原文传递
基于神经网络与案例推理的车载设备故障诊断研究
| 论文题名： | 基于神经网络与案例推理的车载设备故障诊断研究 |
| 关键词： | 车载设备;神经网络;粗糙集;案例推理;故障诊断;高速铁路运输 |
| 摘要： | 随着高速铁路运输的快速发展，运行速度不断提升，集成化程度越来越高。作为高速列车平稳运行保障的CTCS-3级列控系统，其可靠性和安全性尤为重要，列车车载设备作为列控系统中核心部分，控制高速条件下列车运行速度、运行间隔、实时监控和超速防护。因此，快速准确的车载设备故障诊断对于保障列车高效安全运行具有重要意义。 车载设备的集成化、复杂化、耦合化的发展，产生故障也具有随机性、突发型、多样性以及重叠性，这些特点增大了诊断和维护的难度。仅仅依靠维修人员的知识经验进行诊断，效率较为低下，误诊断和漏诊断率较高。本文在目前车载设备故障诊断基础上，将神经网络与粗糙集案例推理相结合的方法引入故障诊断，提高诊断效率和准确率。 本文首先介绍了车载设备系统的结构、故障特点、故障种类。由于车载设备故障种类的多样性以及运行过程中数据采集的不完整以及随机性、突发性故障，采用神经网络与案例推理结合的集成诊断方法，并引入粗糙集约简的理论和模糊神经网络来优化诊断效率和准确度。建立BP神经网络模型，并根据车载设备常见的故障现象和原因构建神经网络数据训练样本。之后，将模糊逻辑推理与神经网络结合，模糊化故障特征参数，提取安全计算机运行周期作为训练数据，并通过MATLAB仿真验证模型。 对案例推理的逻辑结构和推理知识以及案例的表示、构建案例库、案例检索、案例学习等进行了研究。介绍了粗糙集理论及应用方法与案例推理结合的综合推理技术，研究了理论模型融合的技术方法，对CTCS-3级高速列车车载设备故障及故障特征进行分析总计，通过基于可辨识差别矩阵对车载设备故障案例库属性值进行约简，得到最小特征属性集。 智能诊断检索技术进行研究。标准BP神经网络算法加入附加动量方法进行改进，针对案例推理的诊断技术在大型系统中诊断精度不高，推理过程较为缓慢的问题。本文将两种方法进行结合，设计了结合方案，神经网络作为分类器以及案例检索的算法，提高学习速度。 分析案例推理与神经网络结合的模型，根据系统设计要求，在Windows环境下，运用Visual Studio2010与SQL2008数据库技术，开发出车载设备故障诊断系统，对系统的诊断流程、诊断模块以及数据库设计，实现了神经网络与案例推理故障诊断系统。最后分析了系统的优点与缺点，指出了其中的局限性，并对进一步研究做了展望。 |
| 作者： | 曹哲 |
| 专业： | 控制科学与工程 |
| 导师： | 穆建成 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京交通大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
