列车定位单元ODO故障分析及HMM的应用研究

列车运行过程中车轮会出现打滑抱死等现象,导致ODO(odometers)呈现功能故障状态,针对这一问题,进行了列车定位单元ODO故障分析及HMM(hidden Markov models)的应用研究.首先利用神经网络方法对ODO故障状态进行诊断;然后,引入基于HMM的故障诊断方法,从模式识别角度出发,建立ODO隐藏的故障状态模型,通过输入观测序列与分类器中的HMM匹配,得出ODO的故障诊断结果;最后,通过遗传算法对HMM中的参数训练部分进行改进.实例分析结果表明:利用神经网络进行故障诊断的故障识别率为33.3%,基于HMM的故障诊断方法对于正常和故障状态的诊断精度可达100%,总体诊断精度可达95%,利用遗传算法进行参数改进后经仿真对比表明:在训练速度上遗传算法可以较快到达稳态,训练精度提高了86%;在高噪声背景下用神经网络方法实现故障诊断具有明显缺陷,利用遗传算法可以改进B-W(Baum-Welch)算法易陷入局部最优的缺陷,基于HMM的故障诊断方法相较于神经网络方法有更高的准确性.