论文部分内容阅读
ZPW-2000A型轨道电路保障着列车的安全运行,是铁路运行设备中不可或缺的一部分。假设轨道电路发生了故障,严重时将会影响行车安全,甚至导致列车相撞等事故,造成人员伤亡和经济的损失。通过对轨道电路出现故障的设备进行及时维修养护来使列车运行安全可靠,进而使列车的运输效率得到提高。目前现场实际的检测和诊断轨道电路故障的方式依然是凭借现场检修人员的经验来进行测试和分析,这种方式过于依靠现场人员,使故障判断的时间长,效率降低,判别错误等问题易出现。为解决上述问题,本文结合核主成分分析(Kernel Principal Component Analysis,KPCA)和栈式自编码(Stacked Autoencoder,SAE)理论,并根据轨道电路实际故障数据,构建ZPW-2000A型轨道电路故障分类模型,本文研究的主要内容如下:首先,分析ZPW-2000A型轨道电路的基本原理和结构,根据现场实际历史故障监测数据分析其中各设备的电压值,将原始数据中的发送电源值、功出电压、送端分线盘电压、轨面电压、轨面电流、受端电缆侧电压、受端设备侧电压、XGJ电压、轨道继电器电压、主轨出电压作为历史数据的参数,完成特征参数提取,确定故障类别。然后,对于现场所采集的历史故障数据中所可能出现的信息冗余、噪声等问题,采用KPCA算法对原始数据进行约简,对原始数据进行标准化处理,根据核函数计算出对应的核矩阵,并将核矩阵中心化,求取核矩阵的特征值和特征向量,并进一步计算特征值所对应主元的累计贡献率,最后根据累计贡献率选取能最大程度反映原始数据表征的主元,实现对原始数据的降维。其次,将KPCA算法约简后的数据分为训练集和测试集,并作为栈式自编码网络的输入,采用逐层贪婪无监督的训练方法对分类模型进行预训练,建立基于KPCA-SAE网络的ZPW-2000A型轨道电路故障分类模型,并对测试集进行分类测试。最后,将本文分类模型的分类结果与基于SAE网络的故障分类模型和一些传统分类算法作对比分析,实验结果表明,在同等数据集的基础上,本文分类模型的分类效果更加突出,核主成分分析与栈式自编码网络相结合应用于ZPW-2000A型轨道电路故障分类中,具有较高的理论价值和实际应用前景。