隨著我國城市軌道交通的快速發(fā)展,不斷增長的客流量發(fā)展水平與車輛投運率水平之間的矛盾日益突出,而車輛投運率水平很大程度上依賴車輛運用維修服務(wù)水平的持續(xù)提升。在保障車輛運營可靠性和維修質(zhì)量的前提下,進行城市軌道交通車輛智能診斷系統(tǒng)研究,對提升城市軌道交通車輛運用維修服務(wù)水平具有重要意義。本文針對當(dāng)前城市軌道交通車輛檢維修模式特點及其在實際檢修作業(yè)過程中故障診斷技術(shù)的實際需求,重點從車輛智能診斷需求分析、系統(tǒng)構(gòu)成、工作流程和技術(shù)框架等方面初步構(gòu)建了城市軌道交通車輛智能診斷系統(tǒng)。該系統(tǒng)以受限玻爾茲曼機(Restricted Boltzmann Machine,RBM)作為深度神經(jīng)網(wǎng)絡(luò)模型基本結(jié)構(gòu),車輛設(shè)備故障特征向量為輸入向量,運用維修決策向量為輸出向量,搭建基于深度信念網(wǎng)絡(luò)(Deep Believe Network,DBN)的城市軌道交通車輛智能診斷模型,采用對比發(fā)散算法訓(xùn)練該診斷模型,為城市軌道交通車輛提供健康評估及故障預(yù)警。本文以某地鐵公司車輛輪對尺寸數(shù)據(jù)為例,對城市軌道交通車輛智能診斷模型進行了訓(xùn)練與驗證。驗證結(jié)果表明,模型診斷準(zhǔn)確率高,診斷時間短,滿足故障診斷準(zhǔn)確率及時效性要求。本文...

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
        1.1.1 我國城市軌道交通發(fā)展概況
        1.1.2 城市軌道交通運量與運力矛盾突出
        1.1.3 城市軌道交通車輛運用維修情況概述
        1.1.4 研究意義
    1.2 國內(nèi)外相關(guān)研究概況
        1.2.1 設(shè)備故障診斷技術(shù)研究現(xiàn)狀
        1.2.2 城市軌道交通車輛設(shè)備故障診斷研究現(xiàn)狀
        1.2.3 深度學(xué)習(xí)的發(fā)展及其在故障診斷中的研究現(xiàn)狀
    1.3 研究主要內(nèi)容
    1.4 研究技術(shù)路線
    1.5 本章小結(jié)
2 城市軌道交通車輛智能診斷系統(tǒng)設(shè)計
    2.1 城市軌道交通車輛智能診斷系統(tǒng)概念及必要性分析
        2.1.1 車輛智能診斷系統(tǒng)概念
        2.1.2 車輛智能診斷系統(tǒng)必要性分析
    2.2 城市軌道交通車輛智能診斷系統(tǒng)需求分析
        2.2.1 車輛維修作業(yè)概述
        2.2.2 車輛故障診斷現(xiàn)狀分析
        2.2.3 車輛維修價值分析
        2.2.4 智能診斷系統(tǒng)需求
    2.3 系統(tǒng)設(shè)計工作流程
    2.4 系統(tǒng)技術(shù)框架
    2.5 系統(tǒng)關(guān)鍵技術(shù)分析
    2.6 系統(tǒng)拓展應(yīng)用
    2.7 本章小結(jié)
3 城市軌道交通車輛深度診斷網(wǎng)絡(luò)
    3.1 設(shè)備特征向量提取
        3.1.1 車輛設(shè)備故障描述
        3.1.2 特征向量及決策向量
    3.2 深度學(xué)習(xí)與深度信念網(wǎng)絡(luò)
        3.2.1 神經(jīng)元模型
        3.2.2 受限玻爾茲曼機模型
        3.2.3 受限玻爾茲曼機訓(xùn)練算法
        3.2.4 深度信念網(wǎng)絡(luò)構(gòu)建
    3.3 基于DBN的車輛深度診斷網(wǎng)絡(luò)模型
        3.3.1 故障診斷網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
        3.3.2 深度診斷網(wǎng)絡(luò)模型訓(xùn)練過程
    3.4 本章小結(jié)
4 模型驗證及應(yīng)用
    4.1 實例數(shù)據(jù)分析
    4.2 深度診斷網(wǎng)絡(luò)模型訓(xùn)練測試
        4.2.1 模型訓(xùn)練測試
        4.2.2 模型評價改善
    4.3 其他常用故障診斷模型對比
        4.3.1 基于KNN和ANN-BP的故障診斷模型對比
        4.3.2 模型訓(xùn)練及驗證結(jié)果對比分析
    4.4 深度診斷網(wǎng)絡(luò)模型的應(yīng)用
        4.4.1 輪對運用維修指導(dǎo)
        4.4.2 模型綜合應(yīng)用
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 研究主要工作及成果
    5.2 研究創(chuàng)新點
    5.3 研究展望
致謝
參考文獻
附錄



本文編號：3800211