原文传递
基于烟花算法优化模糊神经网络的轨道电路故障诊断系统设计
| 论文题名： | 基于烟花算法优化模糊神经网络的轨道电路故障诊断系统设计 |
| 关键词： | 轨道电路;故障诊断;模糊神经网络;烟花算法 |
| 摘要： | 无绝缘轨道电路是列车运行控制系统的重要安全基础设备，用于检测线路占用情况和传输车地信息。在实际应用中，无绝缘轨道电路运行环境多变，设备组成复杂，导致了其故障频繁发生。一方面，总是以现场人员的传统经验作为依据判断故障的方法效率低下且主观性强，具有不稳定的因素；另一方面铁路信号监测设备虽然存储了大量的信号监测记录，但对数据的智能研究方法并不完善。因此如何使用智能的方法对轨道电路的故障进行诊断，成为列车安全行驶的重点。BP模糊神经网络广泛应用于故障诊断问题，但网络训练速度慢，模型精度低是其模型的通病。需要设计算法优化模糊神经网络模型，使轨道电路的故障诊断智能化。 本文提出了一种IFWA-FNN（改进烟花算法-模糊神经网络）模型，以ZPW-2000A型无绝缘轨道电路为例进行故障诊断研究。通过分析轨道电路的系统结构和原理，梳理了轨道电路常见故障及引起各种故障的特征电压变化特点，确定研究的故障种类，建立了轨道电路四端网络模型。阐述了烟花算法（FWA）的算法步骤和原理，并通过测试函数验证了算法的性能。在FWA的基础上提出了改进烟花算法（IFWA），对算法初始化解生成方式、爆炸火花数以及选择策略进行了优化，并验证了IFWA算法性能较之前更优。建立IFWA-FNN模型，阐述了神经网络与模糊技术相结合的优越性，利用IFWA优化了模糊神经网络的权重和阈值。在与其他模型的对比中，验证了IFWA-FNN模型具有收敛快、精度高的特点，可达到较好的ZPW-2000A轨道电路故障诊断效果。 通过提出IFWA-FNN的模型理论，提升了神经网络模型的精度，减少模型训练时间。较传统BP-FNN（BP模糊神经网络）的均方误差减小76.9%，在此基础之上模型训练时间缩小64.7%。通过对其他算法优化模型GA-FNN（遗传算法-模糊神经网络），PSO-FNN（粒子群-模糊神经网络）的比较，IFWA-FNN在模型均方误差和模型训练时间均具有优势。本文采用C#编程语言与MATLAB混合编写实现软件，设计了以IFWA-FNN为模型的轨道电路故障诊断系统软件，完成了对ZPW-2000A轨道电路系统的智能化诊断，可以证明IFWA-FNN为模型的轨道电路故障诊断系统软件能够快速系统实现对轨道电路的故障诊断。该系统可实现轨道电路离线数据的诊断功能，辅助现场人员诊断故障并给出维修建议。 |
| 作者： | 李柏锋 |
| 专业： | 计算机技术 |
| 导师： | 梁玉琦;方亚非 |
| 授予学位： | 硕士 |
| 授予学位单位： | 兰州交通大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
