發(fā)布時(shí)間：2021-12-16 11:39

　　隨著我國(guó)經(jīng)濟(jì)的不斷發(fā)展,對(duì)快速滿足交通系統(tǒng)的需求不斷提高,高速鐵路系統(tǒng)在經(jīng)過(guò)幾次大提速后,如何保證現(xiàn)有鐵路設(shè)備實(shí)時(shí)正常工作成為亟待解決的問(wèn)題;提速道岔作為決定高速列車(chē)運(yùn)行方向的關(guān)鍵設(shè)備,保證及時(shí)和高效維護(hù)是正常運(yùn)行的前提,而傳統(tǒng)的故障修模式存在效率低下、工作量大、可靠性低的弊端。目前,鐵路設(shè)備正在提出由故障修向預(yù)防修理念的轉(zhuǎn)換,作為鐵路現(xiàn)場(chǎng)的故障高發(fā)區(qū),道岔具體故障如何被精確預(yù)測(cè)成為研究的重點(diǎn)和難點(diǎn),論文針對(duì)以上問(wèn)題,主要研究工作如下:首先,選擇S700K型提速道岔作為研究對(duì)象,分別分析提速道岔的組成結(jié)構(gòu)、轉(zhuǎn)轍機(jī)的動(dòng)作原理以及道岔功率曲線的采集原理,將道岔狀態(tài)分為健康態(tài)、亞健康態(tài)和故障態(tài);結(jié)合現(xiàn)場(chǎng)道岔常見(jiàn)故障的發(fā)生情況,將道岔故障分為機(jī)械故障和電氣故障,并選擇道岔故障發(fā)生頻率較高的4種機(jī)械故障、2種電氣故障作為故障源,并通過(guò)道岔所處的狀態(tài)給出對(duì)應(yīng)的三個(gè)檢修等級(jí),依次為檢修Ⅰ級(jí)、檢修Ⅱ級(jí)和檢修Ⅲ級(jí)。其次,將道岔狀態(tài)分為靜態(tài)和動(dòng)態(tài),分別設(shè)定道岔健康評(píng)估基準(zhǔn),設(shè)計(jì)基于云相似度的道岔曲線相似度作為道岔動(dòng)態(tài)健康指標(biāo);設(shè)計(jì)道岔標(biāo)準(zhǔn)轉(zhuǎn)換時(shí)長(zhǎng)與道岔表示桿缺口作為靜態(tài)指標(biāo)等。具體做法是:設(shè)計(jì)基于中位數(shù)的... 

【文章來(lái)源】：蘭州交通大學(xué)甘肅省

【文章頁(yè)數(shù)】：52 頁(yè)

【學(xué)位級(jí)別】：碩士

【圖文】：

微機(jī)監(jiān)測(cè)系統(tǒng)中的功率曲線

基于LSTM的提速道岔故障預(yù)測(cè)研究-8-圖2.4微機(jī)監(jiān)測(cè)系統(tǒng)中的功率曲線圖2.4呈現(xiàn)的是1#J1號(hào)轉(zhuǎn)轍機(jī)在2019-11-22的13:27:25從定位到反位和13:30:19從反位到定位的轉(zhuǎn)換過(guò)程得到的電流、功率曲線，從圖中可以看出該轉(zhuǎn)轍機(jī)轉(zhuǎn)換過(guò)程共耗時(shí)7.92s，圖中橘黃線為道岔功率曲線，其對(duì)應(yīng)的文本數(shù)據(jù)保存為txt文件格式，部分歷史數(shù)據(jù)如圖2.5所示。圖2.5實(shí)際道岔轉(zhuǎn)換過(guò)程中功率數(shù)值圖2.5中為1#J1號(hào)道岔一年之間正常動(dòng)作的部分功率數(shù)據(jù)，共有1902條，圖中道岔功率曲線的單位為瓦(w)。2.4小結(jié)本章首先分析道岔的基本結(jié)構(gòu)，重點(diǎn)對(duì)轉(zhuǎn)轍器部分的轉(zhuǎn)轍機(jī)進(jìn)行了結(jié)構(gòu)分析，進(jìn)而對(duì)道岔動(dòng)作過(guò)程進(jìn)行了詳細(xì)說(shuō)明，將道岔狀態(tài)劃分為靜態(tài)和動(dòng)態(tài)兩部分，結(jié)合道岔動(dòng)作功率曲線特征，設(shè)置具體的健康狀態(tài)等級(jí)劃分，進(jìn)行具體的樣本采集和分析。

