论文部分内容阅读
“八纵八横”高速铁路网的提出使我国进入了高速铁路建设蓬勃发展的大时代,高效性、安全性和平稳性使得高速列车逐渐成为人们出行的首选,如何使高速列车的运行更加安全高效也逐渐成为铁路领域研究的重点。目前,铁路领域的故障预测研究主要集中在地面设备,但高速列车是客运的主体,一旦发生故障将导致不可估量的损失。故障间隔时间可以反映系统或装备故障的内在演化规律,因此,本文以车载设备微小故障间隔时间作为主要研究对象,对其进行统计分布建模及可靠性分析,并建立组合预测模型对其进行预测。本文的主要研究内容如下所示:(1)通过查阅大量文献资料,详细总结了故障预测技术和故障间隔时间的研究现状,并介绍了车载设备的结构和功能。基于动车设备质量分析工区交接班记录表和ATP车载设备配件更换历史记录表,将车载设备故障划分为六大类共16种故障类型。本文的数据来源为某型号车载设备ATPCU-LOG文件中记录的故障信息,对故障数据进行预处理,并利用分词技术和Apriori关联规则数据挖掘算法得到故障规则库,为后续研究奠定基础。(2)根据故障规则库,从历史故障数据中提取出车载设备微小故障间隔时间样本序列,首先对其进行统计分布分析,然后假设样本序列服从两参数Weibull分布或指数分布,分别利用最小二乘法和极大似然法求解模型参数,最后基于灰色关联分析法得到最优统计分布模型,从而建立基本可靠性模型,并根据最优分布模型对车载设备进行基本可靠性分析,求得车载设备的平均微小故障间隔时间、微小故障率函数和基本可靠度函数。(3)针对样本序列的非线性问题,建立基于时序分解的故障间隔时间组合预测模型对其进行预测。首先利用STL算法对样本序列进行时序分解,分解成周期项、趋势项和剩余项,然后对分解后的各项数据分别用回声状态网络、BP神经网络和支持向量机预测模型进行预测,最后分四种组合模型对各项预测结果相加得到最终预测结果,并与三种单一预测模型相比较,发现组合预测模型比单一预测模型的预测效果更好,最优组合模型为ESN+SVM+SVM,预测精度可达96.49%。综上所述,本文以车载设备系统级和部件级微小故障间隔时间作为主要研究对象,对其建立最优统计分布模型,并对车载设备进行可靠性分析。建立基于时序分解的组合预测模型预测微小故障间隔时间,仿真验证结果表明其预测效果比单一预测模型更好,预测结果可以使列车司机和现场维修人员能够提前预知故障情况并做出应对措施。图60幅,表12个,参考文献70篇。