一、浅谈我国铁路外锁闭道岔转辙设备（论文文献综述）
张振,李倩文[1]（2021）在《浅谈ZDJ9转辙机的安装调试及日常维护》文中指出结合ZDJ9转辙机工作原理及产品结构,从道岔密贴力的调试、缺口监测设备的调试、接点打入深度的调整及接点座的日常维护4个方面进行阐述,以便提升现场维护人员对转辙机安装调试和日常维护时的工作质量,降低产品故障率。
何宗博[2]（2021）在《基于深度学习的铁路道岔转辙机故障诊断》文中提出随着我国铁路的高速发展,列车的运行速度、运行里程以及运行密度也在不断的增加。道岔作为铁路设备的关键部件使用频率和数量也在不断增大。如果道岔在是使用过程中出现问题可能会影响列车运行更严重的可以会造成人身安全威胁。转辙机同样是铁路设备的重要部件主要用来转换道岔,转辙机的正常平稳运行对铁路运行的安全与效率具有重要的影响。目前我国铁路运行监测系统通过对转辙机进行定期检修和设天窗点维修的手段来保证转辙机安全可靠的运行,这种传统的方式工作量大、工作效率低,开箱操作还有可能由于人工操作失误带来更多的安全隐患,所以依靠人工的经验对转辙机进行故障识别,很容易因为经验问题带来对故障的漏判和错判从而危及行车安全。转辙机的油压信号是反映转辙机运行是否正常的一个重要特征和依据。在转辙机转换过程的不同阶段油缸的压力会有不同的变化,如若出现故障则油缸的压力会与正常情况的压力有很大不同。所以根据转辙机油压的变化并和正常情况进行对照可以判断出转辙机转换过程中是否出现了异常的情况。本文以我国铁路目前使用较多的转辙机为研究对象,结合CNN对数据局部特征提取和RNN对时间序列数据处理的优势,建立基于CNN-GRU转辙机故障诊断模型。使用转辙机转换过程中的油压数据训练模型并探究不同优化器对模型诊断率的和故障识别率的影响。文章使用ROC模型评估指标对建立的CNN-GRU转辙机故障诊断模型进行评估。经实验验证本文提出的CNN-GRU故障诊断模型对转辙机的故障具有较好的诊断率,可以准确的识别出故障类别,提出的故障诊断方法对转辙机的故障诊断具有借鉴意义。本文基于建立的CNN-GRU模型开发了基于深度学习的道岔转辙机故障诊断系统,使故障诊断的结果可视化展示。
刘晏伊[3]（2021）在《基于随机森林的道岔转辙设备故障诊断方法研究》文中提出铁路信号设备是保证行车安全、提高运输效率的关键设施,道岔转换设备是铁路信号系统中的重要基础设备,其状态优劣直接影响着铁路运输的畅通,同铁路运输安全之间也存在紧密的联系。当前,对于道岔设备采取的维护维修方式基本是混合型方式,即天窗期间日常维修结合周期性检修的混合方式。由于当前铁路信号监测系统智能化程度不高,当道岔设备出现故障时,现场仍旧采用维修人员人工分析故障报警的传统方法。该方法一方面会过度依赖现场维修人员的实践经验和专业知识,另一方面在诊断效率方面无法满足如今铁路快速发展的需要。研究智能化道岔转换设备故障诊断方法对于信号设备维修维护水平提升具有重要意义。本文以ZD6型转辙机为例,在分析其故障原因和故障模式的基础上,采用随机森林算法作为道岔转换设备故障诊断方法,并采用实际监测数据进行了验证。论文的主要工作如下:（1）道岔转换设备故障模式分析及数据库设计。基于道岔设备的机械及电气原理对常见的故障模式按照历史统计报告和发生频率给出序号标签,并分析各故障类别标签下相应的故障原因,给出维修建议。经过筛选分离出监测系统故障及正常数据,并针对故障数据的采样不平衡性进行数据预处理。以历史专家经验库为基础,添加已处理分离的故障及正常数据,合并建立本文道岔转换设备故障案例库。根据需要做出符合机器学习数据需求的数据结构定义,完成数据库设计并给出其E-R图。（2）道岔转换设备故障诊断方法研究。通过分析道岔设备特性,本文研究基于随机森林的道岔转换设备故障诊断方法,给出理论分析及模型建立过程。摒弃对动作过程分段提取特征的陈旧方式,采用不分段方式提取参数作为待选特征集。按照6:2:2的比例分割选出模型训练集、测试集及验证集数据,并以泛化误差为调优基准进行模型优化,最后与其他算法进行了对比实验。（3）道岔转换设备故障诊断功能软件及其交互过程设计。本文确立故障诊断功能需求,并设计完成了功能软件架构及用户交互流程,且以乌鲁木齐局某站场实际道岔设备的数据作为样本进行验证。本文的研究成果为一种高精度的基于随机森林的道岔转换设备故障诊断算法和基于此算法的前端软件。验证表明,该方法对道岔设备故障诊断进行了智能化完善,为专家经验库提供了经验故障累计,在未来将为道岔设备的安全运行提供保障。图43幅,表11个,参考文献52篇。
鲍才让太,莫重明,翟文革,丁召荣[4]（2021）在《转辙机综合监测的需求及方法研究》文中研究表明由于道岔转换设备的特殊性,其实时运行参数较难获得,制约道岔转换设备维修模式的发展。基于现有传感器技术及转辙机监测需求,结合转辙机安全性及可靠性要求,提出现阶段可实施的转辙机监测项点,并以ZDJ9转辙机为例进行实施,所测得的参数可以作为后续处理的基础数据,用于转辙机的故障预测及健康诊断。
