基于神经网络的发动机控制系统故障诊断研究

通过比较发动机控制系统故障诊断的方法，针对基于神经网络的发动机控制系统的故障诊断推导出数学模型；并编制了采用双向联想记忆神经网络完成发动机控制系统故障诊断的学习与诊断程序，实现了仿真。     

人工神经网络在汽车变速器齿轮故障诊断中的应用

本文通过对神经网络的研究，提出了基于神经网络的故障诊断方法，并以汽车变速器齿轮诊断为例，建立齿轮状态的分类网络，对齿轮状态进行诊断识别。经过验证表明该方法具有效的。     

GSM-R应用业务典型故障案例分析

随着中国铁路客运专线的快速发展,铁路GSM-R网络逐步扩大,各类业务故障分析成为维护人员的重要工作之一。为此对目前GSM-R网络中出现的典型故障案例进行分析,希望可以对维护人员的故障分析提供参考。     

浅析FTGS轨道电路的故障处理方法

FTGS轨道电路用于检查和监督轨道区段的列车占用情况,以及传输ATP的报文信息,是联锁系统的"三大要件"之一,是ATP系统的基础,其重要性不言而喻。介绍在实际应用中FTGS轨道电路常见的故障,并对其进行分析,提出解决方法。     

京沪高铁无线闭塞中心(RBC)设备问题分析

RBC作为CTCS-3级列车运行控制系统的核心设备,其故障分析成为维护人员的重要工作之一。为此,总结了一些RBC的典型故障及分析,希望能对现场的维护工作提供一些参考。     

基于故障注入的CTCS-3级列控系统可靠性评估技术研究

CTCS-3级列车运行控制系统的可靠性是保证列车安全高效运行的必要条件,因此,在列车控制系统仿真系统上进行各种测试验证试验至关重要。故障注入技术（Fault Injection）是将系统的有效故障模式样本注入到系统中,以此评价系统的功能设计水平,是系统测试性、安全性以及功能验证研究的重要研究基础。根据CTCS-3级列车控制系统的运行特点和软件故障注入的优势,提出将软件故障注入方法应用在列控系统仿真领域进行可靠性验证,设计并实现了一种软件故障注入系统,给出其中的故障案例描述语言、故障库和故障注入软件算法,构建了软件故障注入系统的总体结构和各部分的详细功能结构。通过仿真结果可以看出,软件故障注入方法应用在CTCS-3级仿真系统中,可以有效地模拟故障并执行注入,进一步提高仿真系统的可靠性和容错性。     

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。     

两种铁路信号系统双机热备结构可靠性与安全性分析

双机热备系统已广泛应用于现代铁路信号系统中,国内外学者对其可靠性和安全性进行广泛而深入的研究,但在研究的过程中并没有区分不同的系统结构,鉴于此,分析传统的仅具有故障自检和同时具备自检与比较程序互检的两种不同的双机热备结构。综合考虑共因失效、在线诊断、多故障模式等因素,建立两种双机热备结构的同构马尔可夫模型并对其进行仿真,根据仿真结果对两种双机热备结构的可靠性、安全性进行分析比较。分析结果表明,带比较程序的双机热备结构具有更高的可靠性和安全性,更适合在铁路上推广应用。     

基于故障树的分散自律调度集中车站子系统可靠性分析

分散自律调度集中车站子系统作为分散自律调度集中系统的关键子系统,具有从运行计划当中解析出列车进路、调车进路,接收人工列车进路、调车进路操作,并经过自律检查后发送给联锁设备去执行,以及采集行车信息等功能。因此,车站子系统的安全可靠运行直接关系着行车的安全和效率。以自律机不能向联锁设备发送进路命令为顶事件,建立系统故障树,并对该故障树进行定性和定量分析。     

动车组故障率统计分析方法

针对我国动车组故障影响特点和运用管理要求,按照故障严重程度不同对动车组事故和故障进行分类,制定了动车组A类、B类、C类和D类故障的可靠性指标;依据可靠性工程理论,给出动车组百万km故障率指标定义及其计算式;提出动车组故障率统计分析方法,并对某型动车组寿命周期内故障率变化规律、高级修效果和特定部件周期性故障规律进行分析。结果表明:动车组的早期惯性故障经过有效整治后,故障率显著降低并持续平稳;高级修前故障率呈逐渐上升趋势,高级修后呈微弱的早期故障期,随后明显下降;空调系统的季节性故障率变化趋势分析表明,在每年夏季的6—8月间具有明显的故障率峰值,应强化维修保养措施。示例分析表明,此方法可基于运用维修大数据对动车组故障规律进行验证和分析。