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。     

贝叶斯网络在ZPW-2000K无绝缘轨道电路故障诊断中的应用

考虑到ZPW-2000K无绝缘轨道电路故障的复杂性和不确定性,提出一种基于贝叶斯网络的故障诊断方法。在充分利用先验知识和现场数据的基础上,通过融合专家知识和SEM算法得到最优的贝叶斯网络结构。最后采用成渝高铁故障数据对基于贝叶斯网络的故障诊断模型进行验证,测试结果表明该模型的精确性和实用性。     

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。     

基于改进WNN分析功率曲线的S700K转辙机故障诊断

基于S700K转辙机常见故障下的功率曲线提出一种将小波变换、改进型遗传算法与神经网络相结合的故障诊断方法。用相应故障模式下的功率信号进行正交小波分解,把结果作为神经网络的输入特征向量,利用改进的遗传算法优化BP神经网络的参数,用训练好的BP神经网络进行故障诊断。研究结果表明:该方法可以有效的运用到S700K转辙机的故障诊断中,并提高转辙机故障诊断的精度与速度。     

改进粒子群优化算法的BP神经网络在机车滚动轴承故障诊断中的应用

本文提出了一个基于改进粒子群优化算法的BP神经网络优化模型来进行轴承故障诊断,此模型融合粒子群优化算法的全局寻优能力和BP神经网络算法的局部搜索的优势,有效地防止了网络陷入局部极小值,同时又保证了诊断结果的精确性.仿真结果表明机车滚动轴承故障得到了有效诊断.相比于常规的BP神经网络模型,此方法不仅改进网络的收敛速度并且提高了预测准确性.     

基于改进对抗网络与自适应数据对齐的转辙机故障诊断研究

针对转辙机故障监测数据的非均衡小样本的诊断问题，提出一种基于改进生成对抗网络数据增强的转辙机故障诊断方法。该方法以故障诊断为目标改进ACGAN网络，利用生成器扩充样本分布空间及判别器的辅助分类器学习故障曲线的特征分布模式，以少量样本训练模型实现对常见故障的精确诊断。鉴于转辙机动作电流数据长度不一致，采用自适应压缩实现数据对齐，避免了以往硬填充或硬截断对齐方式对模式特征的破坏，进一步增强了故障诊断性能。最后采用成都地铁四号线的转辙机实际数据进行测试验证并与相关方法对比实验。结果表明，本文方法对转辙机非均衡小样本的数据集具有良好的适用性，其故障诊断AUC指数为0.999,诊断准确率高且实时性好，具有较好的现场应用前景。     

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。     

基于概率神经网络的S700K转辙机故障诊断方法

转辙机故障对铁路运输安全影响重大。针对转辙机故障原因与现象之间的复杂不确定性关系，提出一种基于概率神经网络的S700K转辙机故障诊断方法。在对转辙机各个状态功率曲线动作原理进行分析的基础上，根据信号不同时域特征参数，对各工作区段的特征进行提取；依据故障现象与故障类型的关系建立概率神经网络模型，以F1-Score作为诊断准确性评价指标，通过测试不同平滑因子对F1-Score值的影响，确定0.019为概率神经网络进行故障诊断最优的平滑因子；最后选择来自某电务段的81组S700K转辙机故障数据作为测试数据，验证了该智能故障诊断方法的可靠性。     

地铁车辆牵引控制单元的故障诊断方法

地铁车辆牵引控制单元是地铁系统的核心单元之一,准确判断其故障状态对车辆安全运行至关重要。针对模糊C-均值聚类(FCM)在牵引控制单元故障诊断中的不足,提出了采用入侵杂草算法优化FCM,解决了FCM聚类结果不稳定和容易陷入局部最优的问题。该方法能克服单一故障诊断法的缺陷,同时具备群智能算法搜索全局最优和FCM算法处理模糊信息的能力。通过UCI数据集和地铁车辆实际数据进行仿真实验,结果表明,新方法与传统FCM相比,能获得更优的聚类中心,有效提高了TCU故障诊断的准确性和快捷性。     

基于动态PSO优化HSMM的转辙机PHM模型研究

针对转辙机故障发生的随机性与不确定性,提出设备故障预测与健康管理的方法,对其传统维修策略进行改进。该模型将转辙机的机械部件的退化过程按照全生命周期进行划分,利用动态粒子群算法优化隐半马尔科夫模型,实现转辙机状态的故障预测。首先,建立转辙机退化状态的隐半马尔科夫模型;其次,选择动态粒子群算法对转辙机预测模型动态优化,再结合前向-后向算法对优化后的模型进行参数估计;最后,通过实例分析验证该优化模型的有效性。     

基于代价敏感RBF神经网络的道岔故障诊断系统

针对铁路道岔故障中几种常见类型故障,为尽量减少道岔故障误分类所造成的损失,特建立基于遗传算法的代价敏感RBF神经网络模型以及基于该模型的道岔故障诊断系统。模型通过建立代价敏感适应度函数,实现基于遗传算法的RBF神经网络向代价最优的方向进行随机搜索。利用某车站道岔动作电流监测数据进行验证,证明系统能够提高故障数据的识别精度,降低故障数据的误分类代价。该系统可帮助维护人员快速、准确地对道岔故障进行诊断,缩短故障处理时间,提高铁路行车的安全性。     

