论文部分内容阅读
随着我国经济的不断发展,对快速满足交通系统的需求不断提高,高速铁路系统在经过几次大提速后,如何保证现有铁路设备实时正常工作成为亟待解决的问题;提速道岔作为决定高速列车运行方向的关键设备,保证及时和高效维护是正常运行的前提,而传统的故障修模式存在效率低下、工作量大、可靠性低的弊端。目前,铁路设备正在提出由故障修向预防修理念的转换,作为铁路现场的故障高发区,道岔具体故障如何被精确预测成为研究的重点和难点,论文针对以上问题,主要研究工作如下:首先,选择S700K型提速道岔作为研究对象,分别分析提速道岔的组成结构、转辙机的动作原理以及道岔功率曲线的采集原理,将道岔状态分为健康态、亚健康态和故障态;结合现场道岔常见故障的发生情况,将道岔故障分为机械故障和电气故障,并选择道岔故障发生频率较高的4种机械故障、2种电气故障作为故障源,并通过道岔所处的状态给出对应的三个检修等级,依次为检修Ⅰ级、检修Ⅱ级和检修Ⅲ级。其次,将道岔状态分为静态和动态,分别设定道岔健康评估基准,设计基于云相似度的道岔曲线相似度作为道岔动态健康指标;设计道岔标准转换时长与道岔表示杆缺口作为静态指标等。具体做法是:设计基于中位数的道岔标准曲线作为评估基准,通过计算道岔标准曲线与道岔实时动作曲线的云相似度反映道岔是否处于正常状态,同时根据统计学理论,计算健康状态与其余状态的指标分界线;通过云模型求解拟合的标准曲线和实时动作曲线的曲线相似度,通过采集的大量样本定义健康状态云相似度的下阈值和亚健康态的云相似度范围,给出检修等级意见。然后,选择道岔云相似度作为单变量构建长短时记忆神经网络模型(Long Short Term Memory,LSTM)进行道岔亚健康态预测,同时构建自回归模型(Auto Regression Model,AR)进行预测对比,验证LSTM在应用于道岔中进行时间序列预测的优势;针对道岔单变量评估存在的描述不全面问题,将功率曲线相似度及转换时长作为道岔动作曲线的动态评价指标,把锁闭柱与锁闭杆的缺口间隙和标准柱与表示杆的缺口间隙设置成静态评估指标;选择以上四个变量作为道岔的评估指标,构建多变量LSTM神经网络,对道岔进行多变量预测研究。最后,对预测得到的道岔亚健康态进行故障预测定位。首先对故障源中的6种故障类型选取曲线云相似度、道岔转换时间、锁闭柱与锁闭杆的缺口间隙、标准柱与表示杆的缺口间隙作为特征量,使用高斯混合模型(Gaussian Mixture Model,GMM)聚类方法对预测得到的数据进行整理及聚类,分别选取神经网络的训练集和测试集构建概率神经网络(Probabilistic neural network,PNN),进行具体故障类型预测,给出可能出现的故障类型概率统计,通过和BP神经网络、改进的BP神经网络进行训练误差对比,能够得出概率神经网络对具体故障的定位能力强。