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。     

列控车载BTM设备电磁干扰故障处理

动车组电磁环境复杂,列控车载BTM设备容易受到电磁干扰。结合北京电务段现场故障案例,对列控车载BTM设备电磁干扰故障进行分析,提出干扰排查方法及防干扰解决措施。     

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。     

列控车载设备智能监测系统在莞惠城际中的应用

动车组列控车载设备智能监测系统是保证行车安全、分析列控车载设备故障原因、发现和诊断设备隐患、指导现场维护检修的重要设备。本文结合列控车载设备智能监测系统在莞惠城际中的应用案例,详细阐述了该系统的功能需求、系统结构、信息安全防护设计和推广应用价值,以及系统投入试用后对现场维护方式的提升情况。     

DMI运营过程复现系统的设计与实现

在CTCS-2级和CTCS-3级列控车载设备中,司机通过观察和操作人机界面DMI(Driver-Machine Interface)单元监控和调整列车运行状态,但是司机的错误操作、DMI设备故障等均可能导致列控车载设备故障,造成运营晚点。为了对司机的操作和车载设备故障进行复现,需要开发一种可以复现列控车载设备DMI运营过程的系统。首先介绍列控车载设备DMI运营过程复现系统的系统框架和基本原理;其次介绍在DMI运营过程复现系统中DMI日志记录的使用方法;最后介绍车载主机模拟工具的一些关键技术。     

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。     

高铁列控车载设备故障知识图谱构建方法研究

作为列控系统的核心,车载设备有着结构复杂,模块间联系紧密的特点,若在行车过程中发生故障,将直接影响列车安全高效运行。为使维修人员准确掌握车载设备故障情况,借助智能化的手段对蕴含丰富经验信息的车载故障维修日志进行研究,有着重要的现实意义。研究通过分析该类日志特点,提出自顶向下与自底向上相结合的方式构建车载设备故障知识图谱。以车载故障维修日志实体关系转换为基础,将半结构化数据实体识别视为关键短语提取问题,提出词向量、主题模型与词典特征相结合的方法先获取关键词语,再通过Bi-gram模型将故障词语拼接为候选故障短语,其中评分最高者即为所需故障实体。实体间的关系则采用基于模式匹配的方法,构建车载故障关系模板,挖掘故障间的联系。对于识别实体的冗余和错误问题,利用实体向量间的余弦相似度计算,通过阈值设定实现实体融合,完成车载设备故障的知识挖掘。最后,以某铁路局2019～2020年车载故障维修日志为数据进行实验,累积抽取出故障实体339个,故障关系734条,据此构建车载设备故障知识图谱,并以可视化方式展示和检索车载设备故障间关系,有效提高了车载故障日志的知识发现能力,便于指导车载设备故障维修。     

列控(CTCS3-300T)车载设备常见故障及处理

列控车载设备负责接收列控地面设备发送的各种命令信息,并直接转化为对列车制动系统的控制.针对VCU软件故障、ODO故障、继电器硬件故障及无线通信超时等典型故障案例,在进行判断处理的同时,还总结故障归纳了处理措施.     

基于粗糙集神经网络的车载设备故障诊断

由于神经网络在车载设备故障诊断中存在网络结构复杂、训练时间长的问题,利用粗糙集理论处理不确定数据的优势,对BP神经网络进行优化。提出属性约简算法,去掉冗余信息,保留必要属性。通过对现场车载设备故障数据的实例分析表明,优化前后性能提升明显,且使用该方法能有效减少输入层神经元个数,提高车载设备故障诊断的效率和准确度。     

列控车载数据无线下载与智能分析系统

详细阐述了列控车载ATP无线下载和智能分析系统的需求来源、设计方案、实现方式和应用分析。该系统能够实现车载设备各个模块记录数据的自动采集,通过无线网络实时发送到地面分析中心,结合大数据挖掘技术,在故障发生后较短时间内完成智能分析,并将分析结果报告给维护人员,指导操作维护人员及时进行设备维护或应急处置,减小故障对现场运营的影响。