论文部分内容阅读
近年来我国铁路朝着高速、重载的方向发展,高铁的建设如火如荼,提速道岔作为高铁运营的基础信号设备之一,在列车的安全运行中起着至关重要的作用。S700K型交流电动转辙机是目前控制提速道岔动作的重要工具,其运行状态的好坏对道岔能否完成转换起着至关重要的作用。从现场的实际应用来看,对道岔转辙设备故障种类的判断主要是靠相关技术人员查看微机监测系统采集的转辙机电流或者功率曲线,这种方法常存在处理时间长、处理精度差等问题,而且依据技术人员的经验判断故障,常会出现故障误判、漏判等现象。针对以上问题,研究相应的道岔转辙机的故障智能诊断方法并能适应如今高铁迅速发展的方向具有重要的应用价值和现实意义。本文分析了国内外对道岔转辙机故障诊断相关研究的文献以及查阅资料,以微机监测系统采集的转辙机动作功率曲线为数据源,提出小波变换和改进BP(Back Propagation,反向传播)神经网络相结合的S700K型转辙机故障诊断模型,该模型把微机监测系统采集的转辙机功率曲线数据作为小波分解的输入量,经小波分解提取信号的特征量,将特征量作为改进型自适应遗传算法优化后的BP神经网络的输入量进行S700K型转辙机的故障诊断。论文主要研究工作如下:首先,根据S700K型交流电动转辙机的结构和工作原理,分析了转辙机转换作用力和动作功率之间的关系,得出转辙机动作功率值的变化能反映其运行状态的变化。通过查阅资料和现场故障记录,总结出8种S700K型转辙机的常见故障模式,并列出每种故障模式的微机监测功率曲线和故障原因。然后,构建S700K转辙机故障诊断模型。提出Haar小波分解提取神经网络输入特征量,用AGA(Adaptive Genetic Algorithm,自适应遗传算法)优化神经网络的权、阈值,构建AGA-WNN(Adaptive Genetic Algorithm-Wavelet Neural Network,自适应遗传小波神经网络)故障诊断模型。以微机监测系统采集的功率曲线数据采样后经Haar小波分解提取信号的特征量,特征量归一化后作为BP神经网络的输入量,用能在进化过程中改变交叉和变异概率的自适应遗传算法优化神经网络内部的连接权值和阈值,选择微机监测站机数据库里的转辙机历史动作功率曲线进行模型的网络训练和测试,结果显示诊断模型具有较高的精度。最后,利用改进算法优化S700K型转辙机故障诊断模型。针对自适应遗传小波神经网络模型在“转换异常阻力”、“断相保护器不良”、“卡缺口”3种故障模式区分能力较弱的缺点,为了进一步提升算法的运算能力,提高系统的诊断精度与速度,提出一种基于进化代数衰减因子的IAGA(Improved Adaptive Genetic Algorithm,改进型自适应遗传算法),仿真结果显示,改进型自适应遗传算法在寻优过程、最优适应度值等方面较原算法都有较大的提升,IAGA-WNN(Improved Adaptive Genetic Algorithm-Wavelet Neural Network,改进自适应遗传小波神经网络)模型具有更高的速度与精度,能够满足现场运营的需要。