基于FrFT和改进BP神经网络的S700K转辙机电流曲线分析研究

摘要

目前，我国的高铁建设已经飞速发展，逐步实现对外出口。高速铁路为铁路运输带来更高效率的同时，也对铁路相关设备的安全性和可靠性提出了更高的要求。S700K型三相交流电动转辙机是列车提速后，从德国西门子公司引进的新型道岔转辙设备。作为铁路线路上的核心设备，转辙机的工作状态监测和故障分析一直是监测系统的重点监测对象。我国使用微机监测系统实现对线路上转辙机工作状态的监测和评估。微机监测系统为维修人员提供的转辙机工作状态信息主要有电流曲线和动作时间，电流曲线包括启动电流，动作电流和表示电流等。
　　然而，微机监测系统仅仅为维修人员提供转辙机的工作电流和时间信息，并不具备智能分析的功能。维修人员对转辙机的故障分析准确度往往取决于个人的工作经验和专业知识，误判时有发生。这种方式并不满足我国铁路电务人员维修工作的效率要求。因此，本文提出一种以微机监测系统的道岔动作电流曲线作为研究对象，结合FrFT(Fractional Fourier Transform,分数阶傅里叶变换)和BP(Back Propagation,反传)神经网络的方法，实现对S700K转辙机工作状态的智能评估和故障诊断。
　　本文主要采用FrFT和BP神经网络相结合的方式，通过分析微机监测系统采集到的S700K转辙机电流曲线，智能判断每条曲线显示的转辙机的工作状态，从而实现故障诊断。根据FrFT理论，信号的FrFT是指信号在时频平面内，坐标轴绕原点进行逆时针旋转任意角度后的表示方法。本文中将原始的S700K动作电流曲线进行去噪分析，通过Matlab仿真证明FrFT滤波的可行性和优越性。然后将FrFT理论应用于S700K动作电流曲线的智能分析中，提取每种类型曲线的特征向量，并进行归一化处理。最后，将归一化的特征向量作为神经网络的系统输入，转辙机动作电流曲线的类型代码作为输出，完成基于BP神经网络的故障诊断系统初步设计，从而实现故障的智能分析。根据神经网络训练的收敛情况，采用PSO(Particle Swarm Optimization,粒子群优化算法)优化神经网络的训练过程，最终实现训练的高效性。
　　根据仿真结果得出结论，本文设计的基于FrFT滤波理论和BP神经网络的S700K转辙机动作电流曲线的故障智能分析法是可行的，准确率高，智能化高，可以满足现场维修工作需求。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 论文的研究背景

1.2 论文的研究目的和意义

1.3 国内外研究现状

1.3.1 FrFT滤波理论

1.3.2 神经网络的应用研究

1.3.3 粒子群优化算法

1.3.4 转辙机故障诊断研究

1.4 论文的主要研究内容和组织结构

1.5 小结

2 FrFT滤波理论分析

2.1 FrFT定义与性质

2.1.1 FrFT基本定义

2.1.2 FrFT时间-频率旋转定义

2.1.3 FrFT特征值与特征函数定义

2.1.4 FrFT的主要性质

2.1.5 离散分数傅里叶变换滤波算法

2.2 FrFT可行性分析

2.2.1 可行性验证

2.2.2 最优阶求解理论

2.3 动作电流曲线分析

2.3.1 监测原理

2.3.2 转辙机故障机理分析

2.3.3 电动转辙机动作电流特征向量的提取

3构建神经网络模型

3.1 BP神经网络

3.1.1 BP神经网络的组成

3.1.2 BP神经网络的学习过程

3.2 BP算法优化

3.2.1 粒子群算法的基本原理

3.2.2 粒子群算法优化BP神经网络

4故障分析模型的Matlab仿真验证

4.1电流曲线的滤波

4.1.1 FrFT滤波过程

4.1.2 特征向量提取

4.2 故障分析模型建立

4.3 BP神经网络与PSO优化BP神经网络仿真分析

结论

致谢

参考文献

攻读学位期间的研究成果