基于贝叶斯网络的列控车载设备故障诊断方法

列控车载设备故障排查与维护多依赖于人员经验,存在一定的片面性且效率较低。提出一种基于贝叶斯网络的列控车载设备故障智能诊断方法,基于历史故障数据得到故障征兆,利用粗糙集理论对故障征兆进行属性约简,降低训练模型的复杂度;将专家知识与故障数据训练相结合,改进贝叶斯网络模型,并将故障征兆关联关系融入模型中。以武广线列控故障数据为例,验证该模型的诊断效果。该方法对提升列控系统故障诊断的智能化水平具有借鉴意义。     

基于贝叶斯网络的高铁信号系统车载设备故障诊断方法的研究

考虑到高铁车载设备故障诊断的不确定性和复杂性,本文提出了基于贝叶斯网络的车载设备故障诊断系统。在建立贝叶斯网络结构的过程中,基于充分利用现场数据与先验知识的思想,本文通过融合不同方法(K2算法,MCMC算法和专家知识)得到最优的贝叶斯网络结构。最后,本文进行了实例分析与模型验证,并与KNN算法、BP神经网络算法进行比较,测试结果表明该模型的正确性和有效性。文中的验证数据来自武广高铁车载设备故障追踪表。     

基于文本挖掘的高铁信号系统车载设备故障诊断

本文以故障文本信息为依据,提出基于文本挖掘的高铁信号系统车载设备的故障诊断方法。针对故障追踪表记录的不规范性和随意性,采用主题模型对故障追踪表进行分析和特征提取;在此基础上,考虑到高铁信号系统车载设备故障诊断的不确定性,采用贝叶斯网络作为故障分类的方法。在贝叶斯网络结构的确定中,根据车载设备的特点与领域专家知识,提出适用于车载设备的贝叶斯结构学习算法HDBN_SL。以武广线的现场数据为依据,进行实验分析,测试结果表明本文特征提取以及故障诊断方法具有较好的诊断准确性。     

RS-BN算法在高铁车载设备故障诊断中的应用研究

针对高速铁路列控车载设备结构复杂、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、故障诊断自动化程度低等问题,提出一种贝叶斯网络与粗糙集模型约简技术相融合的故障诊断方法。首先对故障追踪表进行分析提取和数据挖掘,结合专家经验建立诊断知识数据库;其次对故障数据进行K2算法学习、训练,并结合诊断知识数据库先验知识建立BN结构模型;然后结合故障信息数据建立诊断决策表,利用粗糙集进行条件属性约简,消除冗余条件信息,简化模型并建立基于RS-BN算法的BN结构模型;再通过MLE算法进行BN模型的参数学习,获得模型的条件概率表,建立完整的BN诊断模型;最后对约简模型和未约简模型进行对比分析。通过某高铁实际故障数据仿真验证分析,测试结果证明了该方法有较高的准确性和实际模型的高似然度。     

基于快速贝叶斯网络的S700K转辙机故障诊断研究

转辙机故障对铁路运输安全和效益影响重大,针对转辙机故障原因与现象之间的复杂不确定性关系,提出一种基于粗糙集约简的高效贝叶斯网络故障诊断方法。首先,建立故障诊断决策表,利用改进的差别矩阵算法剔除对结果影响较小的属性,得到最简故障诊断决策表。其次,根据表中故障现象与故障类型连接关系建立贝叶斯网络模型,利用推理算法求解各类故障发生的概率。算法通过约简属性简化贝叶斯网络结构,降低算法复杂度,加快计算速度。最后,用某车站转辙机故障实例验证该智能故障诊断方法的正确性。     

基于小波包和贝叶斯分类的机车走行部滚动轴承故障诊断研究

机车走行部滚动轴承的状况直接关系到机车的性能和列车的运行安全。针对目前机车走行部滚动轴承故障诊断准确率不高、模型构建时间较长的问题,提出一种基于小波包和贝叶斯分类的故障诊断方法。通过小波包变换构造故障特征集,利用粗糙集和主成分分析进行降维,将未降维和降维之后的故障特征集输入到贝叶斯分类模型中实现故障诊断,最后将贝叶斯分类方法和神经网络及最小二乘支持向量机方法进行比较。仿真结果表明,朴素贝叶斯分类方法构建模型的时间更短,分类准确率更高。     

