原文传递
基于模糊神经网络的高压不对称脉冲轨道电路故障诊断
| 论文题名： | 基于模糊神经网络的高压不对称脉冲轨道电路故障诊断 |
| 关键词： | 轨道电路;故障诊断;不对称脉冲;模糊神经网络;广义加权平均 |
| 摘要： | 轨道电路故障不仅会影响行车效率，而且可能会造成重大安全事故。所以，研究轨道电路的故障诊断问题具有重要的实际意义。本文根据轨道电路系统原理，搭建了高压不对称脉冲轨道电路模型，通过模拟轨道电路的多种故障状态，得到了若干组故障样本数据。在此基础上，通过对模糊神经网络和遗传算法的深入研究，分别建立了基于广义加权平均的模糊神经网络的轨道电路故障诊断模型和基于遗传模糊神经网络的轨道电路故障诊断模型。通过仿真验证，两种模型都具有较好的故障诊断精度和泛化能力。本文的创新点主要包括以下两方面: (1)基于广义加权平均的模糊神经网络的轨道电路故障诊断方法。 模糊算子在模糊神经网络的输入层模糊化和输出层去模糊化过程中起着至关重要的作用，决定着网络结构的性能。虽然将模糊神经网络应用于轨道电路故障诊断已经有一些相关研究，但选取的模糊算子一般都是无参数的，并未充分考虑到模糊算子的作用。 本文通过对典型模糊算子聚合性能的深入研究，提出一种基于带补偿度参数模糊算子的改进算法模型。将广义加权平均(Generalized Weighted Average，GWA)模糊算子分别代替规则推理层和输出层的神经元传递函数，形成广义加权平均模糊神经网络（GWA-FNN）模型。通过对GWA-FNN模型与基于无参数模糊算子的模糊神经网络模型的仿真验证，GWA-FNN模型的故障诊断精度更高，泛化能力更强。 (2)基于遗传模糊神经网络的轨道电路故障诊断方法。 模糊神经网络的性能受诸多因素影响，而网络的拓扑结构决定着泛化能力的大小。现有模糊神经网络应用于轨道电路故障诊断的相关研究，并未充分考虑到网络拓扑结构的动态改变。本文将遗传算法引入GWA-FNN模型，分两阶段训练网络参数，形成GA-GWA-FNN模型。首先，利用遗传算法的全局优化搜索能力，根据故障样本自动增加、删除规则推理层神经元。然后，利用GWA-FNN模型的参数优化算法对GA-GWA-FNN模型的参数进行训练。通过对GA-GWA-FNN模型与GWA-FNN模型的仿真验证，GA-GWA-FNN模型具有更好的泛化能力和收敛速度。 |
| 作者： | 王萌 |
| 专业： | 信息安全 |
| 导师： | 郑宏云 |
| 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
