基于相似度的道岔故障電流曲線識別方法研究與實現.pdf

1、隨著我國鐵路的不斷發(fā)展，特別是高速鐵路運營里程屢創(chuàng)新高，對鐵路信號設備的安全運行提出了更高的要求。道岔作為鐵路信號的主要設備之一，對保證行車安全具有重要意義，而目前各鐵路局主要依靠維護工人的工作經驗采取周期維護的方式對其進行維護。但是，并非所有的維護人員都有足夠的工作經驗來準確判斷故障并進行維護；同時，周期修的維護方式并不能保證及時發(fā)現道岔故障和隱患。這些都會影響到鐵路的運輸效率甚至是安全性。為了解決這些問題，在實時掌握道岔的運行狀態(tài)和

2、各種數據的基礎上，研究能夠識別和診斷道岔故障的方法，為維護人員提供具體的幫助，以保證道岔故障報警實時性，同時促進道岔周期修的岔維修模式向狀態(tài)修模式轉變。
　　本文在對比國內外研究現狀的基礎上，研究了道岔的工作原理和故障模式，特別是對轉轍機動作電流的規(guī)律性變化進行研究與總結，通過對比正常道岔動作電流和道岔故障時的動作電流之間的差異，以相似性為判斷依據，采用模糊神經網絡算法和支持向量機算法分別實現道岔的故障診斷，結果表明，兩種方法都能

3、對道岔故障進行智能識別，而且識別率都能達到較高的水平；但是，相比而言，基于支持向量機的道岔故障識別方法性能更好，對故障的識別率更高。
　　論文主要完成以下工作：
　　首先，根據道岔設備的基本結構與工作原理，將道岔動作過程劃分為解鎖、轉換、鎖閉、構通表示四個工作過程，并根據道岔的四個工作過程將道岔轉轍機動作電流曲線劃分為四個時間區(qū)段，然后在各個時間區(qū)段內分別選擇典型道岔故障分析它們各自的故障電流曲線和可能的故障原因。
　

4、　其次，提出了基于模糊神經網絡的道岔故障診斷方法。首先對道岔轉轍機動作電流數據進行預處理，構成道岔故障診斷模型的訓練樣本和測試樣本；然后構建模糊神經網絡模型；用訓練樣本對模型進行訓練后，將測試樣本輸入測試模型診斷的正確率，從仿真結果可以得出結論：此種方法能夠對道岔實現故障診斷，而且診斷正確率較高。
　　第三，將機器學習用于道岔故障診斷進行研究，提出基于支持向量機的道岔故障診斷方法。首先對支持向量機的基本理論進行闡述，并分析各種核函