孙勤[1]2007年在《基于支持向量机的机车变流装置故障诊断方法研究》文中指出电力机车是一个结构非常复杂的系统，其绝大部分时间是处于连续工作状态，这就对机车系统运行的可靠性提出了相当高的要求。对机车进行实时检测和故障诊断是防止机车故障，保障安全运行，提高运输效率的一个重要的技术手段。本文首先阐明了对机车设备进行故障诊断的目的和意义，接着介绍了机车故障诊断的发展现状和数据挖掘技术在该领域的应用现状。分析了将智能故障诊断方法应用于机车设备的紧迫性和优越性。引入模式识别与机器学习领域中的前沿工具一支持向量机，并提出了将基于支持向量机的数据挖掘技术应用于电力机车主变流器故障诊断的全新方法。论文选择机车牵引变流器为研究对象，介绍了韶山8型电力机车主变流器的电路结构和工作原理，通过对变流器工作机理进行分析，提出以输出电压为判断依据的故障诊断方法。借助仿真软件Matlab中的Simulink工具箱，构造了不同故障类型时电路的运行模式，仿真得到相应的电压输出波形，并用小波工具箱对输出波形进行信号处理(小波分析)，提取故障特征，构造特征向量，得到蕴涵电路故障信息的大量数据，然后采用支持向量机方法进行故障模式识别。利用SVM工具箱构建基于高斯径向基核函数的多故障分类器，并用大量的仿真数据进行了训练和测试，得到了理想的分类效果。
王轶[2]2005年在《基于数据挖掘的机车牵引变流器故障诊断》文中研究指明电力机车或电动车组是一个结构非常复杂的系统,而且其绝大部分时间都处于运行状态,这对机车系统的运行可靠性提出了很高的要求。机车实时故障诊断,是防止列车故障,保障运行安全,提高运输效率的一个重要技术手段。 数据挖掘可以从大量的数据中智能地、自动地提取有价值的知识和信息,是当前相当活跃的研究领域。随着我国铁路信息化建设快速发展,知识的自动获取已经成为制约其进一步发展的“瓶颈”。因此,适用于机车故障诊断领域的数据挖掘,具有理论意义和重要的实用价值。 电力机车与电动车组的电力牵引传动系统是其核心,牵引变流器的可靠性决定着机车系统的可靠运行,论文选择机车变流器作为研究对象。 论文首先介绍了数据挖掘中几种比较成熟的算法的基础,提出了尝试采用决策树、粗糙集和关联规则叁种方法用于挖掘的思路。 论文以韶山8型电力机车主变流器为研究对象,通过对主变流器工作原理的分析,用MATLAB6建立了主变流器的仿真模型。通过仿真得到了在不同故障模式下主变流器输出电压的变化波形图。然后采用小波分析的方法对电压波形进行了能量分解,构造了相应的特征向量,得出了由特征向量分析判断故障的结论。 由于特征向量存在冗余,特征向量过多也意味着实际操作时连接的传感器也过多,且可能产生不可识别的故障。所以论文采用数据挖掘的方法对冗余特征向量进行识别和删除。论文分别采用决策树,粗糙集及关联规则对一组典型特征向量进行挖掘,详细分析了挖掘过程,得到了理想的效果。 最后通过建立数据挖掘软件系统,利用仿真得到的数据建立数据库,进行了数据预处理计算并对叁种算法进行验证。
谢友辉[3]2004年在《数据挖掘技术及在机车故障诊断中的应用》文中进行了进一步梳理数据挖掘研究如何从大量的数据中智能地、自动地提取出有价值的知识和信息，是当前相当活跃的研究领域。近年来，随着我国铁路信息化建设快速发展，知识的自动获取已经成为制约其进一步发展的“瓶颈”。因此，研究适用于机车故障诊断领域的数据挖掘，具有理论意义和重要的实用价值。 本文系统归纳总结了现有的数据挖掘技术，分析了粗糙集在数据挖掘应用中的特点。