论文部分内容阅读
随着我国乃至世界铁路事业的快速发展,人们对于铁路运输作业的安全可靠性、节能高效性都有了更高的要求。道岔作为铁路信号系统关键的基础设备之一,是车站联锁系统排列进路和实现列车从一轨道转换或直接越过另一轨道的重要设备。因此,对道岔设备的退化状态及健康管理方法进行研究就显得尤为重要。目前在铁路运输中,铁路电务部门对道岔设备的实时监测主要是通过信号微机监测系统实现的,监测的内容主要有转辙机动作电流、动作电压和转换功率、缺口等数据。在现场,采取周期修和抢险修的方式,主要依靠专业的信号工根据人工经验的方式对道岔故障进行诊断,而且大多数情况不能实现超前预判,难以对其实现有效的维修保养管理。为了对道岔实行有效的维修保养工作,需要对道岔退化状态及健康管理方法进行研究。当道岔未发生故障前,对道岔运行状态进行分析,根据模型掌握其所处的退化等级,对其提前进行维修保养工作;当道岔处于故障状态时,对其故障智能化定位识别。依据此思想,本文将基于距离评估技术的特征提取与基于MPSO-SVM分类器结合,应用到道岔故障识别中;针对道岔室外二极管故障,提出一种基于集合经验模态分解(EEMD)、样本熵(SE)理论与长短期记忆神经网络组合模型,并应用到道岔退化状态研究中,从而实现道岔的健康管理。本文主要的工作内容如下:(1)本文以S700K转辙机为例,首先阐述道岔基本结构及工作原理;其次分析三相交流转辙机数据采集原理及监测道岔功率曲线对研究道岔实时动作状态的必要性;最后对采集的正常以及常见故障功率曲线进行详细分析,总结各类故障现象及出现该情况的原因。(2)道岔健康管理框架搭建及特征提取。针对道岔数据,基于开放的PHM框架结构,提出了道岔系统健康管理架构,主要包括数据采集与数据处理、状态监测、故障诊断及预测、健康管理等模块,并对各模块进行简要分析。以S700K型交流转辙机动作功率曲线为原始数据,分段提取时域特征并形成特征候选集,利用补偿距离评估技术对提取的特征候选集进行降维,选出敏感特征作为表征道岔动作的特征;对于时频特征提取:采用集合经验模态分解(EEMD)算法提取功率信号,得到若干组模态分量(IMF),然后计算每一组模态分量的样本熵值,作为表征道岔动作的特征。(3)采用改进的粒子群算法(modified particle swarm optimization,MPSO)优化支持向量机(support vector machine,SVM)对道岔故障进行智能识别。引入扰动项和动量项对粒子群算法进行改进并优化支持向量机相关参数,作为分类器对道岔故障进行识别。(4)采用长短期记忆神经网络(LSTM)对道岔退化状态进行预测。将训练样本提取的表征道岔动作的时频特征与构建的健康因子训练LSTM网络,最后将测试样本输入模型对道岔退化状态进行预测。本文基于深度学习中两种方法对道岔故障识别与退化状态两方面进行健康管理研究,研究表明,两种方法都具有一定的可行性,一方面可对道岔故障准确识别,识别率达97.78%,另一方面可预测出其所处退化状态,准确率可达92%,综合两方面可为道岔设备安全可靠运行提供有力保障,并可为道岔健康管理综合平台的开发与应用提供参考。