原文传递
基于典型相关分析的高速列车走行部系统故障检测研究
| 论文题名： | 基于典型相关分析的高速列车走行部系统故障检测研究 |
| 关键词： | 高速列车;走行部系统;故障检测;典型相关分析;即时学习;快速傅里叶变换;深度神经网络 |
| 摘要： | 走行部系统是保证高速列车能够稳定运行的重要部件，当列车经过高强度服役后，会出现部分部件损坏、老化等情况。如果未能及时发现和维修处理，会导致列车运行过程中出现颠簸、停止运行等现象，严重情况下还会出现重大的交通事故，给乘客带来重大的安全隐患。本论文以高速列车的走行部系统为研究背景，通过基于数据驱动的故障检测方法解决实际运行中高速列车走行部系统的故障检测问题。根据典型相关分析算法在实际检测应用中的问题展开研究。论文主要研究内容包括以下几个方面： （1）介绍了高速列车走行部系统的基本结构和运行机理。并且阐述了走行部系统数据采集的工作机理。然后对走行部的各种故障模型的产生原因及表现进行描述和探讨，对主要的故障进行分析。 （2）本文提出了一种利用典型相关分析（CanonicalCorrelationAnalysis，CCA）和即时学习（Just-in-timelearning，JITL）处理高速列车走行部系统数据的故障检测模型，称为CCA-JITL。经过数据预处理和归一化后，CCA将高维历史数据的协方差矩阵转换为低维子空间，并最大化子空间之间的相关性。然后，根据JITL建立局部故障检测模型，该模型利用具有较大欧氏距离的测试样本子集来训练数据。最后证明了该算法的可行性。 （3）本文根据前文提出的CCA-JITL算法作为模型，增加快速傅里叶变换（fastFouriertransform，FFT），对原始数据进行预处理，称为FFT-CCA-JITL。从而降低了噪声对故障检测的影响，通过和CCA-JITL进行对比，证明该模型适用于走行部系统故障检测，提高了传统方法的检测精度，并且降低了误报率，同时加快运行速度。 （4）本文根据真实数据集中变量之间存在一定的相关性，并且数据集中含有噪声数据，从而影响故障检测的准确性这一问题，提出了基于DNN-CCA-JITL的故障检测方法。使用深度神经网络（DeepNeuralNetworks，DNN）对原始数据集进行整体的降噪处理，然后将处理后的数据集作为输入数据进行故障检测。最后和CCA-JITL进行对比，证明该算法的可靠性。 |
| 作者： | 朱柯源 |
| 专业： | 电子信息 |
| 导师： | 郑虹;王景阳 |
| 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
