详情

原文传递基于文本数据的铁路道岔故障预测

论文题名：	基于文本数据的铁路道岔故障预测
关键词：	铁路道岔;故障预测;贝叶斯网络;文本数据
摘要：	铁路道岔是铁路基础设施中非常重要的设备，也是最容易出现故障的信号设备，其状态会直接影响整个铁路系统的可用性和服务质量。其一旦发生故障，轻则导致列车晚点，影响行车效率，重则导致列车脱轨，危及行车安全，造成财产损失和人员伤亡。繁忙的铁路运输也对道岔的维护提出了更高的要求，传统的计划维修方式已无法满足对运营效率的需求。故障预测与健康管理技术作为减少设备维护费用，提高设备完好率的重要手段，引起了越来越多的关注。因此，采用科学的方法提前预测设备发生故障的概率或者某一时间段将会发生的故障数，变事后处理为事前预防已成为大势所趋。传统对传感数据的获取不仅成本高昂，而且数据不完整且含有噪声。目前铁路现场故障记录多为文本数据，而这些被忽视的丰富的文本数据可以作为对信号设备分析的很好的来源。　　本文以广铁集团的现场维护记录数据为依据，首先使用文本挖掘技术提取道岔的真正故障致因，再针对主要故障致因对道岔进行故障预测。通过对道岔的故障致因提取发现天气是导致道岔故障非常重要的原因之一，大约30％的道岔故障都与天气相关。因此，本文以天气情况作为故障因素，融合铁路实际故障记录数据和天气数据，提出了一种贝叶斯网络的预测模型和一种基于AdaBoost的预测模型去探究天气和道岔故障之间的精确关系。考虑到失效事件的稀有性，论文利用Noisy MAX模型从小数据集中预测道岔的故障;考虑到失效事件的随机本质，论文利用蒙特卡洛仿真减弱失效事件随机性的影响，并取得了很好的预测效果。此外，还将本文提出的方法的预测结果与目前流行的预测方法进行对比，结果表明本文提出的贝叶斯网络具有良好的预测性能。最后，通过C＃编程，设计和改进了信号设备维护管理系统中的道岔维护管理模块，将贝叶斯网络的条件概率表融入维护管理系统，为铁路电务部门对道岔维护提供决策支持。　　论文的主要创新点为: 　　(1)本文首次提出了天气相关的铁路道岔故障预测模型。从文本记录中抽取出天气相关的故障致因和故障数目，将天气数据和故障数据融合，分析天气因素和道岔故障之间的精确关系。　　(2)利用文本挖掘技术提取道岔的故障致因，从实际文本数据中捕获导致道岔故障的真正原因。　　(3)论文提出了一种基于贝叶斯网络的道岔故障预测方法，设计基于熵最小化的离散化方法对模型变量离散化处理，使模型获得更好的预测性能。　　(4)为了避免因小数据量导致的预测不精确，论文将贝叶斯网络转化成独立因果交互模型，利用Noisy MAX模型减少需要学习的参数数目，并利用蒙特卡洛仿真削弱失效事件随机性的影响，提高预测的精度。　　本文的研究可以为路局采购设备及备件库存提供相应的指导，避免不必要的浪费，提高设备的利用率;在设备维修方面，可以减少不适时的维修现象，提高设备的使用寿命;还能为电务部门制定下一时段的维护管理计划提供向导，从而提高列车运营的效率和安全性。
作者：	王广
专业：	交通信息工程及控制
导师：	徐田华
授予学位：	硕士
授予学位单位：	北京交通大学
学位年度：	2017
正文语种：	中文