基于模糊神經(jīng)網(wǎng)絡的高壓不對稱脈沖軌道電路故障診斷.pdf

1、軌道電路故障不僅會影響行車效率，而且可能會造成重大安全事故。所以，研究軌道電路的故障診斷問題具有重要的實際意義。本文根據(jù)軌道電路系統(tǒng)原理，搭建了高壓不對稱脈沖軌道電路模型，通過模擬軌道電路的多種故障狀態(tài)，得到了若干組故障樣本數(shù)據(jù)。在此基礎上，通過對模糊神經(jīng)網(wǎng)絡和遺傳算法的深入研究，分別建立了基于廣義加權平均的模糊神經(jīng)網(wǎng)絡的軌道電路故障診斷模型和基于遺傳模糊神經(jīng)網(wǎng)絡的軌道電路故障診斷模型。通過仿真驗證，兩種模型都具有較好的故障診斷精度和泛

2、化能力。本文的創(chuàng)新點主要包括以下兩方面:
　　(1)基于廣義加權平均的模糊神經(jīng)網(wǎng)絡的軌道電路故障診斷方法。
　　模糊算子在模糊神經(jīng)網(wǎng)絡的輸入層模糊化和輸出層去模糊化過程中起著至關重要的作用，決定著網(wǎng)絡結構的性能。雖然將模糊神經(jīng)網(wǎng)絡應用于軌道電路故障診斷已經(jīng)有一些相關研究，但選取的模糊算子一般都是無參數(shù)的，并未充分考慮到模糊算子的作用。
　　本文通過對典型模糊算子聚合性能的深入研究，提出一種基于帶補償度參數(shù)模糊算子的改進

3、算法模型。將廣義加權平均(Generalized Weighted Average，GWA)模糊算子分別代替規(guī)則推理層和輸出層的神經(jīng)元傳遞函數(shù)，形成廣義加權平均模糊神經(jīng)網(wǎng)絡（GWA-FNN）模型。通過對GWA-FNN模型與基于無參數(shù)模糊算子的模糊神經(jīng)網(wǎng)絡模型的仿真驗證，GWA-FNN模型的故障診斷精度更高，泛化能力更強。
　　(2)基于遺傳模糊神經(jīng)網(wǎng)絡的軌道電路故障診斷方法。
　　模糊神經(jīng)網(wǎng)絡的性能受諸多因素影響，而網(wǎng)絡的拓

4、撲結構決定著泛化能力的大小?，F(xiàn)有模糊神經(jīng)網(wǎng)絡應用于軌道電路故障診斷的相關研究，并未充分考慮到網(wǎng)絡拓撲結構的動態(tài)改變。本文將遺傳算法引入GWA-FNN模型，分兩階段訓練網(wǎng)絡參數(shù)，形成GA-GWA-FNN模型。首先，利用遺傳算法的全局優(yōu)化搜索能力，根據(jù)故障樣本自動增加、刪除規(guī)則推理層神經(jīng)元。然后，利用GWA-FNN模型的參數(shù)優(yōu)化算法對GA-GWA-FNN模型的參數(shù)進行訓練。通過對GA-GWA-FNN模型與GWA-FNN模型的仿真驗證，GA-