原文传递
基于数据驱动的轨道交通车载测速定位设备故障诊断研究
| 论文题名： | 基于数据驱动的轨道交通车载测速定位设备故障诊断研究 |
| 关键词： | 轨道交通;车载测速定位设备;故障诊断;Eclat算法;CNN-LSTM神经网络模型 |
| 摘要： | 轨道交通测速定位系统设备承担着列车速度、位置的计算和监测的任务，保证列车在实际运行过程中的安全和高效，但同时因为轨道交通测速定位系统设备的运行频率过高，其故障频发，大大影响了列车的运行效率。目前对于轨道交通测速定位系统设备故障诊断的研究主要是对列车运行的文本数据信息进行分析，而对轨道交通测速定位系统设备故障数据信息的采集和分析较少，并且针对轨道交通测速定位系统设备故障诊断大多依托于专家和技术人员的经验，导致列车设备维修人员的工作量大幅度增大，降低了维修效率。论文开发了数据接收系统软件，针对轨道交通测速定位系统设备运行信息有针对性的采集，并利用关联规则Eclat算法对轨道交通测速定位设备故障日志分析，通过CNN-LSTM神经网络模型对轨道交通测速定位设备故障数据信息的空间和时间特征进行分类提取，实现轨道交通测速定位系统设备的故障诊断。论文主要研究内容如下： （1）开发人机交互的日志接收系统软件，对轨道交通测速定位系统设备的运行状态信息实时接收，并根据论文故障诊断的需要有针对性的分类存放，为本论文的故障诊断模型提供数据基础。针对简单的显性设备故障，可通过日志接收系统软件显示界面直接判断，节省了故障诊断的时间。 （2）对轨道交通测试定位系统设备全面介绍和分析，确定本论文的研究故障类型，通过关联规则Eclat算法对轨道交通测速定位设备故障日志分析提取与轨道交通测速定位设备具有强关联性的数据项，为故障诊断模型提供输入量。 （3）基于CNN神经网络模型和LSTM神经网络模型分别在空间和时间上对故障数据信息处理的优势，选用这两种模型作为诊断模型并对其进行介绍。然后根据其网络结构构建CNN-LSTM神经网络故障诊断模型。 （4）建立CNN-LSTM神经网络模型，通过使用Adam算法训练的方式对CNN-LSTM神经网络模型进行优化，选取最优的批处理数据量，并采用相关系数和精度验证在最优批处理数据量的情况下的CNN-LSTM神经网络模型的可行性。 |
| 作者： | 李兆萌 |
| 专业： | 交通信息工程及控制 |
| 导师： | 时柏营 |
| 授予学位： | 硕士 |
| 授予学位单位： | 山东建筑大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
