列车运行控制系统是保障列车高速、安全运行的核心,对作为其关键组成部分的车载设备进行快速有效地故障诊断具有重要意义。目前车载设备的故障诊断主要依靠人工经验来进行,人工智能故障诊断方法研究成果较少,且集中于系统级故障分析,对基于设备运行数据的研究很少。本文针对车载设备日志数据,对其数据特征进行深入分析,建立LSTM-BP优化网络模型,构建一个可以灵活获取和运用关键故障信息的智能诊断系统,并对其性能进行仿真验证。本文的主要研究内容包括:(1)论文以北京局动车段300T型车载设备故障数据为研究对象,首先通过文本数据挖掘的手段,构建车载设备运行信息语料库。针对独热表示(one-hot representatoin)易造成维度灾难、语义表达不足的问题,采用基于深度学习的语言模型实现车载设备运行关键信息的向量表达,以词向量的形式表达语义信息,为后续模型提供准确有效的数据支撑。(2)针对车载运行信息中多故障原因导致同一故障现象、同一故障原因对应不同故障现象的特性,采用基于BP神经网络模型的车载设备故障诊断方法,并用共轭梯度法、LM算法以及贝叶斯正则化三种算法从权值优化和结构调整两方面分别对神经网络模型进行优化,改善模型在训练过程中易陷入局部最小和对未知样本分类能力不足的境况,比较三种算法优化后的模型的泛化能力,寻找适合本文研究对象的最佳改进算法。(3)对于BP网络对关机误报和引发故障分类不准确的问题,本文提出长短时记忆网络(Long Short Term Memory Network,LSTM)和BP神经网络的级联模型,充分发挥LSTM算法的记忆特性,结合车载设备故障特征信息的长时记忆,判断当前样本信息类型。级联的网络结构可以进一步提高车载设备故障分类能力。本文通过北京动车段2016年ctcs-300T的3384个车载日志文件对论文中的模型进行验证,实验结果表明发现,贝叶斯正则化算法改进后的模型性能稳定,泛化能力高,相较于其他两种算法有明显的优越性。优化后的模型相较原始的BP网络模型对未知样本的分类能力从48.76%提高到了 85.06%。论文提出的LSTM-BP网络级联模型对于关机误报和引发故障问题具有优秀的分辨能力,对未知样本的分类准确率为95.13%,满足现场需求,验证了本文方案的可行性。
对高速铁路ctcs-3(Chinese Train Control System Level-3)级列控系统来说,行车许可是保证列车安全运行的关键信息之一。围绕行车许可的生成及执行,高速铁路控车场景功能主要包括CTC(Centralized Traffic Control)中心制定列车运行计划...
详细信息
对高速铁路ctcs-3(Chinese Train Control System Level-3)级列控系统来说,行车许可是保证列车安全运行的关键信息之一。围绕行车许可的生成及执行,高速铁路控车场景功能主要包括CTC(Centralized Traffic Control)中心制定列车运行计划、CTC车站签收列车运行计划及搜索列车进路序列、计算机联锁根据进路序列办理进路、无线闭塞中心RBC(Radio Block Center)根据进路信息计算行车许可、列车车载设备接收行车许可计算速度防护曲线,并监督列车安全运行等等。另一方面,随着数据中心规模快速增长,传统网络配置日益复杂,中心机房中也存在物理资源(CPU、内存等)利用不充分的问题。在这些需求的带动下,软件定义网络(Software Defined Networking,SDN)及以虚拟化技术为基础的OpenStack云计算等技术得到广泛关注。SDN将传统网络转发与控制分离,降低网络管理难度,而OpenStack平台按计算资源需求提供虚拟机,提升物理资源的利用率。本文设计仿真高速铁路控车场景功能,并结合SDN与OpenStack云计算技术优势,搭建了高速铁路控车虚拟化测试平台,主要工作如下:1)分析ctcs-3级列控系统结构及控车场景功能需求,设计实现了高速铁路控车仿真系统,主要包括仿真列车、RBC无线闭塞子系统、计算机联锁子系统、CTC中心和CTC车站子系统,并基于RSSP-II协议实现仿真子系统间的数据交互;2)利用SDN技术及OpenStack云计算平台提供的虚拟机,搭建了高速铁路控车虚拟化测试平台;3)在高速铁路控车虚拟化测试平台中对CTC中心子系统、3个CTC车站子系统、3个车站计算机联锁、2个RBC无线闭塞子系统及多个仿真列车进行功能测试。测试结果表明,高速铁路控车仿真系统在单仿真列车运行场景及多个仿真列车追踪运行场景下,能够计算正确的行车许可并控制仿真列车安全运行,满足高速铁路控车场景的功能需求。
暂无评论