李福建[5]（2020）在《基于概率神经网络的S700K转辙机故障诊断研究》文中进行了进一步梳理铁路运输是中国重要的交通运输方式。安全、可靠、高效的铁路运输体系是推动我国经济、文化互通互融的一大引擎。在铁路运输中,道岔转辙机主要负责改变行车轨迹,提高运输效率。它作为铁路信号室外三大件之一,是联锁系统的重要组成部分。随着我国铁路建设的大跨越发展,对铁路信号设备的安全性和可靠性也提出了更高层次的要求。为了更加合理、准确地诊断道岔转辙机的故障类型,以提速区段常用的S700K型交流电动转辙机为研究对象,提出了一种适应性更强,可靠性更高的转辙机故障诊断方法。首先,详细分析了S700K型交流电动转辙机结构及电路控制原理,利用微机监测系统采集道岔转辙机动作时的功率曲线,确定不同功率曲线对应的S700K转辙机的工况。在此基础上,分析转辙机在不同工作状态下的故障情况,整理并总结出转辙机常见的8种故障状态功率曲线图。其次,基于小波变换理论,提取S700K转辙机功率曲线的故障特征量。由于小波变换具有良好的局部化特征思想,可以更加直观清晰地描述局部信号特征,因此,提出利用小波变换提取故障特征信息,并利用Mallat算法进行小波分解,而Haar小波基函数具有良好正交性和紧撑性,且满足Mallat算法的要求,为此,采用Haar小波基函数提取S700K转辙机功率曲线的故障特征量。将故障特征量进行归一化处理,并把处理结果作为训练概率神经网络的输入参量,得到训练结果,提高故障诊断的准确率。最后,在小波变换提取S700K功率曲线特征的基础上,采用概率神经网络对S700K转辙机的故障模式进行诊断。结合概率神经网络理论基础和小波变换的特性,采取3层分解的故障诊断模型。对比分析不同平滑因子对应的准确率,确定S700K转辙机最优值。最后利用来自某某电务段某某工区的67组数据进行MATLAB仿真,仿真结果证明该方法准确性好,能够对S700K转辙机的故障诊断提供理论支撑。
刘新发[6]（2020）在《基于EEMD多尺度模糊熵的S700K转辙机故障诊断的研究》文中研究说明转辙机作为铁路信号设备室外三大件之一,是用来转换道岔,当道岔转换到位后对道岔进行锁闭并给出相应表示的设备,对铁路运输的安全与效率具有重要的影响。目前我国铁路信号系统通过对转辙机进行定期检修和设天窗点维修的手段来保证转辙机安全可靠的运行,这种维护方式不仅效率低、工人的工作量大,且仅依靠工人的经验进行故障识别,容易发生错判、漏判的现象而危及行车安全。随着我国铁路朝高速、重载运行的方向发展,S700K交流电动转辙机广泛应用于当前的铁路线路,为了提高其工作的安全性与可靠性,应用智能数据分析处理技术实现对S700K交流电动转辙机工作状态的智能感知和安全预警十分必要。针对上述提出的问题,本文的主要研究内容如下:第一,S700K交流电动转辙机输出功率的变化可以反映道岔尖轨推拉力的变化,而作用于道岔尖轨的推拉力可以反映转辙机内部的运行状态,本文以应用于提速道岔区段的S700K交流电动转辙机为研究对象,提出了一种基于EEMD（Ensemble Empirical Mode Decomposition）多尺度模糊熵的故障特征提取方法。该故障特征提取方法运用到了集合经验模态分解算法、模糊熵和参数归一化等知识理论,将S700K转辙机功率曲线自适应的分解为频率由高到低的本征模态函数IMF（Intrinsic Mode Function）,提取每一个IMF分量上的模糊熵作为故障诊断特征参数,建立S700K转辙机常见故障的诊断特征集。第二,本文采用灰色关联度算法和模糊聚类方法,根据故障特征分别对S700K电动转辙机的故障类型进行识别。灰色关联度算法通过计算待检样本特征量与故障特征集中各故障特征量之间的关联度值,基于分辨率取值原则及不同分辨系数下故障识别的准确度存在差别,合理选择分辨系数对诊断系统进行功能测试;基于模糊聚类方法的故障识别,首先通过平移标准差变换与平移极差变换对原始特征模式矩阵进行归一化处理,然后引入描述样本之间相似度的指标,建立原始特征模式矩阵的模糊相似矩阵,采用传递闭包法构建模糊等价矩阵并形成动态聚类图进行故障识别。通过将某电务段S700K电动转辙机某故障功率曲线作为测试样本进行诊断系统功能验证,实验结果表明了这两种故障诊断方法应用于S700K电动转辙机故障诊断的可行性。
