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。     

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。     

基于粗糙集理论的列控车载设备故障分析方法

快速、准确的故障诊断技术是高速列车安全运行的重要保证,本文以此为目标,对列控系统故障诊断方法进行研究,将神经网络算法NN分别应用于列控系统车载设备应答器传输单元BTM、列车接口单元TIU的故障诊断中,通过对比故障识别准确率BTM为训练阶段19.89%、测试阶段36.51%,TIU为训练阶段96.93%、测试阶段94.84%,得出当数据中噪声较大时,神经网络的分类能力降低。为了解决以上问题,引入粗糙集理论进行属性约简、去除噪声,用神经网络进行故障识别,最终得出BTM的故障识别准确率为训练阶段93.32%、测试阶段97.41%,TIU为训练阶段99.21%、测试阶段96.72%,表明粗糙集理论和神经网络的结合RSTNN能够保证故障诊断的准确性,从而验证该方法在实现列控系统车载设备故障诊断方面的有效性。     

列控车载设备故障掉码处理

杭州电务段管内沪昆线,既有C0区段的沪杭段,又有C2区段的浙赣段,随着动车组在沪昆线运行的不断增多,列控车载设备掉码问题严重影响动车组的正常运行。下面结合嘉兴站4G发车,进入嘉兴东站ⅡG接车进路后的掉码实例,谈一下故障处理过程。     

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。     

基于卷积神经网络的列控车载设备故障分类研究

列控车载设备故障复杂且车载记录数据为海量非结构化文本,针对车载记录数据特点,提出基于卷积神经网络的车载设备故障智能分类模型.使用CBOW模型实现车载记录数据的文本分布式表示;为提高网络的泛化性,加快网络收敛,利用加入批归一化处理的卷积神经网络实现故障分类;考虑到不平衡、难分样本对分类效果的影响,通过SMOTE算法随机生...     

列控车载设备日常维护与故障处理

本文概要介绍了CTCS2—200H列控车载设备，并就设备的日常维护、演练和故障处理等方面提出了自己的看法。     

基于DRPP的列控车载设备测试序列生成方法

在列控车载设备功能场景的测试序列生成过程中,针对不能充分利用场景以外子序列衔接关系的问题,提出一种基于有向乡村邮路问题的测试序列优化生成方法。将列控车载设备所有功能场景的子序列构建成一个强连通有向图模型,并根据覆盖的功能场景构建需求弧集。利用有下界容量网络最小费用可行流算法,实现以最小成本构建包含需求弧集的欧拉图,再利用Hierholzer算法生成测试序列。以CTCS-2级列控车载设备的功能场景为例并相比于现有方法。结果表明：所述方法能够充分利用所有子序列的衔接关系生成覆盖指定功能场景的最优测试序列,等级转换和模式转换场景测试序列的成本分别降低4.2%和1.4%。     

高速铁路列控车载设备的发展

通过对车载设备概况的分析,主要介绍车载设备的发展、组成以及主要功能。     

列控车载设备的控车核心算法

针对高速列车运行超速安全防护,提出列控车载设备的控车核心算法,总体架构包括动车组制动参数导入、线路数据输入、安全距离预留、模式曲线生成和速度监控处理。算法功能模块划分为制动参数处理、线路数据处理、模式曲线处理和速度监控处理4个模块,其中控车曲线计算公式为列控车载设备控车核心算法关键,分别给出紧急制动曲线、常用制动曲线、紧急制动触发曲线和常用制动触发曲线的计算公式。在真实设备实验室内进行不同线路坡度和线路速度条件下的动车组制动实验,测得列控车载设备模式曲线制动距离,并将其与仿真算法软件计算的距离进行对比验证。结果表明:列控车载设备控车核心算法仿真结果与真实列控车载设备实时监测结果误差率不大于0.08%。将控车核心算法应用于新建铁路客运专线闭塞分区的符合性验证可知,该算法简化了仿真数据配置,减少了测试工作量,有利于缩短检算周期,并能及时反馈闭塞分区符合性检算结果,具有理论和实用价值。     

列控车载设备维修管理初探

结合实际工作经验,就加强列控车载设备的管理和维修,从设备管理、技术管理、质量管理、信息管理、班组管理、维修管理等方面作了一些探究,期望以此来提高列控车载设备的运行质量。     

列控车载设备维护管理探讨

简单介绍了武汉电务段列控车载设备运营现状,总结了设备特点,分析了维护模式,对列控车载设备维护进行了探讨.     

