原文传递
基于BP神经网络的车载设备故障诊断与预测研究
| 论文题名： | 基于BP神经网络的车载设备故障诊断与预测研究 |
| 关键词： | 车载设备;故障诊断;BP神经网络;预测模型;人机交互界面;软件设计 |
| 摘要： | 近年来，由于中国城市化进程加快，地铁作为城市公共交通的基础设施也在不断扩建。自动列车防护系统是地铁列车高密度、小间隔运行状态下保证行车安全不可缺少的安全设备，已被广泛用于世界各国地铁和高速铁路。ATP车载设备在运行过程中发生故障引起的列车晚点甚至重大事故严关乎百万乘客出行。目前地铁公司维护维修制度采用定期维护和事后维修的方式，不能提前对重点设备或容易发生故障的设备模块进行维护维修。因此实现车载设备故障智能化诊断与预测，使车载设备可以更安全、稳定的工作对提高地铁运营效率具有重大意义。 本文以地铁十三号线TBS-100型ATP车载设备为研究背景，利用十三号线车载维修部提供的故障记录，结合厂商提供的维修手册和现场维修人员丰富的工作经验，提出一种将数据统计与BP神经网络相结合的方法对车载设备进行故障诊断和预测。该方法不仅能解决基于可靠性预测方法中无法叙述故障具体情况及精度不高的问题，而且克服了基于模型预测方法中建模的困难。提出一种将小波变换与BP神经网络相融合的方法，以此解决BP神经网络训练容易陷入局部极小点的问题，并通过实例比较两者预测结果。利用诊断与预测模型，独立设计研发了一个能够应用于地铁十三号线车载设备的故障诊断与预测系统。得到地铁公司相关技术人员一致好评。本文所做具体工作如下: 首先，研究TBS-100型车载设备结构和功能，分析其工作原理和各功能模块之间的联系。归纳总结常见故障类型和故障现象并分析其故障原因，对故障记录进行数据挖掘将其作为数据样本。分析现有故障预测方式，结合车载设备故障特点和数据特征选择使用人工神经网络方法进行故障预测。 其次，从神经网络理论出发，利用整理得到的数据样本，以车载设备中的R110模块为例，选择以10个故障代码、使用时间、维修次数作为输入，设备故障率和换新率作为输出建立基于BP神经网络的故障预测模型。通过MATLAB对数据样本进行学习，分析影响BP网络训练速度和预测精度的影响因素，从网络结构、网络参数选择两方面对故障预测模型进行优化。将小波理论与BP神经网络相结合，对模型进行改善。通过实例验证了模型的有效性和准确性，并对BP网络和小波网络的预测结果进行比较得出后者性能更优的结论。本文还提出一种基于BP神经网络的故障诊断方法，通过仿真验证其生成判据的准确性。 最后，利用MATLAB、MySQL数据库和Visual Studio设计研发了一个拥有友好人机交互界面的故障诊断与预测系统，供维修部门使用。对整个系统的需求、结构、开发环境和各模块功能进行详细叙述。 |
| 作者： | 吴渊 |
| 专业： | 控制工程 |
| 导师： | 付文秀 |
| 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
