详情

原文传递基于组合神经网络的道岔故障预测研究

论文题名：	基于组合神经网络的道岔故障预测研究
关键词：	道岔故障预测;卷积神经网络;极限学习机算法
摘要：	道岔是铁路现场最为重要的基础设备之一，由于列车经过时的冲击影响和复杂的环境条件，道岔也是铁路现场故障频发的环节之一。若道岔出现故障，会直接影响到铁路运输效率，严重的情况下可能对行车安全产生极为不利的影响，并造成不可挽回的损失。随着我国铁路事业的飞速发展，保证道岔的高可靠性、高安全性已迫在眉睫。　　目前现场对于道岔的维护主要存在以下不足：故障的分析主要依赖电务工作人员的个人经验，容易导致错判漏判的现象；目前铁路现场“故障修”和“定期维修”的维修模式易导致“欠维修”和“过度维修”现象。　　针对以上问题，本文提出基于组合神经网络的道岔故障预测方法，通过卷积神经网络(ConvolutionalNeuralNetwork,CNN)自适应地提取高层抽象特征，针对道岔的可预测缓变故障，采用极限学习机算法(ExtremeLearningMachine,ELM)优化的离散过程神经网络(DiscreteProcessNeuralNetwork,DPNN)拟合道岔从正常状态到发生故障这段时间的非线性关系，完成对道岔状态的预测，采用K均值聚类(K-MeansClustering,K-Means)与ELM优化的径向基神经网络(RadialBasisFunctionNeuralNetwork,RBF)对预测得到的状态进行状态识别，判断所预测得到的状态属于哪种故障。论文主要研究内容总结如下：　　(1)首先通过对道岔及其转辙设备原理的学习，明确了目前要对道岔进行研究的最可行途径是分析道岔动作功率曲线、研究道岔动作功率曲线的形成原理。通过分析现场数据以及参考相关文献划分道岔故障类型，总结故障的形成原因，给出对应编码，并根据各故障类型的道岔动作功率曲线分别分析具体的故障表现。　　(2)在特征提取方面，本文以道岔动作功率曲线的图片形式为切入点，对其采取图像预处理操作得到二值图像矩阵，直接输入到CNN特征提取器中，能够实现高层抽象特征的自适应提取，从而避免特征提取过程中过多人为因素的参与。　　(3)在状态预测方面，以道岔正常状态到发生故障这段时间的道岔转换状态为一组构成状态特征矩阵，采用同时具有时空聚合的DPNN来拟合道岔从正常状态到发生故障之间的非线性关系，由于DPNN使用传统的梯度下降训练算法确定参数易造成模型学习速度较慢的问题，本文采用ELM训练DPNN实现道岔状态的预测，通过仿真实验验证ELM-DPNN对于道岔状态预测的可行性和有效性。　　(4)在状态识别方面，本文采用K-Means聚类特征集确定中心点，以规避ELM-RBF模型中随机选择隐含层参数对道岔状态分类模型造成的不利影响，仿真实验结果证明K-Means-ELM-RBF对于道岔状态的识别是可行的。并设计仿真实验验证基于组合神经网络的故障预测模型对于预测道岔故障的有效性。　　论文对于道岔故障预测所做的研究旨在为铁路电务智能化运维提供理论支持。
作者：	赵月月
专业：	交通运输工程
导师：	谭丽
授予学位：	硕士
授予学位单位：	兰州交通大学
学位年度：	2022