列控车载设备随机振动仿真分析

利用有限元分析软件ABAQUS对某一列控车载设备的结构进行了动力学仿真分析,首先提取了列控车载设备的模态,并在此基础上进行了基于ASD(Acceleration Spectral Density)的随机振动分析,最后给出结构上的改进方案。通过研究发现,将CAE与产品结构设计相结合,可以提前预测产品的环境适应性、发现设计风险并提出改进方案,因此仿真分析可以缩短产品的开发周期、降低开发成本。     

CTCS-2级列控车载设备

列控车载设备是CTCS-2级列控系统的重要组成部分,随着列车运行速度的提高,信号系统必须实现直接对列车运行的防护控制,列控车载设备作为     

列控车载设备诊断维护终端的设计与实现

诊断维护终端可以向车载设备下载配置参数,也可以从车载设备下载应用故障记录,是一种提高车载设备可维护性的工具。介绍列控车载设备诊断维护终端的工作原理、系统设计及关键技术。     

基于CNN-CSRF组合模型的列控车载设备故障诊断

快速且精准地定位列控车载设备故障是确保高速铁路安全运行的关键因素。以列控车载日志为依据,提出基于卷积神经网络与代价敏感随机森林相结合的列控车载设备故障诊断模型。针对传统故障特征提取过程复杂、特征表现力不强等问题,利用卷积神经网络实现车载日志内部特征提取;考虑到车载日志中正常与故障数据间分布不均衡,采用结合代价敏感学习的随机森林算法对不均衡数据进行处理,并对所提取特征进行精确分类,实现车载设备故障诊断。通过对某铁路局列控车载日志进行实验验证,同时与其他分类模型进行对比,各评价指标有明显提升,说明了该模型对列控车载设备故障诊断的有效性。     

关于列控车载设备数据的建议

本文就列控车栽设备数据存在的不足进行了分析并提出了解决问题的方法：针对列控车载设备数据转储方式存在的缺点，采用在USB接口使用u盘进行数据的转储来克服；而列控车载设备数据分析处理系统存在的不足，则采用机车信号远程监测装置来解决。从而提高了列控车载设备数据转储的安全与完整性和实现对运行中的列控车载设备的状态修。     

列控车载设备测速测距信号的检测方法研究

测速测距系统是列控车载设备的关键模块,是获取列车速度、加速度、位置、运行方向等信息的依据,是车载设备计算移动授权实现安全控车的重要保障。本文对测速测距信号的检测方法进行了深入研究,通过仿真测试验证了该方法的有效性,对列控车载设备关键模块自主化替代起到了推动作用,打下了坚实的技术基础。     

高速铁路列控车载设备安全技术探讨

结合国内高速铁路的发展现状,一方面对高速铁路目前所采用的列控车载设备设计、实现、测试、运营维护等方面的安全技术进行分析和总结;另一方面在目前的技术体系下,针对如何管好用好高速铁路列控车载设备,提出一些见解,目的是寻求高速铁路的更好更快发展。     

列控车载设备双显DMI方案研究

人机交互界面(DMI)单元是列控车载系统的重要组成部分,用以司机与车载设备进行人机交互,其通过产生的图像、语音、文本以及声音等方式提示司机进行相应操作,保障列车安全顺利运行。然而,在列车运行过程中,存在某些突发情况会造成DMI显示屏故障,从而影响司机获取列车的基本运行状态并且影响列车正常运行。为此,设计了一种新型的双显DMI,即在传统单显屏基础上添加辅助显示屏,辅屏在主屏故障时显示列车基本运行状态。通过该方式,可以有效的提升车载设备的可用性,进而提高列车运行品质。