论文部分内容阅读
近10年,中国铁路迅速发展,铁路运输的强度和密度不断提升,道岔设备是铁路信号系统的基本组成部分,其性能好坏与铁路运输的安全和效率密切相关。铁路现场的道岔设备的维护维修工作主要由工作人员通过查看信号集中监测系统记录的转辙机电流、功率曲线完成,按照经验人工处理故障,效率低下,而且该方法只在道岔故障发生后实施,没能对其日常维护提出指导,不能形成系统的维护维修规划。针对以上问题,本文提出基于神经网络的道岔故障预测和诊断方法。以道岔的缓变故障为研究重点,通过研究正常非故障数据构建退化性能指标,以PSO-ELM神经网络算法为基础搭建道岔缓变故障预测模型,同时,通过分析各类故障数据的特征,以ELM算法为基础搭建道岔故障诊断模型。实现道岔设备故障预测和诊断的智能化并为现场维护维修工作提供理论支持,本文的研究工作如下:(1)道岔设备故障模式分析。学习道岔的工作过程和监测原理,研究道岔功率曲线的形成机理,从道岔功率曲线角度出发,通过历史数据分析和总结道岔故障模式及其形成原因,构建道岔故障样本数据库。(2)数据处理和特征处理研究。采用统计学方法对道岔功率数据进行特征提取,针对各类故障之间数据的不平衡性,使用SMOTE算法进行数据调整,组成特征数据集,引入Fisher线性判别方法和t-SNE算法进行特征降维,得到合适维度的特征数据作为故障诊断模型的输入。(3)道岔缓变故障预测方法研究。针对正常非故障数据,利用特征处理的方法得到退化状态和各类故障模式的联系,确立退化性能候选指标,采用KPCA算法构建退化性能指标及其失效阈值,能够明显表征道岔设备退化状态,最后建立PSO-ELM模型预测退化性能指标变化趋势,对比BP、ELM、SVR模型预测的结果,最终发现当PSO-ELM模型的隐含层神经元数目为30时,预测性能最优。(4)道岔故障诊断研究。针对故障数据,建立t-SNE-ELM神经网络模型进行道岔故障诊断,对比PCA-ELM模型和t-SNE-SVM模型诊断的结果,最终发现当输入维数为5维时,t-SNE-ELM方法识别准确率为95.8%。本文通过对道岔正常和故障功率数据进行研究,针对正常数据进行缓变故障的退化性能指标预测,针对故障数据进行故障定位和识别,从而实现道岔设备的健康管理,为铁路现场的维护维修工作提供理论支持。图52幅,表12个,参考文献72篇。