS3-300T车载设备实际故障数据的诊断分析,实现了车载设备智能化的故障诊断,验证了此方法的高效性和准确性。论文的具体工作包括:首先,详细研究CTCS3-300T车载设备的组成结构及功能特征,分析其故障诊断的特点。针对不同的故障模块,分析其故障表象及产生原因。将以自然语言记录的无规则故障追踪表,利用数据挖掘技术进行故障的数据挖掘,提取故障特征和故障引发规则,找出故障特征点间潜在关联性。对故障特征进行分类和编码,建立计算机可识别的编码故障诊断规则。基于专家先验知识和故障诊断特征,建立故障诊断的先验知识库,为车载设备的故障诊断提供先验诊断规则。其次,针对车载设备的故障特征,将处理不确定知识表达最优的BN作为核心算法,引入CS和PSO智能算法优化BN进行模型构建。分析了布谷鸟和粒子群算法的基本流程,找出影响算法敛散的因素。结合CS、PSO算法的优点,改进了CS-PSO算法。根据BN的结构特点,将CS-PSO算法应用于BN的结构学习,提出了一种CS-PSO优化BN的结构学习算法。以Chest Clinic、Credit、Car Diagnosis经典网络为仿真模型,进行了贪婪算法、K2算法、CS算法和CS-PSO算法的建模与仿真比较。验证了CS-PSO算法在BN的结构学习中,收敛速度快、收敛精度高和稳定性好,可以更快、更优的得到精确的贝叶斯网络结构模型。最后,将CS-PSO-BN结构学习算法应用于CTCS3-300T车载设备的故障诊断。建立CS-PSO优化BN的列控车载设备故障诊断模型,利用MLE(Maximal Likelihood Estimate,极大似然估计)算法对模型进行参数学习进一步优化BN的模型结构。通过与先验知识库的融合,构建出车载设备故障诊断的最优BN模型结构。运用车载设备故障训练样本对其仿真训练,便可得到CS-PSO-BN模型的诊断输出结果。通过对不同模型的诊断比较,得出CS-PSO-BN模型收敛速度快、学习时间短和诊断模型优,有效地提高了故障诊断的准确性,为车载设备实现高效化地故障诊断提供了新思路。
【学位单位】：兰州交通大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：U284.92
【部分图文】：

模型参数,信息融合,参数学习,故障诊断模型

S1 S2 S3 S4 S5 S10 S7 S8S9 S6 S11 S12 S13 S14 S15 S16S17 S18 S19 S20 S21 S22 S23 S24 S25 S26图 4.10 信息融合的 BN 模型4.6 BN 模型的参数学习在车载设备的故障诊断模型确立后，还需通过修正节点的先验概率来建立诊断模型的 CPT（Conditional Probability Table,条概率表），以建立完整的 BN 故障诊断模型。参数学习作为评价模型准确性的一个重要指标，在先验知识与学习样本相同的条件下，模型参数学习的准确性从很大程度上决定着学习模型的精确度。由于 CTCS3-300T 车载设备的故障样本相对完整，本文选用 MLE 算法进行节点参数的修正。随着数据样本数据的累计 MLE 学习到的概率参数将会非常准确。假设将诊断知识数据库和 CS-PSO 算法信息融合建立的 BN 定义为 BN1，将诊断知识数据库和 K2 算法信息融合建立的 BN 定义为 BN2，本文利用 GenIe2.0[57]软件的 MLE算法完成各模型节点的先验概率学习，结果如图 4.11 所示。

模型诊断,结果对比,列控车载设备,树算法

基于CS-PSO 优化BN 的列控车载设备故障诊断研究T ={1 ,1,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0}，集合的元素状态由 0 和 1 表示，含义为：0-未发生，1-发生。输入T 作为证据参数并令 P( S1 1) 1 P( S 2 1) 1 P( S 7 1) 1。利用 GenIe2.0 软件的联合树算法分别对 BN1 模型和 BN2 模型进行诊断推理，其推理结果如图 4.12 所示。

【相似文献】