王林洁[7]（2020）在《基于贝叶斯网络的S700K转辙机故障诊断研究》文中进行了进一步梳理随着高速铁路运营里程的增加,S700K转辙机作为重要的室外信号设备已被大量使用,它的工作状况不仅影响列车的行车安全还影响铁路运输效率,因此需要更加智能的故障诊断方法来提高设备的安全性和可靠性。目前国内对转辙机故障诊断主要依靠工作人员维修经验定位故障,这种方法故障识别效率低且不能实时在线确定故障位置,又因为转辙机自身结构复杂且工作环境恶劣多变,致使转辙机的故障类型多种多样且具有不确定性,这增加了人工诊断故障的难度,故对转辙机的智能化诊断研究显得尤为重要。本文在对S700K转辙机的基本工作原理、动作功率曲线及故障类型分析的基础上,提出基于贝叶斯网络的S700K转辙机故障诊断方法。论文的主要研究工作如下:首先,基于S700K转辙机的基本结构、控制电路及工作原理,分析转辙机的动作功率与运行状态间的关系。在此基础上根据转辙机的不同动作过程对其故障进行分析汇总并给出8种常见的转辙机故障类型的功率曲线和故障原因。其次,根据信号的不同时域特征参数对各工作区段的特征进行提取,由于提取的特征数据是连续性数值不适合机器学习,故提出基于信息熵和行列重要度结合的离散化算法对特征进行离散化处理。针对故障特征中存在冗余特征及各个特征对系统分类的重要程度不同的情况,在离散化的基础上采用约简算法对故障特征进行约简,剔除冗余特征。由于基于条件独立性假设的朴素贝叶斯网络分类器不能满足实际应用的需要,故提出基于灰色关联分析的属性加权朴素贝叶斯网络分类器模型。该模型在特征约简的基础上考虑不同特征节点与类型节点间的相互关联程度,通过利用它们彼此间的关联性来提升贝叶斯网络分类器的性能,从而提高分类器的分类精度。最后,针对转辙机故障特征信息具有多样性和不确定性的特点,提出基于贝叶斯网络分类器的S700K转辙机故障诊断方法。该方法将信号特征提取技术、粗糙集理论及贝叶斯理论相结合,首先应用时域信号特征提取技术提取故障信号特征信息,然后采用基于信息熵和行列重要度结合的离散化算法实现故障特征的离散化,并在离散化的基础上采用基于类差别矩阵的约简算法实现故障特征的约简,最后在故障特征约简集的基础上利用属性加权朴素贝叶斯分类器进行数据分类,实现转辙机的故障诊断。以兰州铁路局某电务段采集的S700K转辙机动作功率曲线为例验证所提算法的有效性、准确性。
李婉婉[8]（2020）在《基于LSTM的提速道岔故障预测研究》文中进行了进一步梳理随着我国经济的不断发展,对快速满足交通系统的需求不断提高,高速铁路系统在经过几次大提速后,如何保证现有铁路设备实时正常工作成为亟待解决的问题;提速道岔作为决定高速列车运行方向的关键设备,保证及时和高效维护是正常运行的前提,而传统的故障修模式存在效率低下、工作量大、可靠性低的弊端。目前,铁路设备正在提出由故障修向预防修理念的转换,作为铁路现场的故障高发区,道岔具体故障如何被精确预测成为研究的重点和难点,论文针对以上问题,主要研究工作如下:首先,选择S700K型提速道岔作为研究对象,分别分析提速道岔的组成结构、转辙机的动作原理以及道岔功率曲线的采集原理,将道岔状态分为健康态、亚健康态和故障态;结合现场道岔常见故障的发生情况,将道岔故障分为机械故障和电气故障,并选择道岔故障发生频率较高的4种机械故障、2种电气故障作为故障源,并通过道岔所处的状态给出对应的三个检修等级,依次为检修Ⅰ级、检修Ⅱ级和检修Ⅲ级。其次,将道岔状态分为静态和动态,分别设定道岔健康评估基准,设计基于云相似度的道岔曲线相似度作为道岔动态健康指标;设计道岔标准转换时长与道岔表示杆缺口作为静态指标等。具体做法是:设计基于中位数的道岔标准曲线作为评估基准,通过计算道岔标准曲线与道岔实时动作曲线的云相似度反映道岔是否处于正常状态,同时根据统计学理论,计算健康状态与其余状态的指标分界线;通过云模型求解拟合的标准曲线和实时动作曲线的曲线相似度,通过采集的大量样本定义健康状态云相似度的下阈值和亚健康态的云相似度范围,给出检修等级意见。然后,选择道岔云相似度作为单变量构建长短时记忆神经网络模型（Long Short Term Memory,LSTM）进行道岔亚健康态预测,同时构建自回归模型（Auto Regression Model,AR）进行预测对比,验证LSTM在应用于道岔中进行时间序列预测的优势;针对道岔单变量评估存在的描述不全面问题,将功率曲线相似度及转换时长作为道岔动作曲线的动态评价指标,把锁闭柱与锁闭杆的缺口间隙和标准柱与表示杆的缺口间隙设置成静态评估指标;选择以上四个变量作为道岔的评估指标,构建多变量LSTM神经网络,对道岔进行多变量预测研究。最后,对预测得到的道岔亚健康态进行故障预测定位。首先对故障源中的6种故障类型选取曲线云相似度、道岔转换时间、锁闭柱与锁闭杆的缺口间隙、标准柱与表示杆的缺口间隙作为特征量,使用高斯混合模型（Gaussian Mixture Model,GMM）聚类方法对预测得到的数据进行整理及聚类,分别选取神经网络的训练集和测试集构建概率神经网络（Probabilistic neural network,PNN）,进行具体故障类型预测,给出可能出现的故障类型概率统计,通过和BP神经网络、改进的BP神经网络进行训练误差对比,能够得出概率神经网络对具体故障的定位能力强。
