基于文本分析的高速铁路道岔故障分类模型研究

道岔是保障高速铁路运输安全的关键电务信号设备,研究其故障发生规律对指挥现场人员巡检和维修作业具有重要意义。针对非结构化铁路道岔故障描述的文本数据分类,根据高速铁路道岔故障发生原因和设备结构,结合专家经验进行人工划分,基于实时道岔动作电流或转辙机拉力等结构化数据进行自动分类。提出一种新的基于非结构化历史道岔故障文本描述的文本分类模型,首先应用融合铁路领域词典的中文分词工具Jieba进行分词,并通过Word2Vec和TF-IDF分别生成特征向量,最后应用SVM模型实现铁路道岔故障的智能分类。试验表明,该分类模型可以取得较好的分类结果,为现场作业人员提供一种客观的、基于海量历史数据的故障诊断模型。     

基于混合模型的道岔综合监测系统研究

道岔作为关键的铁路信号设备，也是铁路线路三大薄弱环节之一，其工作质量直接影响列车的运行安全。传统的道岔检测方法过分依赖人工经验，检测效率低下，难以应对现有铁路运行中行车速度快、发车密度高等对道岔维护所带来的严峻挑战，并且现有道岔监测也存在监测项目不全面等问题。为满足工电融合需要，开发了一套基于混合模型的道岔综合监测系统，使用卷积神经网络自动进行特征提取，以获取道岔状态，充分发挥深度学习的自动特征提取优势；采用支持向量机和向量域的混合算法，对正常/故障数据进行分类和异常检测，从而提高故障检测的准确率。测试结果表明：与现有人工巡检方法相比，该系统能够为相关人员提供精准、实时的道岔故障预警，提高维护效率，有效减少人力成本且降低道岔病害的发生概率。     

基于BP神经网络的道岔智能故障诊断方法

为将神经网络技术运用在铁路道岔故障诊断领域,提出了以神经网络技术为基准,针对道岔常见的3个故障类分别建立3个子神经网络,并总体组建成一个并行神经网络系统的道岔智能故障诊断方法,以帮助维修人员快捷、准确、自动地诊断出故障原因,降低故障处理时间,提高运行效率。     

RBF神经网络在铁路货运量预测中的应用

基于回归和时间序列模型的传统预测方法以及目前较为常用的灰色预测和BP神经网络预测方法，建立了RBF神经网络模型对全国铁路货运量进行详细分析和预测。利用铁路货运量的原始数据构造时间序列，并对时间序列进行分析和相应的处理。将处理后的数据构造为一个非线性映射，利用RBF神经网络进行逼近。利用Matlab对灰色预测、BP神经网络预测和RBF神经网络预测模型进行仿真实验，得出3种预测模型的平均相对误差，分别为7.67%、4.79%和1.31%。表明RBF神经网络预测方法的预测精度比另外两种预测方法高很多，可为铁路货运量预测研究提供方法支撑。     

基于SOM-BP混合神经网络的道岔设备退化状态研究

针对道岔设备故障频繁、维修成本高,且现有基于故障数据的诊断方法无法描述道岔退化过程,难以实现故障超前预判的问题,进行基于SOM-BP混合神经网络的道岔设备退化状态研究。依据采集的道岔非故障功率数据按区段提取峰值、方差、峭度等特征参数,基于平均影响值进行特征参数选择,并确定输入维数;使用自组织特征映射(SOM)神经网络对输入特征参数进行多次聚类学习,分析学习结果得到6种退化状态样本数据;构建15-13-6型BP神经网络结构模型,实现对道岔设备退化状态的识别。结果表明,采用SOM-BP混合神经网络进行道岔设备退化状态识别的准确率达到95.56%。     

基于粗糙集与模糊神经网络的车-地无线通信设备故障诊断研究

针对传统铁路列车车-地无线通信设备网络故障诊断模型结构复杂,诊断精度不高等问题,运用粗糙集理论(RS)、模糊系统(FS)和神经网络(NN)相融合的方法进行铁路列车车-地无线通信设备故障诊断研究。首先对原始样本数据进行模糊化处理,建立故障诊断样本数据表,基于粗糙集理论对故障样本数据进行约简,去除冗余属性,减少样本输入,然后利用约简后的数据训练神经网络,建立基于粗糙集与模糊神经网络车-地无线通信设备故障诊断系统模型结构;最后,将该模型运用于故障诊断中。试验结果对比表明,此方法简化了网络的结构,缩短了训练所需要的时间,提高了故障诊断的精度,从而验证了该方法的可行性。     

基于模糊神经网络的道岔故障诊断系统研究

运用模糊理论和神经网络技术相结合的方法,构造了基于模糊神经网络的铁路道岔故障诊断系统,介绍该系统的的结构、原理及诊断过程,并采用Matlab神经网络工具箱进行仿真,仿真结果表明模糊神经网络方法适用于道岔设备故障诊断.     

