道岔故障诊断及健康状态预测

摘要

道岔设备是车站联锁系统的重要组成部分，是排列进路和实现列车运行方向改变的关键设备。随着中国铁路的高速发展，道岔设备的维护也面临着越来越多的挑战。
　　在铁路现场，道岔设备的监测手段主要依靠人工浏览微机监测系统中的转辙机动作功率、电流数据曲线。这种方式取决于人工的经验，难以满足道岔设备复杂的工作环境需求。而且该方式属于“故障后维修”，没能对道岔设备进行有效的故障防护，只有等故障特征表现明显后，才进行维护处理，难以形成有效的维修维护计划。
　　为了解决以上两个问题，实现对道岔设备状态的智能诊断及预测，本文提出了一种基于Kohonen神经网络与隐马尔科夫模型结合的道岔退化状态挖掘及状态评估的方法。通过对现场采集到的非故障功率数据进行分析，利用Kohonen神经网络进行退化状态数据挖掘，并分析相关退化状态形成原因，建立退化状态数据与典型故障状态数据之间的联系。针对道岔转换阻力异常故障，使用隐马尔科夫模型建立三种退化状态模型，用于进行退化状态与故障状态的识别与评估，从而实现道岔设备故障诊断及健康状态的预测。本文主要完成工作如下:
　　(1)道岔设备FMEA分析。通过对道岔设备基本组成及功能进行分析，得到道岔设备功能故障模式分析表。同时对道岔设备的动作过程及监测原理进行学习，了解道岔动作过程中功率曲线形成原理，并针对频次高的故障，总结其功率曲线特点及形成原因，建立典型故障功率数据样本库。
　　(2)特征提取方法的研究。针对道岔动作功率信号的特点，采用统计分析方法提取道岔动作过程中功率信号数据的原始特征，组成特征候选集，使用基于Fisher准则函数的方法对候选集特征进行选择，保留故障的典型特征以便用于状态识别;最后使用基于局部线性嵌入的方法对筛选出的典型特征进行降维处理，得到合适维数的特征向量作为后续退化状态挖掘及状态识别模型的输入。
　　(3)道岔退化状态数据挖掘。采用Kohonen神经网络对现场采集的非故障功率数据进行无监督学习，对比K-means聚类和FCM模糊聚类的结果，得到典型的退化状态数据。通过对挖掘的退化状态进行评估分析，得到退化状态与典型故障状态之间的联系，最后发现有三种典型退化状态与道岔转换阻力异常故障之间相关性最大，并建立相关退化状态数据样本库。
　　(4)道岔故障诊断及状态评估方法研究。针对典型故障及退化状态，建立混合HMM模型用于进行道岔状态识别及故障诊断，通过判别当前道岔所处的状态从而进行故障诊断及健康状态评估。最终实验得出当进行6维输入时，识别准确率达到95.65％，正确率和训练时间均满足铁路现场需求。
　　本文使用Kohonen-HMM方法对道岔动作过程中退化状态进行挖掘及识别研究，通过挖掘与识别实验结果表明基于Kohonen-HMM道岔退化状态挖掘及识别方法在道岔设备状态识别与评估方面的可行性与优越性。

目录

声明

致谢

摘要

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 常用故障诊断技术研究现状

1．2．2 道岔设备故障诊断研究现状

1．2．3 研究现状分析

1．3 论文主要研究内容和篇幅结构

1．3．1 论文主要研究内容

1．3．2 论文篇幅结构

2 道岔系统FMEA分析

2．1 道岔系统基本组成及动作过程

2．1．1 道岔系统组成

2．1．2 道岔动作过程

2．2 道岔系统FMEA分析

2．3 道岔常见故障功率曲线分析

2．3．1 S700K型转辙机的监测及采集

2．3．2 正常动作功率曲线分析

2．3．3 常见故障模式功率曲线分析

2．3．4 典型故障功率样本集

2．4 本章小结

3 功率信号数据特征处理

3．1 功率数据特征提取

3．2 基于Fisher准则函数的道岔功率信号特征选择

3．3 基于LLE的道岔功率信号特征降维

3．4 本章小结

4 基于Kohonen神经网络的道岔退化状态挖掘

4．1 Kohonen神经网络介绍

4．2 道岔退化状态挖掘设计

4．3 基于Kohonen网络的道岔退化状态挖掘

4．3．1 退化状态评估指标

4．3．2 退化状态挖掘

4．3．3 结果分析

4．4 本章小结

5 基于隐马尔科夫模型的道岔设备状态识别

5．1 隐马尔科夫模型介绍

5．1．1 Baum-Welch算法

5．1．2 前向算法

5．2 基于HMM状态识别方案设计

5．2．1 HMM模型建立

5．2．2 基于HMM状态识别流程及步骤

5．3 方案实现

5．3．1 结果验证

5．3．2 结果分析

5．4 本章小结

6．1 结论

6．2 展望

参考文献

附录

图索引

表索引

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集