周鑫[9]（2020）在《基于深度学习的ZDJ9型转辙机故障诊断研究》文中研究指明中国铁路的迅速发展,构成了一个庞大的铁路运输网,转辙机作为铁路信号三大基础设备之一,对于铁路的安全运输有着极其重要的作用。由于转辙机工作在户外,使用场景复杂,具有动作频率高、故障率高的问题。目前已有微机监测系统可实时监测转辙机设备的状态,但对于转辙机的维修还是以人工为主,存在效率低、成本高、漏诊和误诊概率较大的问题,学术界对此也进行了大量的研究来提高转辙机的诊断效率。然而在实际的生产运输中,转辙机的故障类型众多,并且故障数据不易获取。由于数据的限制,很多诊断方法受到约束,效果不佳。本文针对以上问题,开展了转辙机故障数据增强和基于深度学习的转辙机智能诊断研究,具体研究内容如下:（1）通过对生成对抗网络的网络结构和目标函数两方面进行优化,提出一种基于AC＿WGAN的ZDJ9型转辙机故障数据增强模型;使用多个评估指标对网络参数进行优化;通过与其他生成网络及传统生成方法对比,结果表明AC＿WGAN生成模型生成的样本质量更高、性能更优,解决了转辙机现场监测故障数据不足的问题。（2）通过实验从准确率、损失值、ROC曲线及混淆矩阵多方面对比卷积网络及循环网络的诊断效果,将单一模型结合,并将残差思想应用到循环网络,提出了一种基于RESNET-Res BIGRU混合残差模型的转辙机故障诊断方法,实验结果表明该模型有较高的诊断准确率,可为转辙机的故障诊断提供一定的指导意义。
谢海金[10]（2020）在《基于维修日志挖掘的ZYJ7型转辙机故障诊断》文中研究说明转辙机设备是铁路信号系统最重要的组成设备之一,随着我国高速铁路的快速发展,人民群众对快速又安全的铁路运行需求日益增长,转辙机设备的故障诊断效率直接影响着我国铁路运行的安全以及运输的效率。目前我国对于铁路信号设备的故障诊断仍然停留在故障修与计划修阶段,如何利用新的技术与现存的大量的维修日志数据来提高铁路信号设备故障诊断的效率,依然是目前我国铁路领域研究人员所面临的一个难题。转辙机的现场维修日志数据是工作在一线员工记录的关于转辙机故障的现象,故障原因以及维修情况的详细记录。因为缺乏有效的处理技术,这些产生于一线的重要数据长期被搁置。因此,本文充分利用现存的故障日志数据,对ZYJ7型转辙机的故障诊断方法进行了研究,所做的主要工作如下所述:首先,在故障诊断之前对故障文本数据进行预处理,使用融合了自定义词典的jieba分词工具进行中文分词。提出了基于先验知识的改进LDA主题模型,得到了更符合实际情况的故障特征词库,然后使用word2vec模型进行词向量训练,为诊断模型提供输入数据。其次,建立了基于深度残差CNN网络的ZYJ7型转辙机的故障诊断模型,采用基于分层的故障诊断思路,分别对一级故障与二级故障进行诊断。实验结果表明,深度残差CNN网络对于一级故障的诊断效果比较好,由于CNN模型学习时序数据能力较差,故二级故障诊断效果不理想。最后,针对深度残差CNN网络模型的不足,搭建了CNN+LSTM模型来进行二级故障模式的诊断,解决了深度残差网络学习两级故障标签相关性能力较差的问题。由于二级故障数据存在类别不平衡现象,故引入集成学习框架,建立了基于boosting集成的CNN+LSTM故障诊断模型,提高模型的泛化能力。最后,通过与SVM、BP以及LSTM模型进行对比实验,验证了本文所提出的一级故障与二级故障诊断模型均具有较高的诊断准确率。
二、浅谈我国铁路外锁闭道岔转辙设备（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、浅谈我国铁路外锁闭道岔转辙设备（论文提纲范文）
（1）浅谈ZDJ9转辙机的安装调试及日常维护（论文提纲范文）
| 1 ZDJ9转辙机道岔密贴力的调试 |
| 1.1 联动内锁闭道岔密贴力调试 |
| 1.2 外锁闭装置道岔密贴力调试 |
| 2 缺口监测设备的调试 |
| 3 接点打入深度的调整 |
| 4 接点座的日常维护 |
| 5 结论 |
（2）基于深度学习的铁路道岔转辙机故障诊断（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 故障诊断研究现状 |
| 1.3.2 铁路道岔转辙机故障诊断研究现状 |
| 1.3.3 研究现状分析 |
| 1.4 论文主要内容及组织结构 |
| 第2章 道岔转辙机介绍及故障分析 |
| 2.1 道岔转辙机概述 |
| 2.1.1 转辙机基本结构 |
| 2.1.2 转辙机液压系统工作原理 |
| 2.2 转辙机故障分析 |
| 2.2.1 转辙机常见故障种类及原因 |
| 2.2.2 转辙机故障油压曲线分析 |
| 2.3 本章小结 |
| 第3章 CNN-GRU故障诊断模型设计 |
| 3.1 一维卷积神经网络 |
| 3.1.1 卷积层 |
| 3.1.2 激活函数 |
| 3.1.3 池化层 |
| 3.1.4 全连接层 |
| 3.1.5 归一化 |
| 3.2 GRU循环神经网络 |
| 3.2.1 RNN基本结构 |
| 3.2.2 GRU网络结构 |
| 3.3 CNN-GRU故障诊断模型可行性分析 |
| 3.4 CNN-GRU故障诊断模型的设计与搭建 |
| 3.5 本章小结 |
| 第4章 CNN-GRU故障诊断实验结果与分析 |
