基于案例推理的高铁信号系统车载设备故障诊断

摘要

近年来，随着我国高速铁路的迅速发展，中国已经成为高速铁路系统技术最全、速度最快、运营里程最长、集成能力最强的国家。CTCS-3(Chinese Train ControlSystem Level3)级列控系统的高可靠性为高速列车的安全平稳运行提供了保障。高速铁路信号系统车载设备（简称“车载设备”）作为CTCS-3级列控系统的重要组成部分，主要负责生成目标距离控制曲线、超速运行防护，起到保障行车安全的重要作用。因此，对车载设备进行故障诊断，保证其可靠运行具有重要意义。
　　随着车载设备向复杂化、系统化、自动化的方向发展，其多数故障呈现隐蔽性、多样性、重叠性等特点，增加了车载设备维护的难度。仅仅靠机务段检修人员凭借经验对车载设备的故障进行诊断，远远满足不了高速铁路现代化对系统故障诊断高效率的需求。本文在研究智能故障诊断技术以及车载设备维修现状的基础上，将案例推理技术引入到车载设备故障诊断领域，便于维护人员迅速、准确的对车载设备的故障进行诊断，以保证列车的高效运行。
　　本文首先在查阅分析车载设备结构、故障特点、故障案例记录的基础上，结合案例推理原理，研究设计具有故障诊断和案例学习功能的车载设备故障诊断系统。通过分析常用故障案例表示方法，在车载设备领域采用基于面向对象技术和数据库技术相结合的案例表示方法。详细介绍了案例组织、案例修正、案例学习以及案例维护，并提出利用层次组织方法对案例库进行组织，将整个故障案例库分为:系统案例库、代表案例库、子案例库。
　　其次，采用加权K-NN算法计算案例之间的相似度，避免传统近邻算法中所有的案例特征属性对案例相似度影响相同的问题。利用粗糙集的理论知识，对案例属性约简，计算特征属性重要度，最后做归一化处理得到案例特征属性权重，克服传统权重计算算法客观性差的缺点。提出的车载设备故障诊断系统采用分阶段近邻检索策略对案例进行检索。该策略结合三级案例库的组织结构，减少案例检索的次数，提高案例检索的效率。
　　最后，根据系统需求，在Microsoft Visio Studio2010平台下，开发出车载设备故障诊断系统，并对整个系统的诊断流程、功能模块、数据库设计进行介绍。利用具体的实例来验证该故障诊断系统的可用性和有效性。总结分析了本文所做的研究工作，指出该诊断方法应用的局限性，并对进一步研究工作进行了展望。

目录

声明

致谢

摘要

1 引言

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 故障诊断方法综述

1．2．2 CBR发展现状

1．3 论文的主要工作及结构安排

2 车载设备案例推理诊断模型构建

2．1 CBR简介

2．1．1 CBR的基本原理

2．1．2 CBR的应用领域

2．2 故障的案例表示

2．2．1 案例表示方法

2．2．2 案例表示实现

2．2．3 案例的决策表表示

2．3 车载设备的案例组织

2．4 案例修正

2．5 案例学习与维护

2．6 本章小结

3 车载设备案例特征属性权重提取

3．1 常用权重确定方法

3．1．1 德尔菲法(Delphi)

3．1．2 层次分析法(AHP)

3．1．3 基于粗糙集的案例属性权重确定算法

3．2 粗糙集理论

3．2．1 粗糙集特点

3．2．2 知识与知识库

3．2．3 上近似和下近似

3．2．4 知识约简和核

3．3 基于粗糙集的属性权重提取

3．3．1 粗糙集应用流程

3．3．2 属性重要度和权重提取流程

3．3．3 权重计算实例

3．4 本章小结

4 车载设备故障案例的检索

4．1 案例检索算法

4．2 案例相似度计算

4．2．1 K-近邻算法

4．2．2 加权K-NN算法

4．3 案例库构造

4．3．1 子案例库构造

4．3．2 代表案例库构造

4．3．3 案例库构造实例

4．4 故障案例的分阶段近邻检索模型

4．4．1 案例的索引机制建立

4．4．2 车载故障案例的检索

4．4．3 分阶段近邻模型的有效性验证

4．5 本章小结

5 车载设备故障诊断系统设计与实现

5．1 系统需求分析

5．1．1 车载设备结构

5．1．2 功能需求性分析

5．1．3 非功能性需求

5．2 诊断系统结构设计

5．2．1 VEFDS框架结构

5．2．2 VEFDS诊断流程设计

5．2．3 系统功能设计

5．2．4 系统架构设计

5．3 数据库设计及实现

5．3．1 数据表之间关系

5．3．2 数据库连接方式

5．4 车载设备故障系统实现及应用

5．4．1 登陆界面

5．4．2 主界面

5．4．3 车载设备知识库界面

5．4．4 案例库管理界面

5．4．5 粗糙集界面

5．4．6 案例聚类界面

5．4．7 故障诊断实例

5．5 本章小结

6 结论与展望

6．1 结论

6．2 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

学位论文数据集