原文传递
基于智能优化深度网络的轨道电路故障诊断研究
| 论文题名： | 基于智能优化深度网络的轨道电路故障诊断研究 |
| 关键词： | 轨道电路;故障诊断;集成学习;半监督学习;智能优化深度网络 |
| 摘要： | 近年来，随着中国铁路高速发展，铁路在中国的重要程度也越来越高。保证铁路列车安全高效的运行愈发关键。轨道电路作为铁路列车运行控制中的一部分，在保障列车安全高效运行上发挥着重要作用，轨道电路工作的正常与否会直接影响列车的行车效率和安全。如何利用人工智能技术提高轨道电路故障诊断的智能化水平具有重大意义。本文结合多种人工智能技术，研究基于智能优化深度网络的轨道电路故障诊断方法。 本文主要内容如下： （1）以ZPW-2000型轨道电路作为研究对象，介绍轨道电路基本结构和原理，总结出20种轨道电路常见故障模式。以四端网络理论进行轨道电路理论分析，利用Matlab/Simulink软件建立轨道电路仿真模型，与实测轨道电路数据对比验证仿真模型有效性，并针对各模块设置不同故障参数完成故障数据的采集。 （2）在有监督情况下，提出基于智能优化集成学习的轨道电路故障诊断方法。有机地将集成学习与智能计算和强化学习相结合，充分挖掘了轨道电路故障特征，提高性能评价指标。首先，使用卷积神经网络、长短期记忆网络和多层感知器深度学习模型，以及支持向量机和随机森林传统机器学习模型，共同构成了集成学习基学习器，解决了单一学习模型的不足，不同基学习器的使用保证了集成学习的多样性。从自动化机器学习角度出发，采用改进麻雀算法优化该集成学习模型结构和参数，克服了其结构和参数难以确定的问题；在此之上，引入强化学习Q-learning对集成模型中各基学习器组合权重进行优化，智能地确定集成学习各基学习器的组合权重；最后，将集成学习模型的预测结果与真实结果比较后得到误差，再采用BP神经网络对预测结果进行补偿修正，进一步提高了轨道电路的故障诊断性能评价指标。通过对比实验验证所提方法的有效性和优越性。 （3）在半监督情况下，提出基于智能优化半监督生成对抗网络的轨道电路故障诊断方法。半监督生成对抗网络同时利用训练集中少量有标签样本、大量无标签样本和生成网络生成的模拟样本参与判别网络的训练过程，实现了高准确率的故障诊断。针对网络设计的盲目性问题，利用改进灰狼优化算法对半监督生成对抗网络结构和参数进行优化，进一步提高了模型的故障诊断性能。实验结果表明，在半监督情况下所提方法在各项评价指标中均具有较高的表现。 |
| 作者： | 郑浩 |
| 专业： | 计算机科学与技术 |
| 导师： | 徐凯 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