| 4.1 数据集构建 |
| 4.2 实验结果与分析 |
| 4.2.1 实验环境及模型初始参数 |
| 4.2.2 不同优化器的CNN-GRU故障诊断模型实验结果 |
| 4.2.3 不同故障诊断模型实验结果 |
| 4.3 本章小结 |
| 第5章 基于CNN-GRU深度学习故障诊断系统设计与实现 |
| 5.1 系统架构设计 |
| 5.2 系统功能模块设计 |
| 5.3 系统功能实现 |
| 5.3.1 系统开发环境 |
| 5.3.2 登录界面 |
| 5.3.3 系统主界面 |
| 5.3.4 故障种类预览 |
| 5.3.5 数据预览 |
| 5.3.6 CNN-GRU故障诊断方法 |
| 5.3.7 其他故障诊断方法 |
| 5.3.8 退出系统 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（3）基于随机森林的道岔转辙设备故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断技术研究现状 |
| 1.2.2 道岔设备故障诊断技术研究现状 |
| 1.2.3 研究现状分析 |
| 1.3 论文的主要研究内容及结构 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文篇幅结构 |
| 2 道岔转换设备故障原因及故障模式分析 |
| 2.1 道岔设备组成及工作原理 |
| 2.1.1 道岔系统组成 |
| 2.1.2 道岔转换设备工作原理 |
| 2.2 道岔转换设备常见故障电流曲线分析 |
| 2.2.1 ZD6型转辙机机械原理 |
| 2.2.2 ZD6型转辙机监测原理 |
| 2.2.3 正常电流曲线分析 |
| 2.2.4 常见故障模式电流曲线分析 |
| 2.3 本章小结 |
| 3 基于随机森林的道岔转换设备故障诊断方法 |
| 3.1 基于随机森林的道岔设备故障诊断方法 |
| 3.1.1 决策树 |
| 3.1.2 随机森林算法 |
| 3.1.3 基于随机森林的道岔设备故障诊断方法 |
| 3.2 道岔转换设备故障诊断案例库建立 |
| 3.2.1 专家经验故障库 |
| 3.2.2 道岔转换设备故障数据收集 |
| 3.2.3 案例库数据预处理 |
| 3.3 模型评价指标 |
| 3.4 本章小结 |
| 4 基于随机森林的道岔转换设备故障诊断方法验证 |
| 4.1 基于随机森林的道岔设备故障诊断步骤及流程 |
| 4.2 算法优化及结果分析 |
| 4.2.1 算法优化 |
| 4.2.2 结果分析 |
| 4.3 算法性能比较 |
| 4.4 本章小结 |
| 5 基于随机森林的道岔转换设备故障诊断功能设计 |
| 5.1 道岔设备故障诊断功能实验环境介绍 |
| 5.2 道岔设备故障诊断功能应用环境及功能设计 |
| 5.2.1 软件应用环境 |
| 5.2.2 软件功能设计 |
| 5.2.3 软件数据库设计 |
| 5.3 交互过程设计分析 |
| 5.4 本章小节 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的科研成果 |
| 学位论文数据集 |
（4）转辙机综合监测的需求及方法研究（论文提纲范文）
| 1 概述 |
| 2 研究现状及问题 |
| 2.1 道岔转换设备相关监测研究现状 |
| 2.2 存在的问题 |
| 3 转辙机综合监测需求 |
| 4 ZD9/ZDJ9转辙机综合监测的实现 |
| 4.1 传感器及安装结构的限制 |
| 4.2 ZDJ9转辙机可监测项点 |
| 4.3 监测样例 |
| 5 小结 |
（5）基于概率神经网络的S700K转辙机故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 主要研究工作内容 |
| 2 S700K转辙机的工作原理及故障类型分析 |
| 2.1 道岔转辙机的基本结构及工作原理 |
| 2.1.1 道岔转辙机的基本结构 |
| 2.1.2 道岔转辙机的工作原理 |
| 2.2 S700K转辙机动作功率曲线分析 |
| 2.2.1 S700K转辙机转换力与输出功率关系 |
| 2.2.2 S700K转辙机正常动作功率曲线分析 |
| 2.2.3 S700K转辙机故障模式功率曲线分析 |
| 2.3 本章小结 |
| 3 小波变换提取故障特征量 |
| 3.1 小波变换 |
| 3.1.1 小波变换理论概述 |
| 3.1.2 连续和离散小波变换 |
| 3.1.3 常用的小波基函数 |
| 3.2 小波分解 |
| 3.3 小波神经网络分类及其算法 |
| 3.4 转辙机功率曲线故障特征量的提取 |
| 3.5 小结 |
| 4 基于概率神经网络的S700K转辙机故障诊断 |
| 4.1 神经网络分类 |
| 4.1.1 径向基神经网络 |
