基于GA-BP神经网络的列控车载设备故障诊断方法研究

针对列控车载设备故障复杂且故障分析多依赖人工经验完成等问题,以车载安全计算机记录的AElog故障数据为样本,提出一种基于反向传播(Back Propagation, BP)神经网络的车载设备智能故障诊断方法。为避免初选特征信息冗余,通过主分量启发式属性约简算法,对样本进行降维降噪处理。另外,考虑到BP神经网络对初始网络权重非常敏感,以不同的权重初始化网络,往往会收敛于不同的局部极小,利用遗传算法对BP神经网络的初始权值/阈值进行优化。研究结果表明：加入属性约简提高分类器的分类性能,通过遗传算法优化的BP神经网络避免局部极小问题,且迭代步数少,降低平均误差,提高分类精度。     

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。     

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。     

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。     

基于证据理论和贝叶斯网络的列控车载子系统可靠性分析

针对在列控车载子系统可靠性分析中存在不确定信息、共因失效、恢复机制和降级运行的问题,采用融合证据理论的贝叶斯网络模型对其进行可靠性分析.在分析CTCS-3级列控车载子系统结构的基础上构建故障树,并将故障树转化为贝叶斯网络.利用贝叶斯网络的正向推理能力,综合考虑共因失效和恢复机制因素,结合信任测度和似然测度得到列控车载子...     

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。     

基于模型演化的列控车载设备组合测试案例重构方法

车载设备作为列控系统的关键设备之一,其测试需求在不断迭代。测试案例重构通过更新原有组合测试集覆盖变更的测试需求,实现对测试案例的高效重用,对生成演化后的测试集具有重要意义。根据车载设备输入模型的变化情况,提出一种基于模型演化的测试集重构方法。首先,通过比较演化前后组合模型的差异性,辨识出失效和新增的测试需求,并结合测试参数、参数取值、约束可能出现的演化情况分析两类测试需求的具体构成;其次,基于演化后的组合模型,依次采取修改、扩充、新增3个步骤重构原有测试集,修改不满足变更测试需求的原有案例,扩充新增参数取值,新增案例覆盖剩余测试需求;之后,根据约束间的相容性,将互不干扰的多条约束置于1条测试案例集中处理以精简测试集;最终,得到完备覆盖所有演化后测试需求的组合测试集。以车载设备模式转换等3种场景为例,对本方法进行了验证,研究结果表明：相较于现有方法,本方法能更充分地重用原有案例,测试集总体重合度提高了7.82%,后续人工修改测试案例文档的工作量相应减少,时间成本可降低18.26%。