声明
致谢
1 引言
1.1 研究背景及意义
1.2 研究现状
1.2.1 传统软件故障诊断方法研究现状
1.2.2 列控系统故障诊断方法研究现状
1.3 研究内容与章节结构
2 列控系统车载设备软件故障分析
2.1 新型列控系统功能结构
2.2 车载设备关键功能分析
2.2.1 车载设备功能概述
2.2.2 车载子系统间接口
2.3 车载设备软件故障模式分析
2.3.1 车载设备软件系统级故障模式分析
2.3.2 超速防护功能故障模式分析
2.3.3 超速防护接口级故障模式分析
2.4 本章小结
3 列控系统车载设备软件故障诊断框架
3.1 时间自动机理论概述
3.1.1 时间自动机的定义、语法和语义
3.1.2 可达性分析
3.2 基于时间自动机理论的故障可诊断性验证
3.2.1 基于变异算子的故障行为模型
3.2.2 基于时间序列的故障可诊断性判定
3.2.3 实时系统的故障可诊断性验证定理
3.3 基于 TIOTS 的故障诊断理论
3.3.1 时间 I/O迁移系统的性质
3.3.2 相对定时一致性理论
3.3.3 基于 rtioco的故障观测器
3.4 基于 BP 神经网络的故障定位
3.4.1 神经元模型
3.4.2 BP神经网络算法原理
3.4.3 BP神经网络优化模型
3.4.4 基于 BP神经网络的故障定位
3.4.5 BP神经网络模型建立
3.5 车载设备软件故障诊断框架
3.6 本章小结
4 基于时间自动机模型的车载设备软件故障检测
4.1 车载超速防护功能故障检测需求分析
4.1.1 超速防护功能环境参数分析
4.1.2 超速防护功能需求分析
4.2 车载设备超速防护故障检测模型构建
4.2.1 模型概述
4.2.2 线路拓扑结构设计
4.2.3 任务启动模型
4.2.4 列车位置更新模型
4.2.5 列车接口单元状态模型
4.2.6 列车自动驾驶接口模型
4.2.7 列车超速防护功能模型
4.2.8 行车许可生成模型
4.2.9 列车运行模型
4.2.10 任务控制模型
4.3 基于超速防护变异模型的故障可诊断性验证
4.4 车载设备软件故障在线检测应用
4.4.1 超速防护可观测接口驱动模型
4.4.2 超速防护可观测接口适配
4.4.3 车载设备软件故障注入
4.4.4 故障检测结果评估
4.5 本章小结
5 基于 BP神经网络的车载软件故障定位研究
5.1 BP 神经网络故障定位模型构建
5.1.1 数据预处理
5.1.2 模型参数选取
5.2 车载软件故障定位应用分析
5.2.1 单一变异体故障定位方法评估
5.2.2 不同 BP神经网络算法的故障定位比较
5.2.3 多变异体故障定位方法评估
5.3 本章小结
6 总结与展望
6.1 论文工作总结
6.2 论文工作展望
参考文献
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
独创性声明
学位论文数据集
北京交通大学;