基于实时动态迟滞的LTE-R切换算法优化研究

现行的的LTE-R切换算法在进行切换时采用固定的切换迟滞,或者对列车速度进行分级,进而调节动态迟滞,只做到了"局部动态",这意味着确定更准确的切换触发点是一个关键问题。首先,为了切换方案的顺利提出,根据实际信道模型对LTE-R网络重叠覆盖区的过渡区段、切换区段的距离作了理论的推导;然后,为了提高高速环境下的切换成功率,优化系统性能,提出基于实时动态迟滞的越区切换优化算法,先利用乒乓切换率和链路失效率等指标得到不同速度下的切换迟滞值,之后利用最小二乘法得到列车速度与切换迟滞的最佳函数匹配。仿真结果表明,相比于现行的切换算法,改进算法具有更高的切换成功率,佐证了所提出的方案比现行方案能更有效地触发切换。     

SA-BP神经网络在轨道电路故障诊断中的应用研究

针对25 Hz相敏轨道电路故障的复杂性,提出一种模拟退火(SA,Simulated Annealing)算法与BP神经网络相结合的故障诊断方法。发挥SA算法全局寻优的特点来优化BP神经网络的学习过程,避免网络训练时间长和陷入局部极小值;通过Matlab进行仿真分析,结果表明,将该方法应用于轨道电路故障诊断,可有效提高故障诊断效率和准确度。     

用改进的遗传算法解决多约束QoS单播路由问题

在Internet网络中由于多媒体通信的需要,QoS路由技术已经成为研究的热点。本文通过对多约束QoS单播路由问题的研究,在已有遗传算法解决方案的基础上,提出一种改进的遗传算法。改进后的遗传算法综合考虑QoS单播路由中延时、延时抖动、带宽、丢失率等因素,并根据网络连接特性和带宽限制,在种群的初始化、染色体的交叉和变异等操作中,对个体中基因的选择进行指导,并加入去除循环、削减路由开销等操作,使得多条件约束下的路由选择效率更高。最后给出实验举例,并通过与现有算法性能比较,表明改进的遗传算法能快速、有效地解决多约束QoS单播路由选择问题,并适用于大规模的网络系统。     

基于滑模控制的卡尔曼滤波在列车定位中的研究

为了提高城市轨道交通中轮轴速度传感器与加速度计组合定位的精度,提出一种基于滑模控制的改进卡尔曼滤波算法。对于组合定位来说,由于卡尔曼滤波不能很好地修正加减速过程中的空转打滑误差,考虑到滑模控制器的滑动模态与系统的参数及扰动无关,提出采用基于滑模控制的改进卡尔曼滤波来进一步降低误差。其基本思路是应用指数趋近律滑模变结构来改善里程计算值,然后再进行卡尔曼滤波。并利用仿真软件对上述过程进行验证,仿真结果表明:基于滑模控制的改进卡尔曼滤波算法,能够在一定程度上减小空转打滑误差,进一步提高定位的精度。最后通过与其他卡尔曼滤波改进算法对比,得出基于滑模控制的卡尔曼滤波方法结构更为简单,也能保证一定的精度。     

粒子群优化的神经网络在齿轮故障诊断中的应用

针对BP神经网络容易陷入局部极小及收敛速度慢的问题,本文利用粒子群优化算法代替BP算法中的梯度下降法训练神经网络的权重和阚值,有效地改善了BP网络诊断性能;利用训练后的神经网络对齿轮进行了故障诊断,并比较了基于粒子群优化算法与BP算法的诊断结果,通过仿真实验表明:无论是在诊断速度上还是在诊断精度上,PSO-BP神经网络诊断性能都比单独的运用神经网络有很大提高.     

基于贝叶斯网络的驼峰超速连挂事故分析

针对驼峰超速连挂事故进行分析。分析对事故有重要影响的线路、调速设备和车辆等因素,考虑到贝叶斯网络能较好解决不确定性问题以及可以双向推理的特点,建立驼峰超速连挂事故树,并将其转化成贝叶斯网络,计算顶上事件的发生概率以及基本事件的后验概率。结果表明,超速连挂事故的主要影响因素为线路纵断面、调速设备制动能力以及新型重载车辆三方面。进一步考虑新型重载车辆的共因失效问题,建立贝叶斯共因失效混合网络,计算并分析新型重载车辆对超速连挂事故的影响程度以及对既有驼峰的适应性。     

梯形高可靠列车通信网络冗余结构分析

文章构建了一种高可靠的列车通信网络梯形冗余结构的组网方案,分析了该网络的故障保护及冗余切换机制。针对梯形网络这种复杂列车通信网络,提出了一种基于K-端连通性检测简化的动态故障树分析方法,并利用二元决策图简化了故障树计算过程。文章提出的算法综合考虑了通信网络中系统结构、组件的动态修复情况以及拓扑结构对于网络可靠性的影响,简化了故障树模型建模和计算过程。文章采用提出的算法对梯形冗余网络可靠性结合具体算例进行了演算分析。计算表明该梯形冗余网络在相同情景下平均故障间隔时间比采用PRP延长1 513.32 h,比采用HSR延长5 034.61 h,可靠性明显提高。文章构建的组网方案以及提出的可靠性建模方法可为高可靠列车通信网络的网络结构设计与可靠性分析提供新思路。     

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。