| 4.1.2 概率神经网络 |
| 4.1.3 概率神经网络结构 |
| 4.2 概率神经网络算法 |
| 4.3 概率神经网络的二分类问题 |
| 4.4 小波变换和概率神经网络在S700K转辙机故障诊断中的应用 |
| 4.4.1 故障模型的建立 |
| 4.4.2 故障模型数据样本设置 |
| 4.4.3 特征提取 |
| 4.4.4 概率神经网络平滑因子的确定 |
| 4.4.5 概率神经网络故障诊断 |
| 4.5 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（6）基于EEMD多尺度模糊熵的S700K转辙机故障诊断的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断技术的发展现状 |
| 1.2.2 转辙机故障诊断技术的研究现状 |
| 1.2.3 故障特征提取的现状 |
| 1.3 主要研究内容 |
| 2 道岔转换装置与故障模式分析 |
| 2.1 道岔转换装置的概述 |
| 2.1.1 道岔的基本结构 |
| 2.1.2 道岔外锁闭装置 |
| 2.1.3 转辙机的结构及动作原理 |
| 2.2 道岔转辙机功率曲线分析 |
| 2.2.1 正常动作功率曲线分析 |
| 2.2.2 常见故障及其功率曲线分析 |
| 2.3 小结 |
| 3 基于EEMD多尺度模糊熵的特征提取 |
| 3.1 故障特征提取算法简介 |
| 3.2 EEMD算法的基本原理 |
| 3.2.1 经验模态分解(EMD) |
| 3.2.2 集合经验模态分解(EEMD) |
| 3.2.3 初始化参数的确定 |
| 3.3 模糊熵算法的基本原理 |
| 3.3.1 熵的定义 |
| 3.3.2 模糊熵算法 |
| 3.3.3 初始化参数的确定 |
| 3.4 仿真分析 |
| 3.5 小结 |
| 4 基于灰色关联度与模糊聚类的故障识别方法的研究 |
| 4.1 灰色关联度算法的基本原理 |
| 4.1.1 灰色关联度故障识别策略 |
| 4.1.2 灰色关联度算法 |
| 4.2 模糊聚类方法的基本原理 |
| 4.2.1 模糊聚类故障识别策略 |
| 4.2.2 模糊聚类方法 |
| 4.3 小结 |
| 5 S700K转辙机故障诊断方法的验证 |
| 5.1 基于灰色关联度的故障识别 |
| 5.1.1 灰色关联度算法中分辨系数的确定 |
| 5.1.2 基于灰色关联度故障诊断的功能测试 |
| 5.2 基于模糊聚类方法的故障识别 |
| 5.2.1 特征模式矩阵的建立 |
| 5.2.2 基于模糊聚类故障诊断的功能测试 |
| 5.3 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（7）基于贝叶斯网络的S700K转辙机故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 研究现状 |
| 1.2.1 转辙机故障诊断研究现状 |
| 1.2.2 贝叶斯网络研究现状 |
| 1.3 主要研究内容 |
| 2 S700K转辙机的工作原理及故障分析 |
| 2.1 S700K转辙机的基本结构及工作原理 |
| 2.1.1 S700K转辙机的基本结构 |
| 2.1.2 S700K转辙机的工作原理 |
| 2.2 S700K转辙机动作功率曲线及故障模式分析 |
| 2.2.1 S700K转辙机转换力与输出功率关系 |
| 2.2.2 S700K转辙机动作功率曲线分析 |
| 2.2.3 S700K转辙机故障模式分析 |
| 2.3 本章小结 |
| 3 基于贝叶斯网络的S700K转辙机故障诊断方法 |
| 3.1 故障特征参数提取 |
| 3.1.1 数据预处理 |
| 3.1.2 特征参数提取 |
| 3.2 属性离散化 |
| 3.2.1 单属性离散化 |
| 3.2.2 多属性离散化 |
| 3.3 属性约简 |
| 3.3.1 类差别矩阵的计算 |
| 3.3.2 属性重要度的计算 |
| 3.3.3 属性约简流程 |
| 3.4 构建基于属性加权的朴素贝叶斯网络分类器模型 |
| 3.4.1 属性权重计算 |
| 3.4.2 属性加权的朴素贝叶斯分类器模型 |
| 3.5 基于属性加权的朴素贝叶斯分类器的S700K转辙机故障诊断 |
| 3.5.1 S700K转辙机故障特征提取 |
| 3.5.2 S700K转辙机故障特征离散化 |
| 3.5.3 S700K转辙机故障特征约简 |
| 3.5.4 S700K转辙机故障诊断 |
| 3.6 本章小结 |
| 4 实验验证及结果分析 |
| 4.1 故障特征离散化验证及分析 |
| 4.2 故障诊断方法功能验证及分析 |
| 4.3 故障诊断方法性能验证及分析 |
