基于模糊神經(jīng)網(wǎng)絡(luò)的高速鐵路道岔故障診斷方法研究.pdf

1、高速鐵路道岔故障診斷方法研究的核心內(nèi)容在于如何有效地獲取、分析、處理和利用歷史數(shù)據(jù)信息及專家經(jīng)驗，并在給定環(huán)境下對道岔的運行狀態(tài)進行準確的預(yù)測和識別。其瓶頸之處在于先驗知識獲取及處理方面的制約，對于工作環(huán)境復(fù)雜、故障機理不確定、故障表現(xiàn)形式隨機性強的道岔而言，如何利用歷史樣本信息處理故障與癥兆的關(guān)系，仍缺乏較高的智能性，本文圍繞上述問題，針對特征知識的表達和預(yù)處理技術(shù)、診斷模型參數(shù)的學(xué)習(xí)及故障與癥兆對應(yīng)規(guī)則的設(shè)定等診斷過程中遇到的重點問

2、題展開討論。由于不同的故障可能表現(xiàn)出相同的癥兆，而不同的癥兆也可能導(dǎo)致相同的故障，對于征兆的描述、故障與征兆的關(guān)系往往具有模糊特性，相對于人為參與并設(shè)定癥兆的閾值，模糊語言變量能更準確地表示這種模糊性的征兆和故障，因此，本文將模糊神經(jīng)網(wǎng)絡(luò)FNN(Fuzzy NeuralNetwork)理論引入到高速鐵路道岔的故障診斷應(yīng)用中，本文主要完成了以下工作:
　　首先，對道岔故障診斷的國內(nèi)外研究現(xiàn)狀進行分析，總結(jié)目前道岔故障診斷的現(xiàn)狀和存在

3、的問題，提出道岔故障診斷的實際需求;結(jié)合道岔的工作原理及故障模式，分析其故障特點及故障原因，為后面的研究做好準備。
　　其次，針對道岔的故障機理與故障模式，根據(jù)道岔運行過程特點，通過三種特征提取方式對道岔電流曲線進行特征提取，再通過ReliefF算法對提取的特征進行選擇，選擇對于區(qū)別故障最有意義且與目標概念最相關(guān)的高效簡約的特征作為診斷系統(tǒng)的輸入，以降低特征向量維度，使得診斷模型的性能和運行效率得到提高。
　　然后，在對道岔

4、的工作原理和故障模式進行分析的基礎(chǔ)上，根據(jù)道岔的故障特點建立FNN故障診斷模型，在數(shù)據(jù)預(yù)處理方面，將提取的特征向量經(jīng)過特征選擇后作為模型的輸入，并將各類特征向量對應(yīng)的典型故障類型作為輸出，同時基于專家經(jīng)驗總結(jié)的推理規(guī)則，用模糊語言來描述癥兆與故障的關(guān)系，再通過對特征樣本數(shù)據(jù)的學(xué)習(xí)訓(xùn)練，將專家經(jīng)驗轉(zhuǎn)換為癥兆與故障之間的映射關(guān)系，然后采用一階梯度尋優(yōu)算法對模型參數(shù)進行優(yōu)化，并完成規(guī)則的自動更新過程，確定網(wǎng)絡(luò)參數(shù)，構(gòu)建診斷模型。
　　最