原文传递
基于即时学习的高速列车牵引系统故障检测研究
| 论文题名： | 基于即时学习的高速列车牵引系统故障检测研究 |
| 关键词： | 高速列车;牵引系统;故障检测;即时学习;慢特征分析;流形学习 |
| 摘要： | 伴随交通运输业的蓬勃发展，高速列车已成为兼具时效性与卓越承载量的重要交通运载工具。牵引系统作为高速列车的重要组成部分，为高速列车的高效运行提供不竭动力。牵引系统结构复杂，内部各部件之间存在复杂的耦合关系。因此，系统工作过程中内部机械结构之间的摩擦，以及各元器件的自然老化，使得系统故障易于产生。此外，由于列车行驶环境复杂多变，导致牵引系统常态化工作于恶劣的外部环境和过载条件下，进而加快系统内各部件的损耗。换言之，牵引系统的内部结构与外部环境共同决定了牵引系统易发故障的特点。因此，对牵引系统故障的及时检测是保持系统健康状态，保证高速列车安全可靠运行的重要前提。本文将牵引系统作为研究对象，围绕即时学习建模方法开展针对实际工况下系统故障的检测策略设计。本文的工作主要从以下几个方面展开： （1）对牵引系统的组成结构和工作机理展开介绍和分析，以基于信号的形式将系统内的观测变量、故障以及扰动因素进行公式化表达；此外，对即时学习方法的建模原理进行介绍，从系统特性的角度分析即时学习方法在牵引系统故障检测上的优势。 （2）针对高速列车牵引系统的早期故障检测难题，提出了一种即时学习与慢特征分析方法相结合的故障检测方案。从牵引系统的实际工况出发，对牵引系统早期故障的产生原因及表现进行定性分析。首先，通过即时学习局部模型得到对牵引系统健康状态下输出的预测，进而计算获取能够适用于静态系统分析方法的残差信号。其次，利用慢特征分析方法能够从高维观测数据中筛选缓变特征变量的优势，有效过滤噪声等扰动因素。最后，通过在高速列车牵引系统平台上注入多种类型的早期故障，证明了所提出方法对实际工况下牵引系统早期故障的卓越检测能力。 （3）针对高速列车牵引系统多模态工作过程中，故障与工作模式切换难以区分的问题，提出了一种即时流形学习故障检测模型。牵引系统工作模式的切换会伴随系统参数突变，监测信号的跃迁使得常规故障检测方法极易产生误检。因此，本研究立足于将全局问题拆解成局部问题解决的思想，将局部流形学习融入即时学习框架中，构建即时流形局部模型。所提出方案通过提取局部数据结构的特征信息，避免了全局数据结构特征信息的丢失。以局部数据的特征结构为建模基础，降低了建模的计算复杂度，提高了检测精度和速度。最后，通过在牵引系统平台上的一系列多模态故障检测实验，验证了所提出方案的有效性和优越性。 |
| 作者： | 孙修远 |
| 专业： | 信息与通信工程 |
| 导师： | 程超 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长春工业大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
