基于神经网络的重载机车粘着状态识别方法研究.pdf

《基于神经网络的重载机车粘着状态识别方法研究.pdf》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、分类号密级基于神经网络的重载机车粘着状态识别方法研究研究生姓名：程翔指导教师姓名、职称：张昌凡教授副指导教师姓名、职称：刘建华讲师学科专业：电气工程研究方向：电力传动技术及其故障诊断湖南工业大学二〇一八年六月十三日III摘要重载机车牵引与制动性能的发挥效果依赖于轮轨粘着利用状况。粘着的状态一般可分为：正常运行、打滑征兆、微小打滑、严重打滑这四种，其中打滑征兆向微小打滑的过渡十分迅速，从微小打滑发展到严重打滑会引发轮对打滑和空转以及脱轨等安全事故。现阶段重载机车粘着状态识别的研究主要集中在基于模型的方法中，因为重载机车的轮轨间物理结构复杂，各种装置之间交错影响难以分析透彻，所以在建模过程

2、中无法透彻的进行机理分析。针对上述不足，本文根据重载机车粘着状态的数据变化特征，研究了基于遗传算法优化的神经网络、极限学习、深度神经网络的粘着状态识别方法。(1)针对重载机车粘着特性进行了分析，结合重载机车粘着状态由正常到出现打滑征兆、微小打滑到严重打滑过渡不明显的特点，定义了四种粘着状态的划分依据。(2)针对现有方法对粘着状态识别准确率不高的现状，设计了结合遗传算法的神经网络粘着状态识别方法，该方法在粘着状态识别小规模测试集上表现良好。(3)针对粘着状态之间变化迅速的工程特点，同时为了对比分析找出更适合用于重载机车的粘着状态识别方法。进一步地，研究了极限学习机理论与重载机车粘着特性结

3、合的粘着状态识别方法，建立了数据驱动的粘着状态识别模型，验证了所提方法的可行性。(4)针对大量粘着特性样本挖掘的问题，本文进一步地研究了深度神经网络结合的重载机车粘着状态识别方法，仿真结果表明该方法在大规模样本下表现优良。关键词：重载机车；粘着状态；神经网络；极限学习机；深度学习IIIABSTRACTTheeffectofthetractionandbrakingperformanceofheavy-dutylocomotivesdependsontheconditionofwheel-railadhesion.Adhesiongenerallyincludesfourtypes:no

4、rmaloperation,slipsymptoms,minorslip,andsevereslip.Thetransitionfromslippingtomicroslippingisveryrapid.Thedevelopmentfrommicroslippingtosevereslippingcancausewheelslippingandidleandderailmentaccident.Atpresent,theresearchontheadhesionstatusidentificationofheavy-dutylocomotivesismainlyfocusedonth

5、emodel-basedapproach.Becausethephysicalstructureoftheheavy-dutylocomotivesiscomplexbetweenwheelsandrails,theinterleavingeffectsbetweenvariousdevicesaredifficulttoanalyzethoroughly,sotheycannotbemodeled.Thoroughmechanismanalysis.Inviewoftheabove-mentioneddeficiencies,accordingtothecharacteristics

6、ofdatachangesintheadhesionstateofheavy-dutylocomotives,thispaperstudiesthemethodsofneuralnetwork,extremelearninganddeepneuralnetworkbasedongeneticalgorithmoptimization.(1)Theadhesioncharacteristicsofheavy-dutylocomotiveswereanalyzed,andtheclassificationoffouradhesionstateswasdefinedbasedonthecha

7、racteristicsofheavy-dutylocomotives'adhesionstatefromnormaltoskiddingsigns,minorskiddingtosevereskidtransition.(2)Aimingatthecurrentsituationthattheaccuracyoftheadhesionstaterecognitionisnothigh,aneuralnetworkadhesionstatere