以SS8型电力机车主变流器为研究对象，通过对主变流器的工作原理的分析，建立了主变流器的仿真模型。以变流器的输出电压为故障信息分析对象，并仿真了变流器不同整流元件开路故障时的运行情况，构造了相应的输出电压波形。采用小波变换对电压波形进行能量分解，构造相应的特征向量。 由于特征向量的冗余，可能产生不可识别的故障。本文提出应用基于粗糙集的数据挖掘技术对变流器进行故障诊断，研究了故障特征的约简方法及诊断规则的获取方法，在保持识别能力的情况下，对规则进行修剪，得到了约简规则库。从仿真应用来看，所提出的应用方法具有较强的鲁棒性和泛化能力。 数据挖掘研究正处在发展阶段，数据挖掘本身以及其在机车故障中的应用还有许多问题值得探讨，本文的研究工作是一个尝试，相关工作还有待进一步深入。
池艾伦, 杨丁一[4]2014年在《数据挖掘技术在机车无线重联故障诊断中的应用》文中研究表明本文在分析SS4B电力机车无线重联工作原理的基础上,提出用粗糙集理论对重联编组列车运行数据安全性进行分析和预测,并在Matlab6.5环境下进行了仿真实验,得到了预期的输出结果,证明基于粗糙集理论的数据挖掘技术对重联编组列车故障诊断起到了良好的作用,为增强重联编组的安全性和未来2万t重载列车开行的技术保障提供了一种新的研究思路。
王飞月[5]2011年在《基于贝叶斯网络的机车牵引变流器故障预测》文中研究表明电力机车是一个结构非常复杂的系统,其绝大部分时间都处于工作状态,这就要求机车运行具有较高的可靠性。对机车运行状态进行实时监控和故障预测是防止机车故障,保障运行安全的重要手段。牵引变流器是电力机车以及安装电传动装置的其他机车上设置在牵引主电路中的变流器,其功能是转换直流制和交流制间的电能量,并对各种牵引电动机起控制和调节作用,从而控制机车的运行,故牵引变流器的可靠性是机车安全运行的重要保障。本文的主要贡献如下：1、提出将贝叶斯网络方法应用于牵引变流器故障的预测。论文阐明了故障预测的目的、意义和发展现状,分析了将智能故障预测方法应用于机车设备的紧迫性。引入故障预测的前沿工具—贝叶斯网络,阐述了贝叶斯网络诊断的优越性,提出了将贝叶斯网络技术应用于牵引变流器故障预测的全新方法。2、明确贝叶斯网络基本理论及其建模方法。对贝叶斯网络的基本理论及方法进行了研究,贝叶斯网络提供了一种因果关系的数据表达法,可以用来挖掘数据之间的潜在关系,在不确定性推理及数据建模等方面具有特有的优势。贝叶斯网络的条件独立性能够很好的表达故障之间的关联关系。3、将贝叶斯网络理论应用于牵引变流器的故障预测。论文选择电力机车牵引变流器为研究对象,介绍了韶山8型电力机车主变流器的电路结构和工作原理,通过对变流器工作机理及常见故障：过电流故障、过电压故障、欠电压故障、过热故障、过载故障等故障及其原因的分析,利用模糊理论将从系统采集的信号进行处理、判断,借助仿真软件MATLAB中的FullBNT-1.0.7工具箱构建贝叶斯网络,通过贝叶斯网络的参数学习强化模型,依靠其推理能力,对可能发生故障原因做出决策并进行故障的诊断。研究表明,贝叶斯网络用于故障预测方法实时性好,准确性高,为机车牵引变流器可靠性研究提供了新的、更为有力的技术方法。
