道岔智能故障诊断

目录
序
前言
第1章　道岔概述　1
1.1　铁路系统概况　1
1.1.1　铁路系统　1
1.1.2　高速铁路　2
1.1.3　城市轨道交通　4
1.2　道岔　5
1.2.1　道岔的基本概念及重要性　5
1.2.2　道岔的分类　8
1.3　转辙机　11
1.3.1　转辙机的基本概念及作用　11
1.3.2　转辙机的分类　11
1.3.3　直流转辙机的基本原理　13
1.3.4　交流转辙机的基本原理　15
第2章　道岔监测系统　19
2.1　道岔监测的必要性　19
2.1.1　道岔事故　19
2.1.2　道岔监测必要性分析　21
2.2　道岔监测系统的基本原理　22
2.2.1　道岔监测系统的相关标准规范　22
2.2.2　道岔监测系统的主要结构　23
2.2.3　道岔监测系统的主要功能　23
2.3　主要道岔监测系统介绍　25
2.3.1　CSM-TD型信号微机监测系统　25
2.3.2　CSM-HH型信号集中监测系统　33
第3章　道岔动作曲线　41
3.1　道岔动作曲线的分类　41
3.2　直流转辙机道岔动作电流曲线　41
3.2.1　道岔动作电流采集原理　41
3.2.2　单动道岔正常动作电流曲线分析　42
3.3　交流转辙机道岔动作电流曲线　43
3.3.1　道岔电流采集原理　44
3.3.2　交流转辙机道岔正常动作电流曲线分析　44
3.3.3　道岔动作曲线“小尾巴”的形成原理　45
3.3.4　ZYJ7型道岔正常动作曲线分析　47
3.4　道岔动作功率曲线　47
3.4.1　道岔动作功率曲线采样原理　47
3.4.2　道岔动作功率曲线分析　49
3.4.3　S700K型电动转辙机道岔动作功率曲线分析　49
第4章　道岔故障模式及故障曲线仿真　52
4.1　道岔故障分类　52
4.2　道岔常见故障分析　52
4.3　道岔动作曲线仿真　56
4.3.1　道岔动作模型构建及参数设置　56
4.3.2　基于道岔动作模型的动作曲线仿真　64
4.3.3　道岔正常动作曲线仿真　64
4.3.4　道岔长期运行曲线仿真　66
4.3.5　道岔故障曲线仿真　66
第5章　道岔异常曲线识别　72
5.1　道岔异常曲线识别总体技术路线　72
5.2　道岔正常参考曲线的选取方法　73
5.2.1　基于K均值聚类算法的道岔正常参考曲线的选取　73
5.2.2　基于弗雷歇距离的道岔正常参考曲线的选取　75
5.3　相似度的计算及阈值的确定　78
5.3.1　正常曲线与正常参考曲线之间的相似度计算　78
5.3.2　相似度阈值的确定　78
5.4　基于相似度的道岔异常曲线识别举例　78
5.4.1　正常参考曲线的选取　78
5.4.2　相似度的计算以及阈值的确定　80
5.4.3　实例测试　81
第6章　基于距离的道岔故障诊断　83
6.1　典型距离算法　83
6.2　基于距离的道岔故障诊断方法　85
6.3　基于动态时间规整的道岔曲线故障诊断实例　86
6.4　基于弗雷歇距离的道岔曲线故障诊断实例　89
第7章　基于深度学习的道岔故障识别方法　95
7.1　基于卷积神经网络的道岔故障识别方法　95
7.2　卷积神经网络　96
7.2.1　卷积神经网络概述　96
7.2.2　卷积神经网络经典网络算法　99
7.3　道岔故障诊断模型　100
7.3.1　输入数据预处理　100
7.3.2　模型训练过程　101
7.3.3　道岔故障诊断模型的验证　103
7.4　基于深度学习的道岔故障诊断实例　104
第8章　道岔曲线模式的自动聚类研究　105
8.1　道岔曲线的自动聚类方法　105
8.1.1　聚类概念　105
8.1.2　聚类方法分类　105
8.2　FCM聚类算法　106
8.2.1　相关概念　107
8.2.2　FCM聚类算法的步骤　108
8.3　道岔故障曲线的自动聚类实例　108
8.3.1　数据预处理　109
8.3.2　改进的FCM聚类算法　110
8.3.3　案例计算结果　110
第9章　道岔动作曲线预测方法　115
9.1　基于道岔曲线特征的预测方法　115
9.1.1　道岔动作曲线采集及代表特征选取　116
9.1.2　基于BP神经网络的道岔曲线特征预测方法　116
9.1.3　基于*小二乘法的道岔预测曲线的拟合　118
9.1.4　道岔预测曲线的故障诊断　119
9.1.5　基于道岔曲线特征的预测方法实例分析　119
9.2　基于曲线点的预测方法　122
9.2.1　预测所用数据说明及预测效果评价指标　122
9.2.2　基于ARMA模型的道岔动作曲线预测方法　124
9.2.3　基于支持向量机的道岔动作曲线预测方法　131
参考文献　135