蘭州交通大學(xué)工程碩士學(xué)位論文-23-21(")(,")niiiyyMSEyyn(4.7)(2)優(yōu)化器的選取普通的梯度下降算法針對(duì)參數(shù)訓(xùn)練有一定的學(xué)習(xí)率，但是Adagrad優(yōu)化算法能夠進(jìn)行自適應(yīng)優(yōu)化[46]，對(duì)高頻的特征更新步數(shù)很小，但是對(duì)低頻特征更新很大，適用于道岔此類特征較為稀疏的場(chǎng)景，在每輪訓(xùn)練中都會(huì)對(duì)每個(gè)參數(shù)的學(xué)習(xí)率進(jìn)行更新[47]。(3)具體實(shí)現(xiàn)步驟①計(jì)算并決定最終丟棄的信息。②計(jì)算確定更新的信息。③通過(guò)確定的信息更新細(xì)胞最終的狀態(tài)。④反向計(jì)算每一個(gè)細(xì)胞存在的均方誤差MSE。⑤根據(jù)對(duì)應(yīng)的MSE，計(jì)算每個(gè)權(quán)重的梯度。⑥應(yīng)用Adagrad優(yōu)化算法更新權(quán)重。4.2.3LSTM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)走向及可視化結(jié)果本文使用tensorflow自帶的可視化工具tensorboard庫(kù)設(shè)計(jì)出單質(zhì)點(diǎn)模型LSTM神經(jīng)網(wǎng)絡(luò)模型[48]，包括輸入層、隱藏層、LSTM細(xì)胞結(jié)構(gòu)以及輸出層，具體如圖4.4所示：圖4.4單細(xì)胞LSTM神經(jīng)網(wǎng)絡(luò)模型

【參考文獻(xiàn)】：
期刊論文
[1]Multi-label Image Classification via Coarse-to-Fine Attention[J]. LYU Fan,LI Linyan,Victor S.Sheng,FU Qiming,HU Fuyuan.  Chinese Journal of Electronics. 2019(06)
[2]融合粗糙集與灰色模型的道岔故障預(yù)測(cè)[J]. 張友鵬,江雪瑩,趙斌.  鐵道科學(xué)與工程學(xué)報(bào). 2019(09)
[3]LSTM neural network for solar radio spectrum classification[J]. Long Xu,Yi-Hua Yan,Xue-Xin Yu,Wei-Qiang Zhang,Jie Chen,Ling-Yu Duan.  Research in Astronomy and Astrophysics. 2019(09)
[4]Traffic estimation based on long short-term memory neural network for mobile front-haul with XG-PON[J]. 張敏,許渤,栗曉云,蔡怡,武保劍,邱昆.  Chinese Optics Letters. 2019(07)
[5]Sentence segmentation for classical Chinese based on LSTM with radical embedding[J]. Han Xu,Wang Hongsu,Zhang Sanqian,Fu Qunchao,Liu Jun.  The Journal of China Universities of Posts and Telecommunications. 2019(02)
[6]基于深度學(xué)習(xí)的飛行器智能故障診斷方法[J]. 姜洪開(kāi),邵海東,李興球.  機(jī)械工程學(xué)報(bào). 2019(07)
[7]基于弗雷歇距離的道岔故障診斷方法[J]. 黃世澤,陳威,張帆,董德存.  同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(12)
[8]SDAE-LSTM模型在金融時(shí)間序列預(yù)測(cè)中的應(yīng)用[J]. 黃婷婷,余磊.  計(jì)算機(jī)工程與應(yīng)用. 2019(01)
[9]基于LeNet-5模型的太陽(yáng)能電池板缺陷識(shí)別分類[J]. 吳濤,賴菲.  熱力發(fā)電. 2019(03)
[10]基于改進(jìn)云模型-IAHP的涉爆粉塵企業(yè)安全風(fēng)險(xiǎn)評(píng)估[J]. 謝鵬,呂鵬飛.  中國(guó)安全生產(chǎn)科學(xué)技術(shù). 2018(08)

博士論文
[1]鐵路道岔健康狀態(tài)評(píng)估與預(yù)測(cè)方法研究[D]. 鐘志旺.北京交通大學(xué) 2019
[2]基于神經(jīng)網(wǎng)絡(luò)的鐵路道岔故障智能診斷研究[D]. 張凱.長(zhǎng)安大學(xué) 2016

碩士論文
[1]基于深度學(xué)習(xí)的車(chē)牌檢測(cè)識(shí)別研究[D]. 王瀟凡.南京郵電大學(xué) 2019
[2]基于小波變換和改進(jìn)神經(jīng)網(wǎng)絡(luò)的S700K轉(zhuǎn)轍機(jī)故障診斷研究[D]. 張釘.蘭州交通大學(xué) 2019
[3]基于SAHP—云模型的科技投入項(xiàng)目績(jī)效評(píng)價(jià)研究[D]. 金鑫.北京交通大學(xué) 2019
[4]基于支持向量域描述的道岔運(yùn)行狀態(tài)的異常檢測(cè)[D]. 王君臣.北京交通大學(xué) 2019
[5]基于深度學(xué)習(xí)的地鐵短時(shí)客流預(yù)測(cè)方法研究[D]. 張偉林.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院) 2019
[6]基于深度森林的高速鐵路道岔故障診斷研究[D]. 張志哲.北京交通大學(xué) 2019
[7]基于機(jī)器學(xué)習(xí)的道岔轉(zhuǎn)轍設(shè)備故障智能診斷研究[D]. 胡啟正.中國(guó)鐵道科學(xué)研究院 2019
[8]基于優(yōu)化概率神經(jīng)網(wǎng)絡(luò)貨車(chē)軸承故障診斷研究[D]. 馮安安.北京交通大學(xué) 2019
[9]基于AR-PNN的重型貨車(chē)側(cè)翻預(yù)警研究[D]. 陳晉榮.長(zhǎng)安大學(xué) 2019
[10]基于多變量的時(shí)間序列分析預(yù)測(cè)研究[D]. 翟嘉伊.電子科技大學(xué) 2019



本文編號(hào)：3538070