基于贝叶斯网络的牵引逆变器开路故障多特征融合诊断方法

为了增强牵引逆变器开路故障诊断方法对于不确定因素的免疫能力,提出一种基于贝叶斯网络的信息融合诊断方法。以牵引逆变器输出侧的电流和电压为信号源,提取小波包熵特征,采用主成分分析法对原始特征进行降维,使用贝叶斯参数估计法融合降维后的特征量,得到信息互补的新的特征向量。利用贝叶斯网络对融合后的新的特征向量进行识别,对不同观测值情况下的最大后验概率估计结果进行信息融合并做出决策,进而完成故障诊断。建立仿真模型,与使用K均值算法的故障分类情况做对比,验证不同转速和白噪声情况下所提故障诊断方法的有效性。研究结果表明:所提方法能够对牵引逆变器IGBT的单管和双管开路故障进行准确检测与定位,能够去除冗余信息和互补有效信息,具有一定的抗干扰能力,准确率高,适应性强。     

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。     

地铁列车车门系统故障分析及诊断方法

车门系统作为地铁列车的重要组成部分,其工作状态对于列车的安全运行有重要意义。文章介绍了列车车门的结构和常见的车门故障,对故障产生的原因做了简要分析。针对列车车门故障,文章分别介绍了基于决策树、人工神经网络和贝叶斯网络的故障诊断方法。     

基于贝叶斯网络模型的CBTC系统无线数据通信故障排查方法研究

随着城市轨道交通CBTC系统的广泛应用，对车地无线数据通信的稳定性提出了更高要求。一旦车地数据通信发生故障，无论是单点故障，还是全网故障，均会对超大城市网络化运营造成较大影响。为此，对CBTC数据通信故障进行分级、分类统计，并构建故障树。结合现场大量实际数据，提出基于贝叶斯网络的数据通信故障分析模型，利用该模型对故障发生原因进行提前诊断，以快速确定故障分类和准确定位，缩短故障处置时间。同时结合现场实际运营中的典型案例，利用贝叶斯网络模型找到故障点，为运营一线降低故障影响，快速恢复正常运营起到了关键作用。在此基础上，针对网络风暴对信号系统冲击这一常见故障，为新线建设和更新改造工程，提出4条具体防范措施。     

智能牵引变压器故障诊断技术研究

研究目的:构建智能牵引供电系统保障高速铁路安全可靠、优质高效的运营是我国高铁未来发展的方向,而牵引变压器作为牵引供电系统中的重要组成部分,对其开展智能化研究是智能牵引供电系统研究的关键。本文从牵引变压器在线监测需求入手,阐述对牵引变压器关键参量进行在线监测的智能化方案,且根据监测参量构建基于贝叶斯网络的牵引变压器故障诊断模型。研究结论:(1)在传统牵引变压器的基础上,加设牵引变压器光纤测温、油中气体在线监测及铁芯接地电流监测三大模块,可准确地掌握牵引变压器运行状态,是实现智能牵引变压器故障预测的数据源基础;(2)通过现场实例验证,基于贝叶斯网络的牵引变压器故障诊断模型准确性高,可实现牵引变压器的故障在线诊断;(3)本文研究成果可在电气化铁路牵引供电系统领域进行推广应用。     

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。     

地铁列车故障检测与诊断系统网络体系结构及其仿真研究

根据地铁列车故障检测与诊断技术的发展需求,介绍了车载故障检测与诊断系统的组成,提出了基于工业以太网的地铁列车故障检测与诊断系统网络体系结构.利用网络仿真软件构建了该诊断网络的网络拓扑结构模型,并基于该模型研究了车载工业以太网传输大容最故障数据及视频监视信息过程中网络负载、网络延时和端到端的关键性能参数.仿真结果表明,该系统级仿真模型对车载故障诊断网络的性能分析是有效的,为工业以太网络在地铁列车上的应用提供了客观、可靠的定量依据.     

