电力机车故障分析技术研究

摘要

铁路对国民经济起着非常重要的作用，机车是铁路的牵引动力设备。电力机车的采用在我国铁路运输中日益广泛，HXD2B型电力机车是一种重载货运机车。机车的结构非常复杂，故障种类也是多种多样。虽然在机车的使用过程中应用了一些智能故障分析手段，但当实际的问题产生时，故障分析与诊断工作、维修工作，多依赖于机务段检修人员凭借经验进行分析和诊断，远不能满足铁路现代化的要求。
　　本文旨在通过多种方法研究电力机车的智能诊断技术与方法，便于检修人员能够迅速、准确的找到机车的故障所在，进行维修。本文研究了两种故障诊断方法：基于粗糙集的案例推理方法和与粒子群优化算法相结合的BP神经网络算法。本文首先查阅了电力机车相关资料，以司机显示单元的故障为例，搜集了典型故障案例、故障特点，将专家知识记录起来，并进行整理，然后通过不同的方法，实现对电力机车故障诊断技术的研究。
　　案例推理方法是一种智能诊断方法，是一种基于知识的学习和问题求解方法，它通过重新使用或者修改历史知识和实例，为新的问题提供决策参考，并且可以不断的自学习，更新知识库。案例推理方法的过程包含案例检索、案例重用、案例修正和案例保存四个过程[1]。在本文中案例检索采用加权K-NN算法，权值利用粗糙集理论进行计算；案例重用、案例修正的实现通过在每次诊断完成，使用人员和软件进行互动，记录在案例库中；案例保存同样采用粗糙集理论，对案例进行约简，来实现方便、高效的信息存储。
　　在粒子群优化算法和BP神经网络相结合的算法中，BP神经网络算法建模简单，普遍使用于各个方法的研究，但是其收敛速度慢，容易陷入局部最优值；而粒子群优化算法收敛速度快，具有全局搜索功能，两者结合能够在全局范围内快速的找到最优值。在此算法中，BP神经网络的权值和阈值由粒子群算法中粒子的位移代替，通过设置停止准则：适应度和迭代次数，在全局范围搜索得到最优的权值和阈值，并赋值给BP神经网络进行训练，大大加快了BP神经网络的训练速度，增加了准确性。
　　本文利用Matlab软件进行故障诊断技术的研究和仿真，利用电力机车的实际数据，仿真实现了两种方法，并分别对结果进行说明阐述。

目录

1 绪论

1.1 选题研究背景及意义

1.2 国外与国内研究现状

1.3 论文的主要工作及结构

2 故障分析与诊断技术方法概述

2.1 故障的定义

2.2 故障诊断方法发展与分类

2.3 故障预测

2.4 本章小结

3 电力机车故障建模

3.1 电力机车及司机显示单元

3.2 电力机车故障诊断流程

3.3 电力机车的网络数据定义

3.4 数据处理及特征选择

3.5 本章小结

4 基于案例推理技术的电力机车故障分析诊断研究

4.1 案例推理概述

4.2 电力机车故障的案例表示

4.3 电力机车故障的案例组织

4.4 电力机车故障的案例检索

4.5 基于粗糙集的案例特征属性提取技术研究

4.6 电力机车故障案例库的更新

4.7 基于粗糙集的案例推理方法的策略制定

4.8 基于粗糙集的案例推理方法的仿真实现

4.9 本章小结

5 基于神经网络方法的电力机车故障分析技术研究

5.1 BP神经网络

5.2 粒子群优化算法

5.3 数据处理与特征提取

5.4 PSO-BP算法设计

5.5 PSO-BP算法故障诊断实现

5.6 本章小结

结论

参考文献

附录 电力机车故障诊断研究知识库

致谢