基于萤火虫群优化聚类的中速磁浮运控设备故障诊断研究

发布时间：2020-05-12 15:17

【摘要】：运控设备是确保中速磁浮列车安全防护和自动控制的核心装备,由于内部模块老化和外部环境因素的影响,运控设备故障的发生不可避免。因此,进行运控设备故障诊断研究对确保中速磁浮全局全过程故障安全具有重要意义。本文通过研究已有的列车运控设备故障诊断方法,提出了基于萤火虫群优化聚类的中速磁浮运控设备故障诊断新方法,并结合大数据技术实现了运控设备的智能化故障诊断,具体内容如下:(1)提出了改进的萤火虫群优化算法。针对基本萤火虫群优化(Glowworm Swarm Optimization，GSO)算法在处理复杂多模态优化问题后期存在的慢收敛及寻优精度较低等问题,提出了可变步长萤火虫群优化(Variable Step-size Glowworm Swarm Optimization，，VSGSO)算法,在此基础上,通过改进算法中萤火虫的位置更新策略和搜索域,提出了可变步长及更新搜索域萤火虫群优化(Variable Step-size and Domains Glowworm Swarm Optimization,VSGSO-D)算法。通过算法参数选择实验,获得了降低算法难度的最优初始化参数组合。对比实验表明,本文提出的VSGSO-D算法在多模态函数优化上具有更好的全局收敛速度、寻优精度及稳定性,通过保护萤火虫种群的多样性,提高了改进算法的多局部优化精度。(2)提出了基于VSGSO-D的中速磁浮运控设备故障聚类算法。分析了中速磁浮主要运控设备的故障模式,建立了关键运控设备故障模式与监测参量之间的关系。结合VSGSO-D算法的多模态优化能力,提出了VSGSO-D自组织聚类算法,实验结果表明,该算法不需要初始化聚类中心和簇数就能有效的实现数据的自组织聚类。在此基础上,将该聚类算法与k-means算法结合,提出了VSGSO-D混合聚类算法。最后进行了 k-means、k-means++、k-means算法和本文提出的混合聚类算法的故障聚类对比实验,结果表明,本文提出的混合算法具有更高的聚类质量,能更好地实现中速磁浮运控设备的故障聚类。(3)构建了基于VSGSO-D混合聚类的中速磁浮运控设备故障诊断模型和分布式大数据存储与分析系统,实现了对中速磁浮关键运控设备的故障诊断,获得了较高的故障诊断准确率。
【图文】：

示意图,算法原理,示意图,荧光素

２．１．２邋ＧＳＯ算法运算过程逡逑ＧＳＯ算法的基本流程包括初始化、荧光素更新、寻找邻居、移动、位置更新逡逑以及邻域范围更新，如图２－２所示，当算法满足截止条件（达到最大迭代次数）逡逑时流程终止。逡逑初始化逡逑＿逦＼ｂ逡逑荧光素更新＾逦逡逑寻找邻居逡逑ｓｌｙ逡逑移动逡逑Ｎｂ逦Ｊ逡逑位置更新逡逑广逦ｓｉｘ逡逑邻域范围更新——逡逑图２－２邋ＧＳＯ算法基本流程逡逑Ｆｉｇｕｒｅ邋２－２邋Ｂａｓｉｃ邋ｆｌｏｗ邋ｏｆ邋ＧＳＯ邋ａｌｇｏｒｉｔｈｍ逡逑（１）

基于萤火虫群优化聚类的中速磁浮运控设备故障诊断研究

书血
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;U269

【参考文献】