马海漫[6]2013年在《动车组状态修中故障知识获取模型的研究》文中认为近年来,高速动车组的运行安全越来越受到人们的关注,动车组维修工作是确保其安全性的有力保障,目前我国铁路动车组检修主要存在两点不足：一是维修工作缺乏实时性；二是动车组运行过程中产生的状态数据对维修的指导作用不强。在此背景下,本文建立起一个动车组故障知识获取模型,用于从积累的动车组故障数据中获取有效信息,指导动车组维修工作,更进一步实现动车组状态修。本文首先分析总结了动车组状态信息的获取途径。从动车组运行过程的监测手段和关键部件的数据采集手段,到WTD车载设备和动车组随车机械师手持移动终端实现数据的实时传输,再到地面信息管理系统用于接收数据并对数据进行分析处理,数据的采集、传输和接收构成了一个车地通信系统。其次,对数据挖掘技术进行深入研究,针对动车组故障数据的特点,对关联规则挖掘的经典算法——Apriori算法进行了改进,基于改进的Apriori算法建立了动车组故障知识获取模型,利用南车集团青岛四方机车车辆股份有限公司动车组地面信息管理系统中动态传输的动车组运行过程中产生的真实数据,对改进算法和原算法进行实际测试,结果表明改进算法比原算法更适合于动车组故障数据的挖掘,并且在运行时间和占用空间方面都有一定程度的降低。最后,通过对知识表示方法,知识库和推理机的研究,设计并初步实现了动车组故障知识库；实现了在途动车组维修的远程技术支持功能,提出了动车组状态修工作流程,为动车组提供多条维修途径,确保维修工作准确及时；基于动车组故障知识库和原有地面信息管理系统组建动车组状态修综合管理平台,研究其主要功能模块和数据处理流程,实现了一些功能,并对其进行举例说明。
钟燕科[7]2009年在《基于SVM的机车主变流器故障诊断》文中指出众所周知,安全是铁路运输的生命线,机车的可靠运行是铁路安全生产的最基本保障。对机车进行实时检测和故障诊断是防止机车故障、保障安全运行、提高运输效率的一个重要的技术手段。本文所研究的课题来源于国家863计划《列车安全状态监测及故障预警技术研究》和国家自然科学基金项目《基于列车通信网络的高速列车故障诊断系统研究》,文章首先阐明了对机车进行故障诊断的重要意义,接着介绍了机车故障诊断技术的发展现状,引入模式识别与机器学习领域中的前沿工具一支持向量机,采用SVM对电力机车主变流器故障进行诊断。论文以电力机车主变流器为研究对象,介绍了电力机车主变流器的电路结构,在分析其工作原理的基础上,分析了电路的故障分布情况;针对变流器输出参量特征,选择输出电压作为故障信号提取对象。借助仿真软件Matlab中的Simulink工具箱,仿真得到了主变流器发生不同故障时电路所对应的输出电压,采用小波分析对输出电压进行信号处理,提取故障特征,构造特征向量,获得蕴涵电路故障信息的样本。利用SVM工具箱构建多故障分类器,但是,SVM在无限空间建立分类超平面,容易导致误分类,针对此问题,本文提出了改进方法,使SVM在确定的有限空间进行分类,这是本文的创新之处。最后用仿真样本进行了训练和测试,实验结果表明分类效果良好,实现了预期目标。总之,本文提出的诊断方法具有实时性强、准确性高的特点,对电力机车主变流器故障诊断具有积极的理论指导意义。
童珠满[8]2018年在《基于神经网络的机车滚动轴承故障诊断研究》文中进行了进一步梳理随着工业技术的不断发展,我国铁路运输的相关配套设施也日益完善,机车多次大提速之后进入高铁时代。然而机车安全事故时有发生,甬温线特别重大铁路交通事故历历在目。机车的滚动轴承是一个至关重要的零件,它的状态好坏决定着机车能否正常运行。当滚动轴承出现运行故障时,也许会再次带来重大铁路交通事故。基于此,本论文将围绕机车走行部滚动轴承故障诊断进行研究。针对目前机车滚动轴承故障诊断准确率低、速度慢的问题,本文研究把小波包技术以及粗糙集理论技术创新性地应用到机车滚动轴承故障诊断中。