| 4.4 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（8）基于LSTM的提速道岔故障预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 道岔故障诊断研究现状 |
| 1.2.2 故障预测研究现状 |
| 1.2.3 LSTM在故障预测领域的应用现状 |
| 1.3 主要研究内容 |
| 2 道岔健康状态划分 |
| 2.1 道岔基本理论 |
| 2.1.1 道岔基本组成 |
| 2.1.2 道岔动作原理 |
| 2.2 道岔状态划分 |
| 2.2.1 静态和动态 |
| 2.2.2 健康等级 |
| 2.3 道岔数据样本集分析 |
| 2.4 小结 |
| 3 道岔评估基准 |
| 3.1 基于中位数法的道岔标准曲线 |
| 3.1.1 道岔上下边沿范围 |
| 3.1.2 中位数原理 |
| 3.2 基于云相似度的道岔曲线相似度 |
| 3.2.1 云理论简介 |
| 3.2.2 具体流程 |
| 3.3 其余评估指标 |
| 3.4 仿真 |
| 3.4.1 道岔标准曲线确定 |
| 3.4.2 标准转换时长确定 |
| 3.4.3 云相似度仿真 |
| 3.5 小结 |
| 4 道岔亚健康态预测 |
| 4.1 基于AR模型的道岔故障预测 |
| 4.2 基于LSTM的道岔故障预测 |
| 4.2.1 LSTM原理 |
| 4.2.2 LSTM相关参数选择 |
| 4.2.3 LSTM神经网络数据走向及可视化结果 |
| 4.2.4 LSTM单变量预测 |
| 4.2.5 LSTM多变量预测 |
| 4.3 小结 |
| 5 道岔故障预测 |
| 5.1 GMM算法的故障聚类分析 |
| 5.1.1 算法概述 |
| 5.1.2 算法的实现过程 |
| 5.1.3 结果 |
| 5.2 故障诊断算法及流程 |
| 5.2.1 PNN神经网络介绍 |
| 5.2.2 建立诊断模型 |
| 5.2.3 结果分析 |
| 5.3 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（9）基于深度学习的ZDJ9型转辙机故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 不平衡分类问题研究现状 |
| 1.2.2 生成对抗网络的应用研究现状 |
| 1.2.3 转辙机故障诊断的研究现状 |
| 1.3 论文的主要内容 |
| 第2章 ZDJ9型转辙机工作原理及故障模式分析 |
| 2.1 ZDJ9型转辙机基本介绍 |
| 2.1.1 ZDJ9型转辙机应用场景 |
| 2.1.2 ZDJ9型转辙机技术特点 |
| 2.1.3 ZDJ9型转辙机动作原理 |
| 2.2 ZDJ9型转辙机动作曲线分析 |
| 2.2.1 正常状态曲线分析 |
| 2.2.2 故障状态曲线分析 |
| 2.3 数据说明及预处理 |
| 2.4 本章小结 |
| 第3章 生成对抗网络模型及数据评估指标 |
| 3.1 生成对抗网络模型结构 |
| 3.2 生成对抗网络算法分析 |
| 3.3 生成对抗网络改进模型 |
| 3.3.1 网络结构优化 |
| 3.3.2 目标函数优化 |
| 3.4 评估指标 |
| 3.4.1 初始分数 |
| 3.4.2 模型分数 |
| 3.4.3 弗雷歇初始距离 |
| 3.4.4 最大均值差异 |
| 3.4.5 GAN_train和GAN_test |
| 3.5 本章小结 |
| 第4章 基于AC_WGAN的ZDJ9转辙机数据增强研究 |
| 4.1 基于AC_WGAN的转辙机数据增强模型提出 |
| 4.2 基于AC_WGAN的转辙机数据增强模型设计 |
| 4.2.1 AC_WGAN模型结构设计 |
| 4.2.2 输入输出数据分析 |
| 4.2.3 模型算法流程 |
| 4.2.4 超参数初始设置 |
| 4.3 基于AC_WGAN的转辙机数据增强实现 |
| 4.3.1 实验环境及数据集设置 |
| 4.3.2 超参数选择 |
| 4.3.3 训练过程说明 |
| 4.3.4 生成结果展示 |
| 4.4 模型对比及数据增强的改善效果 |
| 4.4.1 AC_WGAN与其他GAN生成效果对比 |
| 4.4.2 AC_WGAN与传统模拟方法对比 |
| 4.4.3 数据增强对类别不平衡的改善效果 |
| 4.5 本章小结 |
| 第5章 基于混合残差模型的ZDJ9转辙机故障诊断研究 |
| 5.1 基于深度学习的时间序列分类方法分析 |
| 5.1.1 卷积神经网络原理及技术特点 |
| 5.1.2 循环神经网络原理及技术特点 |
| 5.1.3 模型评估指标及softmax交叉熵损失函数 |
| 5.1.4 数据集设置及参数初始化 |
| 5.2 单一诊断模型选择对比研究 |
| 5.2.1 基于卷积神经网络的单一诊断模型设计 |
