基于道岔动作电流的故障诊断方法研究

基于道岔动作电流的故障诊断方法研究

ID:17673809

大小:2.35 MB

页数:64页

时间:2018-09-04

基于道岔动作电流的故障诊断方法研究_第1页
基于道岔动作电流的故障诊断方法研究_第2页
基于道岔动作电流的故障诊断方法研究_第3页
基于道岔动作电流的故障诊断方法研究_第4页
基于道岔动作电流的故障诊断方法研究_第5页
资源描述:

《基于道岔动作电流的故障诊断方法研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、国内图书分类号:U284.91密级:公开国际图书分类号:656西南交通大学研究生学位论文基于道岔动作电流的故障诊断方法研究年级2015级姓名陈亭申请学位级别硕士专业交通运输工程指导老师王小敏二零一八年五月二十二日ClassifiedIndex:U284.91U.D.C:625SouthwestJiaotongUniversityMasterDegreeThesisRESEARCHONFAULTDIAGNOSISBASEDONSWITCHOPERATINGCURRENTGrade:2015Candidate:ChenTingAcademicDe

2、greeAppliedfor:MasterSpeciality:TransportationEngineeringSupervisor:WangXiaominMay.22,2018西南交通大学硕士研究生学位论第I页摘要道岔是铁路信号系统安全高效运行的重要保证,对铁路运输的安全与效率有重大的影响。目前我国铁路系统主要采用对道岔进行周期性地检修和天窗点维修的方法来保证道岔系统的安全性。这样的故障分析和故障定位方法存在很多问题,比如效率低、工作量大、无法保证及时性和准确性等。本文针对上述的问题,本文的主要研究内容如下:第一,因为道岔动作电流的变化趋

3、势可以反映道岔当前运行状态,所以本文以当前我国高速铁路提速道岔区段使用的S700K型道岔为研究对象,提出了一种基于CEEMD(CompleteEnsembleEmpiricalModeDecomposition)的道岔故障特征提取方法,其中应用了粗糙集属性约简、信息熵和自适应法确定参数等知识理论,然后用多维度分析法在二维空间展示故障特征提取结果,分析故障特征提取的有效性,最后搭建卷积神经网络模型进行故障诊断,实验结果证明了这种故障诊断方法的可行性。第二,将深度学习和卷神经网络应用到道岔故障诊断研究中,针对道岔动作电流数据与传统深度残差网络输入

4、数据形式不同的问题,调整残差学习模块内部结构,设计基于深度残差网络结构的道岔故障方法。为了提高系统的性能,进行网络参数优化,选取最合适的激活函数,并通过实验证明了对于道岔故障诊断这一问题,深度残差网络相对于浅层残差网络和全连接神经网络故障诊断效果更好。关键词:道岔;故障诊断;故障特征提取;CEEMD;深度残差西南交通大学硕士研究生学位论第II页AbstractTheswitchisaguaranteeforthesafetyandefficientoperationoftherailwaysignalsystem,whichhasagreat

5、influenceonthesafetyandefficiencyofrailwaytransportation.Atpresent,China'srailwaysystemmainlyadoptsthewayofperiodicmaintenanceandwindowmaintenanceforturnoutstoensurethesafetyofturnoutsystem.Forthisfaultanalysisandfaultlocationmethods,Therearemanyproblems,suchaslowefficiency

6、,heavyworkload,noguaranteeoftimelinessandaccuracyandsoon.First,becausethechangetrendoftheturnout'soperatingcurrentcanreflectthecurrentoperatingstateoftheturnout,thisthesisproposesaswitchfaultfeatureextractionmethodbasedonCEEMD,inwhichtheroughsetattributereduction,informatio

7、nentropy,andadaptivemethodtodeterminetheparametersandotherknowledgetheoriesareapplied.Thenthemulti-dimensionalanalysismethodisusedtodisplaythefaultfeatureextractionresultsintwodimensions,andtheeffectivenessoffaultfeatureextractionisanalyzed.Finally,aconvolutionalneuralnetwo

8、rkmodelisbuilttodiagnosefaults.Theexperimentalresultsprovethefeasibilityofthisfaul

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。