基于模糊神經網絡的高速鐵路道岔故障診斷方法研究.pdf

1、高速鐵路道岔故障診斷方法研究的核心內容在于如何有效地獲取、分析、處理和利用歷史數據信息及專家經驗，并在給定環(huán)境下對道岔的運行狀態(tài)進行準確的預測和識別。其瓶頸之處在于先驗知識獲取及處理方面的制約，對于工作環(huán)境復雜、故障機理不確定、故障表現形式隨機性強的道岔而言，如何利用歷史樣本信息處理故障與癥兆的關系，仍缺乏較高的智能性，本文圍繞上述問題，針對特征知識的表達和預處理技術、診斷模型參數的學習及故障與癥兆對應規(guī)則的設定等診斷過程中遇到的重點問

2、題展開討論。由于不同的故障可能表現出相同的癥兆，而不同的癥兆也可能導致相同的故障，對于征兆的描述、故障與征兆的關系往往具有模糊特性，相對于人為參與并設定癥兆的閾值，模糊語言變量能更準確地表示這種模糊性的征兆和故障，因此，本文將模糊神經網絡FNN(Fuzzy NeuralNetwork)理論引入到高速鐵路道岔的故障診斷應用中，本文主要完成了以下工作:
　　首先，對道岔故障診斷的國內外研究現狀進行分析，總結目前道岔故障診斷的現狀和存在

3、的問題，提出道岔故障診斷的實際需求;結合道岔的工作原理及故障模式，分析其故障特點及故障原因，為后面的研究做好準備。
　　其次，針對道岔的故障機理與故障模式，根據道岔運行過程特點，通過三種特征提取方式對道岔電流曲線進行特征提取，再通過ReliefF算法對提取的特征進行選擇，選擇對于區(qū)別故障最有意義且與目標概念最相關的高效簡約的特征作為診斷系統的輸入，以降低特征向量維度，使得診斷模型的性能和運行效率得到提高。
　　然后，在對道岔

4、的工作原理和故障模式進行分析的基礎上，根據道岔的故障特點建立FNN故障診斷模型，在數據預處理方面，將提取的特征向量經過特征選擇后作為模型的輸入，并將各類特征向量對應的典型故障類型作為輸出，同時基于專家經驗總結的推理規(guī)則，用模糊語言來描述癥兆與故障的關系，再通過對特征樣本數據的學習訓練，將專家經驗轉換為癥兆與故障之間的映射關系，然后采用一階梯度尋優(yōu)算法對模型參數進行優(yōu)化，并完成規(guī)則的自動更新過程，確定網絡參數，構建診斷模型。
　　最