轉(zhuǎn)轍機(jī)作為鐵路信號(hào)基礎(chǔ)設(shè)備之一,其安全穩(wěn)定可靠運(yùn)行對(duì)于保證鐵路安全運(yùn)輸起著重要的意義。目前對(duì)轉(zhuǎn)轍機(jī)維護(hù)大多基于規(guī)定進(jìn)行周期性檢查和維修,在一定程度上降低了故障發(fā)生的可能性,但人工長(zhǎng)期對(duì)同類型設(shè)備檢查會(huì)產(chǎn)生視覺疲勞,不考慮設(shè)備實(shí)際運(yùn)行狀態(tài)的周期性檢查會(huì)極大增加人工勞動(dòng)量,頻繁的開關(guān)箱操作極有可能因?yàn)殡妱?wù)工作人員操作不當(dāng)造成原本能正常運(yùn)行的設(shè)備變得無法正常運(yùn)行。轉(zhuǎn)轍機(jī)動(dòng)作電流曲線能反映轉(zhuǎn)轍機(jī)運(yùn)行狀態(tài),獲取微機(jī)監(jiān)測(cè)系統(tǒng)中轉(zhuǎn)轍機(jī)動(dòng)作原始數(shù)據(jù),分析統(tǒng)計(jì)常見轉(zhuǎn)轍機(jī)故障類型,基于轉(zhuǎn)轍機(jī)原始數(shù)據(jù)類型及深度學(xué)習(xí)模型適用范圍的基礎(chǔ)上,建立轉(zhuǎn)轍機(jī)故障診斷模型,通過對(duì)模型結(jié)構(gòu)的不斷優(yōu)化調(diào)整,使得對(duì)轉(zhuǎn)轍機(jī)故障分類具有更高準(zhǔn)確率,基于模型建立故障診斷系統(tǒng),驗(yàn)證其實(shí)際應(yīng)用的可行性。本文以當(dāng)前我國鐵路使用較多的ZYJ7型電液式道岔轉(zhuǎn)轍機(jī)為研究對(duì)象,基于轉(zhuǎn)轍機(jī)動(dòng)作電流為時(shí)間序列以及LSTMs對(duì)時(shí)序數(shù)據(jù)處理的優(yōu)勢(shì),建立四種基于LSTMs的故障診斷模型,獲取四種模型故障分類效果并對(duì)模型優(yōu)化,采用基于均勻分布采樣的方法對(duì)模型隱層層數(shù)及節(jié)點(diǎn)個(gè)數(shù)進(jìn)行優(yōu)化,比較分析不同優(yōu)化算法對(duì)模型故障分類準(zhǔn)確率影響,采用基于對(duì)數(shù)空間搜索方法對(duì)學(xué)...

【文章頁數(shù)】：88 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 道岔轉(zhuǎn)轍機(jī)故障診斷研究現(xiàn)狀
        1.2.2 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 論文的主要內(nèi)容
第2章 電液式道岔轉(zhuǎn)轍機(jī)分析及故障診斷模型選擇
    2.1 ZYJ7 型電液式道岔轉(zhuǎn)轍機(jī)分析
        2.1.1 ZYJ7 型電液式道岔轉(zhuǎn)轍機(jī)組成結(jié)構(gòu)
        2.1.2 ZYJ7 型電液式道岔轉(zhuǎn)轍機(jī)電路分析
        2.1.3 ZYJ7 型電液式道岔轉(zhuǎn)轍機(jī)動(dòng)作曲線分析
    2.2 深度學(xué)習(xí)模型分析
    2.3 ZYJ7 型電液式道岔轉(zhuǎn)轍機(jī)故障診斷模型選擇
    2.4 本章小結(jié)
第3章 基于LSTMs的 ZYJ7 型電液式道岔轉(zhuǎn)轍機(jī)故障診斷模型設(shè)計(jì)
    3.1 LSTMs網(wǎng)絡(luò)模型與算法分析
        3.1.1 LSTMs網(wǎng)絡(luò)模型輸入輸出
        3.1.2 LSTMs模型內(nèi)部結(jié)構(gòu)及算法分析
    3.2 LSTMs網(wǎng)絡(luò)組合結(jié)構(gòu)
    3.3 數(shù)據(jù)預(yù)處理
        3.3.1 樣本集說明
        3.3.2 基于PCA-LDA的數(shù)據(jù)降噪降維處理
    3.4 基于LSTMs的 ZYJ7 型電液式道岔轉(zhuǎn)轍機(jī)故障診斷模型設(shè)計(jì)
        3.4.1 基于LSTMs的故障診斷模型結(jié)構(gòu)設(shè)計(jì)
        3.4.2 模型結(jié)構(gòu)輸入輸出數(shù)據(jù)格式分析
        3.4.3 模型結(jié)構(gòu)算法流程
        3.4.4 超參數(shù)設(shè)置
    3.5 本章小結(jié)
第4章 基于LSTMs的電液式道岔轉(zhuǎn)轍機(jī)故障診斷研究
    4.1 初始超參數(shù)設(shè)置
    4.2 初始超參數(shù)下故障診斷研究
    4.3 網(wǎng)絡(luò)模型結(jié)構(gòu)超參數(shù)優(yōu)化
        4.3.1 基于均勻分布采樣的隱層節(jié)點(diǎn)個(gè)數(shù)及細(xì)胞層數(shù)優(yōu)化
        4.3.2 優(yōu)化函數(shù)選擇
        4.3.3 基于對(duì)數(shù)空間搜索的學(xué)習(xí)率優(yōu)化
        4.3.4 基于ROC的優(yōu)化后模型性能比較
        4.3.5 與其他故障診斷方法比較
    4.4 融合Attention機(jī)制的Multi-Bi-LSTMs故障診斷研究
        4.4.1 Attention機(jī)制模型構(gòu)建
        4.4.2 融合Attention機(jī)制的Multi-Bi-LSTMs故障診斷
    4.5 本章小結(jié)
第5章 融合Attention機(jī)制的Multi-Bi-LSTMs故障診斷系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
    5.1 軟件架構(gòu)設(shè)計(jì)
    5.2 軟件功能模塊設(shè)計(jì)
    5.3 軟件功能模塊實(shí)現(xiàn)
        5.3.1 軟件開發(fā)環(huán)境
        5.3.2 軟件功能模塊實(shí)現(xiàn)
    5.4 系統(tǒng)功能測(cè)試
    5.5 本章小結(jié)
結(jié)論與展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及科研成果



本文編號(hào)：3862360