原文传递
基于1DCNN-LSTM的转辙机故障诊断方法研究
| 论文题名： | 基于1DCNN-LSTM的转辙机故障诊断方法研究 |
| 关键词： | 转辙机;故障诊断;一维卷积神经网络;长短期记忆网络 |
| 摘要： | 随着中国城市轨道交通行业的快速发展，全国地铁运营总里程超过8708公里，日均乘客人流量与日俱增，相关运营设备使用频次逐渐增加，发生故障隐患的概率也逐步提高，其中转辙机作为道岔设备的核心控制部件，对列车的安全运行有着直接的影响。当前对转辙机的健康管理主要通过以传统人工为主的周期性巡检和信号状态监测的方式，这对从业人员作业能力要求较高，通常在故障发生后需要迅速赶到现场开展维修，过剩的工作量具有一定滞后性和低效性，还会造成由于人工经验引起的故障诊断偏差。从设备采集的故障诊断信息来说，目前对于转辙机故障诊断的研究对象大多基于电流和功率曲线，间接分析转辙机动作过程，不能真实地表现转辙机实际动作时的转换力。 针对以上问题，本文提出一种基于转辙机牵引力和1DCNN-LSTM的故障诊断方法。该方法以ZDJ9型转辙机动作时的转换力为研究对象，通过转辙机实验平台获取拉力数据并构建数据集，以一维卷积神经网络和长短期记忆网络结合的组合算法搭建故障诊断模型，实现端到端的智能化诊断方式，有效提取和诊断原始信号，满足现场维修工作的要求。本文主要研究工作如下： （1）ZDJ9型转辙机工作原理和故障分析。介绍ZDJ9转辙机的内部结构和基本组成，梳理转辙机与道岔动作的传动原理，分析转辙机正常工作状态时的拉力参数曲线特点，总结与转辙机转换力相关的典型故障模式及可能成因，最后通过现场数据采集，构建转辙机拉力样本数据集。 （2）故障诊断方法研究。分别概述一维卷积神经网络与长短期记忆人工神经网络的基本原理、网络结构与训练过程，针对一维拉力信号的空间和时间特性，分析了将两种网络结合的可行性。通过搭建包含两种网络结构的组合模型，探究不同参数设置对整体模型诊断性能的影响，并得出适合本文转辙机拉力数据集的超参数信息。 （3）故障诊断结果分析。通过准确率、损失函数曲线，绘制混淆矩阵表明该模型用于故障诊断的准确性，并引入T-sne可视化表现模型提取特征的优越性。最终经过对比实验，结果表明1DCNN-LSTM结构显示了提取数据和故障诊断方面的优势，不仅有效提取和诊断原始信号，且模型简单，训练时间短，故障识别在验证集的准确率达到99.67%，满足现场转辙机故障诊断的应用需求。 本文通过对转辙机正常和故障状态下的转换力数据进行研究，直观的反应其动作转换过程，通过深度学习的方法，针对转辙机拉力数据集进行故障诊断，为检修和运维的智能化提供理论支持和现场应用价值。 |
| 作者： | 王一凡 |
| 专业： | 电子与通信工程 |
| 导师： | 韦巍;颜东成 |
| 授予学位： | 硕士 |
| 授予学位单位： | 广西大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