基于Verhulst-RBF的铁路客运量预测

为更准确地预测铁路客运量,采用灰色关联法,分析不同因素对铁路客运量的影响程度,确定主要影响因子,并将其作为预测指标,提出基于Verhulst-RBF神经网络的铁路客运量预测组合模型。基于四川省近14年的铁路客运量数据,进行组合模型测试。实验结果表明,Verhulst-RBF神经网络组合模型的预测精确度高于单一的Verhulst模型或单一的RBF神经网络模型。     

基于CNN-GRU模型的道岔故障诊断算法研究

道岔作为铁路重要的信号基础设备,在保障铁路安全运行中起到重要作用。基于信号集中监测系统中道岔的故障电流和功率曲线,经过哈尔小波变换后,通过卷积神经网络(CNN)中的卷积层,对故障曲线提取一定维度的道岔故障特征;然后把提取到的故障特征作为门控循环单元(GRU)的输入,从而实现道岔故障诊断;最后将数据集分成训练集和测试集,对模型做训练和验证。实验仿真表明,特征矩阵采用40维输入,迭代75次时,道岔故障诊断准确率达95%,训练时间也优于其他方法。     

基于RBF神经网络的铁路沿线短时风速预测方法

对实测风速数据进行Kalman滤波,去除实测风速数据的偏差;通过归一化处理,消除数据中的冗余成分;针对RBF神经网络的预测误差会随着时间的推移而增大的问题,采用滚动式训练方法在线训练RBF神经网络;用训练好的RBF神经网络进行风速预测,再对预测结果进行反归一化处理,得到最终的预测风速.仿真结果表明,运用基于RBF神经网络的铁路短时风速预测方法对短时风速进行预测,最大相对误差仅为5.92％,可满足铁路防灾安全监控系统中风速预测子系统的要求.     

改进的道岔智能故障诊断系统建模研究

铁路系统转辙机维修方式仍沿用故障修模式,无法提高故障排除速度和准确性,提出利用改进遗传算法优化贝叶斯网络的方法建立故障诊断模型。利用遗传算法搜索能力强,不易陷入局部最优的特点,采用连接矩阵代替网络结构的编码方式,通过修改适应度函数、更新遗传操作方式、修正非法图等方法改进遗传算法,最终解决贝叶斯网络结构学习算法容易缩小搜索空间及易陷入局部最优的缺点。最后利用标准Asia网络验证本文算法比K2和GA算法有更好的搜索结果和更快的收敛速度,以道岔失去表示故障为例验证改进算法对转辙机故障诊断的优越性。     

基于EHM理念的铁路机务设备大数据健康管理系统的设计与实现

为更好地进行铁路机务设备工作状态管理,降低维修成本,设计并实现了基于设备健康管理(EHM,Equipment Health Management)理念的铁路机务设备大数据健康管理系统。该系统通过层次分析法、自回归(AR,Autoregressive)模型、支持向量机(SVM,Support Vector Machine)模型,实现了铁路机务设备运行状态实时监测、健康趋势预测分析(准确率到达96.2%)、故障预测分析(准确率到达99.08%)、风险评估预警等功能。系统的运用有效的降低铁路机务设备维修成本,为铁路机务设备的信息化健康管理起到示范作用。     

铁路运输设备故障知识图谱构建与应用研究

铁路运输设备故障数据的科学分析对提升铁路安全保障水平具有重要意义。文章在研究铁路运输设备安全保障体系的基础上，阐述铁路运输设备故障知识图谱构建过程，提出铁路运输设备故障知识图谱构建和应用架构，以及基于该图谱的故障智能诊断与处理、风险管理和智能问答的知识应用场景，为铁路各专业分析设备故障数据提供参考。     