首先运用小波包分解构造故障特征集,之后运用粗糙集对故障特征集进行降维处理以消除冗余信息,然后将降维后的最小属性集作为Levenberg-Marquardt算法改进的BP神经网络的输入,建立相应的神经网络模型以实现故障诊断。测试结果表明,相对于普通BP网络模型而言,本方法达到了提高故障诊断的速度和故障诊断准确率的目的。本文主要完成了以下几方面的研宄工作:(1)给出了本课题的研究背景及意义,说明了本课题的国内外研究进展及现状等。对机车走行部滚动轴承及其基本结构和参数进行了分析,讨论了滚动轴承的振动产生来源、故障分类以及故障产生机理,设计了滚动轴承的故障诊断步骤、诊断的性能指标及诊断方法。(2)研究了人工神经网络的特性及其BP算法,通过将普通BP网络及其两种改进算法进行比较,确定出改进的Levenberg-Marquardt法的训练速度更快和精度更高。(3)基于美国Case Western Reserve大学轴承数据中心网上公布的原始数据,利用小波降噪进行预处理并基于小波包技术获取滚动轴承的故障特征参数。通过分析比较不同小波包分解层数的训练效果,确定出本文使用3层小波包分解重构。最后,利用BP神经网络对机车滚动轴承进行故障识别,得出故障类型,仿真结果表明该算法的有效性。(4)将粗糙集理论引入到了滚动轴承故障诊断中,运用粗糙集对故障特征集进行降维处理以消除冗余信息,然后将降维后的最小属性集作为BP神经网络的输入,建立相应的神经网络模型。仿真结果表明该算法的有效性。(5)利用粗糙集对条件属性进行约简时,本文设计了一种先分块建立决策表再进行约简的方法。并对该方法的可行性和时间复杂度进行了分析,证明了该方法的有效性。
宋龙龙[9]2016年在《基于非规范知识处理的高速列车综合智能故障诊断方法研究》文中研究指明高速列车故障诊断是高速铁路系统综合保障工作的重要环节,是保持和提高高速铁路运输能力的重要因素,贯穿于高速列车服役的全过程。我国高速列车运用检修过程中形成了海量的故障诊断领域知识,但是存在严重的非规范性(不完备性、不确定性和不一致性),难以有效集成融合。另一方面由于高速列车复杂的系统结构、多重复杂故障间动态耦合关联以及高速列车特有的“五级四地”检修作业模式,导致异地多群体专家综合诊断决策时难以避免决策冲突和诊断结论的不确定性。因此,针对我国高速列车检修诊断模式及故障诊断领域知识特点,亟待开展基于非规范知识处理的综合智能故障诊断方法研究。本文研究并提出了一种基于高速列车故障诊断领域知识的异地多群体专家综合智能故障诊断方法。分别针对高速列车复杂故障关系建模过程开展优化方法与动态故障关系推理方法研究,针对高速列车故障诊断领域知识开展非规范性分析与处理方法、多源异构知识融合方法与模糊故障诊断方法研究,针对异地多群体专家协商会诊过程开展综合故障诊断融合策略研究。首先,分析我国高速列车的故障发生特点,针对不同高速列车故障诊断策略开展对比分析,定义了我国高速列车“五级四地”检修运用模式并分析了其局限性;对高速列车典型关键系统开展层次化组织结构分析和功能原理分析,以此为基础开展系统故障模式与效应(FMEA)分析,得到各系统潜在的主要故障模式及其对应的故障现象和故障原因事件,建立了各个典型关键系统内部故障模式与故障原因事件之间的关联映射关系。其次,针对故障树分析建模过程复杂和组合爆炸问题,结合Perti网分析法建立了一种故障关系优化建模方法,通过模型转换减少了系统故障关系建模过程中的元素种类和节点事件数目,简化了故障关系建模过程,降低了顶事件概率求解的复杂度；基于Token动态传递和转移使能算法,建立了系统不同类型故障模式的初始标识集和动态传递矩阵,推导建立系统故障树中底事件故障动态传播过程的数学模型,采用数学推理的方式实现了系统故障的动态诊断推理。