基于最小二乘支持向量机的轨道电路故障诊断方法

为提高轨道电路故障处理效率和正确率,对轨道电路的多故障诊断方法进行研究。建立基于最小二乘支持向量机的轨道电路故障诊断模型,用某轨道电路实测数据进行训练和测试,选择基于BP神经网络的故障诊断方法进行对比。结果表明:基于最小二乘支持向量机的轨道电路故障诊断方法能有效实现轨道电路5种故障的诊断,且具有更快的运算速度。与BP神经网络故障诊断方法比较,故障诊断正确率提高了17.14%,运算时间减少2/3。     

列车MVB总线故障注入方法研究

为了提取不同运行状态下列车通信网络的故障数据特征量,测试不同程度退化的网络性能,以便于对车载网络进行故障诊断和健康管理的研究,设计了一种基于FPGA的MVB网络故障注入设备。通过研究网络故障的发生原理,实现了MVB网络阻抗不匹配、间歇性断路、数据帧错误等故障注入;同时以锁存器(latch)亚稳态结构作为随机数熵源,提出基于"LFSR+latch"结构的真随机数生成模型,模拟偶发性、随机性故障的发生;最后搭建了MVB网络测试平台,通过采集各故障模式下的MVB网络波形数据,提取特征量,进一步验证故障注入方法的可行性。     

基于模型诊断和专家系统的牵引变压器故障诊断研究

针对现有专家系统在故障诊断中存在的问题,提出将基于模型诊断的方法应用于牵引变压器故障诊断中.将故障分为潜伏性故障和电气回路故障两类,对于前者,将专家系统和基于模型的诊断方法相结合,充分利用两者的优势对变压器故障进行诊断,并给出具体实现过程;对于后者,直接利用模型诊断的方法,建立以电压、电流为变量的牵引变压器结构和功能的两层抽象模型,利用观测位置的不变性,将诊断分为离线和在线诊断两部分,对牵引变压器故障进行诊断.通过实例仿真获得故障数据并应用模型诊断推理,验证了基于模型诊断的方法应用于牵引变压器故障诊断的可行性和有效性.     

基于波形特征提取和FA-Grid SVM的MVB故障诊断

列车通信网络的故障诊断一直是列车健康管理的难点,文章针对列车MVB(多功能车辆总线)网络,提出了一种基于波形特征提取和联合萤火虫网格寻优支持向量机(FA-Grid Support Vector Machines, FA-Grid SVM)相结合的故障诊断方法。通过提取MVB总线物理波形的时域特征,作为支持向量机的样本,构建MVB故障数据集;基于SVM较优参数点基本集中于同一区域这一现象,提出FA-Grid两步寻优的参数优化模型。试验结果表明,与传统网格寻优和遗传算法(GA)相比,提出的FA-Grid寻优模型时间复杂度低,分类效率高,能够准确地对MVB故障进行诊断。     

模糊贝叶斯决策在ATP车载设备故障诊断中的应用研究

高速列车长时间工作运行不可避免发生故障,其中的车载设备故障发生具有不确定性和相关性特性。分析故障发生和查找故障致因是一项复杂而重要的过程和工作。贝叶斯网络在解决不确定性和相关性问题有其独特的优势,可以利用贝叶斯网络查找故障成因和故障点并且加以控制,从而提高列控车载设备运行的安全性。在实际理论和工程实践中运用贝叶斯推理时往往过分强调贝叶斯推理功能而忽略先验概率确定的问题,模糊贝叶斯决策是在经典贝叶斯理论上综合运用决策理论、模糊数学、贝叶斯方法和期望效用理论,建立一个在多属性指标下故障态势的模糊贝叶斯决策模型,克服了单一贝叶斯推理的不足,增强了模型的适用性。     

基于Labeled-LDA的列控车载设备故障特征提取与诊断方法研究

准确地诊断出列控车载设备的故障类型是保障列车安全运行的基础。针对车载设备故障诊断问题,根据北京动车段300T车载日志数据的特点,基于数据挖掘方法并结合现场技术人员的经验知识,构建车载设备的故障特征词库;在此基础上,改进了Labeled-LDA(Latent Dirichlet Allocation)模型用于提取日志数据的语义特征。采用基于粒子群优化的支持向量机算法PSO-SVM对日志文本的故障进行分类,以降低故障样本数据分布不均衡对分类精度的影响,并与传统的支持向量机算法SVM,K最近邻算法KNN进行对比分析。实验结果表明,KNN、SVM、PSO-SVM三种算法的故障文本数据一级故障诊断准确率依次为79.4%,81.8%和90.9%,二级故障诊断准确率依次为74.6%,78.1%和81.3%,验证了PSO-SVM算法在车载设备故障诊断方面的有效性。该研究成果对列控车载设备日常维护具有一定的指导意义。     

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.