铁路信号非线性系统故障诊断方法研究

基于二值逻辑的故障诊断方法将系统状态分为正常状态和故障状态。本文针对介于正常状态和故障状态之间的中间状态,提出一种基于模糊逻辑和粒子滤波的非线性系统故障诊断方法。模糊逻辑可以描述非线性系统的故障渐变过程,而粒子滤波可以评估系统状态。通过比较不同故障等级的实际系统状态与系统评估状态,所得到的残差可作为故障诊断标准。以某型铁路信号控制系统的非线性系统为研究对象,利用不同开关状态模拟各种系统故障,仿真结果表明:该方法比传统二值逻辑故障诊断方法的精度更高,且诊断结果能够体现系统故障等级,较准确地反映系统实际故障情况,可以提高信号系统故障诊断的准确性。     

铁路调度指挥系统故障诊断方法

根据铁路调度指挥系统中的故障传播路径特点,建立故障传播的有向图及其模型,设计基于贝叶斯后验概率准则的故障诊断算法.该算法的基本原理是,每1个新增的故障现象都对应着1个故障原因域,依据贝叶斯后验概率准则,计算故障原因域中每1个故障原因的疑似概率,然后按其大小顺序插入既有的故障原因疑似概率集合中.随着故障现象的增加,当故障原因疑似概率集合不再改变时,运算终止.故障原因疑似概率集合中前n个元素能覆盖故障现象时,这n个元素所对应的故障原因,即是诊断结果.实验表明,在单故障模式和双故障模式下,运用这种故障诊断算法得出的结论完全正确,并且在计算机上的运算时间不超过0.8s.     

基于人工智能的高铁动车组智能运维数据分析系统的构建

针对高速铁路（简称：高铁）动车组部件故障诊断和预测的业务需求,依托动车组故障预测与健康管理（PHM,Prognostic and Health Management）系统,在基于人工智能的高铁动车组智能运营维护（简称：运维）算法研究平台中构建高铁动车组智能运维数据分析系统。介绍了高铁动车组智能运维算法研究平台的架构,以及高铁动车组智能运维数据分析系统的数据处理流程和关键算法。并以高铁动车组客室空调为例,选取客室空调相关传感器数据进行数据分析,得到影响客室空调健康状况的特征,并对聚类结果进行健康度数据标注,作为客室空调健康评估模型开发的基础。     

基于改进遗传算法的高速列车节能优化研究

为有效降低列车运行能耗,针对高速列车行进过程中的能耗优化问题,讨论了列车运行阻力的计算及列车停车点的设置,以此建立以列车能耗最小为优化目标的列车运行优化模型,提出3代逼近搜索的引导机制,改进了传统遗传算法中的算子,同时引入逆转算子提高算法求解能力。以CRH380B型高速列车和合福高铁(合肥—福州)数据为基础进行仿真,列车运行能耗降低了10.7%。仿真结果表明,提出的改进遗传优化算法在高速列车行进过程中,满足列车运行准时性和安全性,且能够有效降低运行能耗。     

基于iBeacon的站内定位导航系统设计研究

通过研究国内外室内定位技术应用现状,分析在铁路车站内基于iBeacon实现定位、导航,构建站内导航系统的可行性。提出了基于iBeacon的指纹匹配定位算法,采用面向服务的架构体系,融合多源系统异构数据,提出并设计了站内导航系统总体架构、逻辑架构及网络架构。设计了站内导航系统的功能,满足了旅客在站内对位置服务的需求及对站内外导航接续服务需求。利用大数据分析及数据挖掘技术为铁路车站工作人员提供了站内商业智能分析。通过系统的建设能够解决旅客在站内“迷路”的难题,提升旅客出行体验,改善客运服务质量,降低客运服务成本。     

高速铁路灾害监测系统故障诊断方法研究

作为高速铁路安全保障系统之一,高速铁路灾害监测系统（简称：灾害监测系统）的稳定运行是列车在灾害天气和突发异物侵限事件下安全运行的根本保障。针对灾害监测系统故障数据特点,构建了基于失效模式与影响分析（FMEA,Failure Mode and Effects Analysis）的灾害监测系统故障分析表,对该系统的故障表现、故障原因和影响进行分析。在此基础上,提出了基于随机森林算法的灾害监测系统故障诊断方法。通过对比分析可知,该方法优于传统的基于C4.5决策树的故障诊断方法,有助于灾害监测系统故障的快速诊断、定位和处置,减少人工排查设备故障的工作量,为灾害监测系统的运营维护提供技术支持。