再次,研究了高速列车非规范故障诊断领域知识不确定性、不完备性和不一致性的主要表现形式、产生原因和对故障诊断的影响,建立了一种非规范知识环境下的高速列车模糊故障诊断方法。针对故障诊断领域知识的不一致性与多源异构性,采用本体建模的方法构建了领域知识的概念层次模型和概念属性模型,并与RDF(S)框架相结合建立了叁层异构数据融合框架,引入霍尔逻辑“时-空-模式”叁元组进行故障模式的一致性约束以实现概念术语统一：针对领域知识的不确定性和不完备性,将全局RDF(S)本体库与模糊故障树分析相结合建立了典型关键系统的T-S模糊规则与梯形模糊隶属度,分别用以描述故障事件发生程度的模糊性和故障事件传递关系的模糊性,推导计算了顶事件故障失效模糊子集以判断不同工况下系统失效的模糊可能性,实现了非规范知识环境下的模糊故障诊断。最后,针对多群体专家决策结论及其传递过程的模糊性,基于模糊集建立不同类型模糊关系合成的数学矩阵表达,将模糊影响图与故障树建模相结合,构建系统故障模糊影响图的决策节点、价值节点与模糊频率矩阵,根据专家经验和真实历史数据给出了系统各级故障事件之间的模糊关系矩阵,建立了故障状态的动态传递过程的模糊影像图模型；针对异地专家群体诊断意见综合集结过程,将D-S证据理论及其Dempster合成规则与模糊影响图算法相结合,引进DSmT算法和随机集理论建立Dempster合成规则的随机集解释,克服了证据理论中证据规则的独立性要求,构建高速列车不同诊断专家的群决策证据体和系统状态模糊识别框架,推导得到群决策结论,提高多群体专家综合诊断决策结论有效性,减少诊断结论不确定性。为了验证本文建立算法的准确性和有效性,分别基于高速列车典型关键系统高压牵引系统的受电弓系统、供风及制动控制系统和转向架系统实际诊断维修资料开展算例分析和验证。建立了叁个典型关键系统共27种故障失效模式与86种故障原因事件之间的关联映射关系,在各个章节分别利用上述领域知识及其历史统计数据针对对应章节构造提出的算法进行算例验证。最后,总结了全文的研究工作,并对后续研究工作给出了建议。
参考文献：
[1]. 基于支持向量机的机车变流装置故障诊断方法研究[D]. 孙勤. 西南交通大学. 2007
[2]. 基于数据挖掘的机车牵引变流器故障诊断[D]. 王轶. 西南交通大学. 2005
[3]. 数据挖掘技术及在机车故障诊断中的应用[D]. 谢友辉. 中南大学. 2004
[4]. 数据挖掘技术在机车无线重联故障诊断中的应用[J]. 池艾伦, 杨丁一. 中国煤炭. 2014
[5]. 基于贝叶斯网络的机车牵引变流器故障预测[D]. 王飞月. 北京交通大学. 2011
[6]. 动车组状态修中故障知识获取模型的研究[D]. 马海漫. 北京交通大学. 2013
[7]. 基于SVM的机车主变流器故障诊断[D]. 钟燕科. 中南大学. 2009
[8]. 基于神经网络的机车滚动轴承故障诊断研究[D]. 童珠满. 东南大学. 2018
[9]. 基于非规范知识处理的高速列车综合智能故障诊断方法研究[D]. 宋龙龙. 北京交通大学. 2016
标签：计算机软件及计算机应用论文; 故障诊断论文; 变流器论文; 数据挖掘技术论文; 大数据论文; 贝叶斯网络论文; 仿真软件论文; 模糊理论论文; 模糊算法论文; 电力机车论文;