详情

原文传递铁路道岔设备健康状态与寿命预测方法研究

论文题名：	铁路道岔设备健康状态与寿命预测方法研究
关键词：	铁路道岔设备;健康状态;寿命预测;连续隐半马尔可夫模型
摘要：	交通强国，铁路先行。我国铁路路网规模的扩大致使列车流量不断增加，对铁路信号设备提出更高要求。道岔作为铁路信号基础设备，其健康状态在保障列车安全运行中扮演着重要角色。道岔发生故障容易引发事故，造成行车晚点等后果。因此，评估道岔的健康状态，减少故障发生率是很有必要的。目前的故障维修主要依赖检修人员的工作经验，在观察和分析集中监测系统中采集到的数据曲线基础上，制定相应的维修策略。但这种维修方式需要工作人员频繁的上道检查，且检修人员很难判断道岔的状态，准确找到故障的位置，容易造成“过维护”。　　为了对道岔进行有效管理，需要分析道岔的健康状态。结合道岔当前运行情况，判断道岔的健康等级。依据健康等级与故障率之间的对应关系，可以实现道岔的“预防修”，从而避免故障的发生，提前完成对道岔的检修工作。这种主动性的检修模式非常适合我国快速发展的铁路事业，在此基础上，本文提出了基于改进连续隐半马尔可夫模型的道岔寿命预测方法。该方法能够识别道岔退化状态、预测道岔剩余使用寿命。本文主要研究内容如下：　　(1)以S700K转辙机为研究对象。说明转辙机结构，分析其动作过程和工作原理。对数据采集的原理和过程进行详细阐述，结合转辙机功率曲线，总结常见道岔故障并分析故障原因。　　(2)构建道岔的健康管理体系结构，主要由数据获取、特征提取、状态监测、健康评估和寿命预测组成，根据道岔的运行情况和故障率来划分道岔健康等级。由于以往的特征提取方法不能很好的反映原始数据的特征，本文采用深度置信网络进行特征提取。在提取到的特征中选择所有非故障数据进行时域特征提取，从而构建原始退化状态数据集。　　(3)分析道岔的退化过程。选用单调性、趋势性、预测性和鲁棒性作为时域特征的退化指标。并依据这些指标计算了退化特征适应度值，在经过特征选择后会出现特征冗余现象，此时采用t-分布随机邻域嵌入方法降低特征维度。通过K-means++聚类算法对退化状态进行聚类，得到不同类退化状态数据，进而为退化状态评估提供数据支持。采用拐轴法、轮廓系数和Calinski-Harabaz指标评价聚类效果，确定退化类别数。构建退化状态与健康等级的关系，可以分别通过这两个指标反映道岔的健康状态。　　(4)改进连续隐半马尔可夫模型。针对隐半马尔可夫模型将状态停留时间概率分布都假设服从高斯分布，从而影响预测精度的问题。引入高斯混合概率密度函数拟合状态停留时间概率分布作为改进，建立退化状态识别和寿命预测模型。通过将转辙机的全生命周期数据输入到模型中，得到道岔的退化状态和剩余寿命。结果表明，改进后的方法在退化状态识别和寿命预测方面准确性均有很大提升。
作者：	路荣
专业：	计算机应用技术
导师：	陈光武
授予学位：	硕士
授予学位单位：	兰州交通大学
学位年度：	2022