| 5.2.2 基于卷积神经网络的诊断模型对比 |
| 5.2.3 基于循环神经网络的单一诊断模型设计 |
| 5.2.4 基于循环神经网络的诊断模型对比 |
| 5.3 基于RESNET-ResBIGRU混合残差的ZDJ9转辙机故障诊断研究 |
| 5.3.1 单一模型特点分析 |
| 5.3.2 基于RESNET-ResBIGRU的故障诊断模型设计 |
| 5.3.3 RESNET-ResBIGRU混合残差模型对比分析 |
| 5.3.4 生成数据与真实数据训练效果对比 |
| 5.4 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研成果 |
（10）基于维修日志挖掘的ZYJ7型转辙机故障诊断（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 转辙机故障诊断方法的研究现状 |
| 1.2.2 深度学习在自然语言处理领域的研究现状 |
| 1.3 论文的主要研究内容 |
| 第2章 ZYJ7型转辙机的工作原理和故障模式 |
| 2.1 ZYJ7型转辙机设备的介绍 |
| 2.1.1 ZYJ7型转辙机的基本结构 |
| 2.1.2 ZYJ7型转辙机的工作原理 |
| 2.2 ZYJ7型液压转辙机的故障类型 |
| 2.3 ZYJ7型转辙机的分层故障诊断流程 |
| 2.4 本章小结 |
| 第3章 维修日志数据处理 |
| 3.1 故障数据预处理 |
| 3.1.1 故障数据介绍 |
| 3.1.2 结合铁路领域专业词汇的中文分词 |
| 3.2 基于LDA模型建立故障特征词典 |
| 3.2.1 特征表示 |
| 3.2.2 建立故障特征词典 |
| 3.2.3 融合先验知识的LDA模型 |
| 3.2.4 实验结果展示 |
| 3.3 基于Word2vec语义训练词向量 |
| 3.3.1 word2vec语义模型 |
| 3.3.2 word2vec训练模型 |
| 3.3.3 实验结果展示 |
| 3.4 本章小结 |
| 第4章 基于深度残差网络的转辙机分层故障诊断 |
| 4.1 CNN卷积神经网络文本分类 |
| 4.1.1 神经网络原理介绍 |
| 4.1.2 CNN文本分类原理介绍 |
| 4.2 基于深度残差的CNN网络建模 |
| 4.2.1 网络结构设计 |
| 4.2.2 网络结构优化 |
| 4.3 网络参数设置 |
| 4.3.1 卷积核设置 |
| 4.3.2 激活函数选取 |
| 4.3.3 超参数设置 |
| 4.4 故障诊断结果分析 |
| 4.4.1 一级故障诊断 |
| 4.4.2 二级故障诊断 |
| 4.5 本章小结 |
| 第5章 模型的改进与对比实验分析 |
| 5.1 基于时序序列的CNN+LSTM模型 |
| 5.1.1 LSTM模型原理介绍 |
| 5.1.2 CNN+LSTM网络建模 |
| 5.1.3 二级故障诊断结果 |
| 5.2 基于boosting集成的CNN+LSTM故障诊断模型 |
| 5.2.1 不平衡数据集文本分类方法选取 |
| 5.2.2 基于boosting集成的CNN+LSTM模型 |
| 5.2.3 基于boosting集成的二级故障诊断结果 |
| 5.3 故障诊断结果对比 |
| 5.3.1 分类器评价指标 |
| 5.3.2 一级故障诊断对比分析 |
| 5.3.3 二级故障诊断对比分析 |
| 5.4 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间发表的论文及参与的科研项目 |
四、浅谈我国铁路外锁闭道岔转辙设备（论文参考文献）
- [1]浅谈ZDJ9转辙机的安装调试及日常维护[J]. 张振,李倩文. 铁道通信信号, 2021(08)
- [2]基于深度学习的铁路道岔转辙机故障诊断[D]. 何宗博. 中北大学, 2021
- [3]基于随机森林的道岔转辙设备故障诊断方法研究[D]. 刘晏伊. 中国铁道科学研究院, 2021(01)
- [4]转辙机综合监测的需求及方法研究[J]. 鲍才让太,莫重明,翟文革,丁召荣. 铁路通信信号工程技术, 2021(04)
- [5]基于概率神经网络的S700K转辙机故障诊断研究[D]. 李福建. 兰州交通大学, 2020(02)
- [6]基于EEMD多尺度模糊熵的S700K转辙机故障诊断的研究[D]. 刘新发. 兰州交通大学, 2020(01)
- [7]基于贝叶斯网络的S700K转辙机故障诊断研究[D]. 王林洁. 兰州交通大学, 2020(01)
- [8]基于LSTM的提速道岔故障预测研究[D]. 李婉婉. 兰州交通大学, 2020(01)
- [9]基于深度学习的ZDJ9型转辙机故障诊断研究[D]. 周鑫. 西南交通大学, 2020(07)
- [10]基于维修日志挖掘的ZYJ7型转辙机故障诊断[D]. 谢海金. 西南交通大学, 2020(07)