一、基于旅客列车安全监测系统与神经网络的走行部状态监测研究（论文文献综述）
梁红燕[1]（2021）在《列车走行部车载诊断仪软件设计及实现》文中认为地铁是现代社会最重要的交通工具之一,只有在安全平稳运行的前提下,地铁才能提供高负荷、高频次的乘客出行服务。地铁是由多种零部件组成的复杂系统,任何一个零部件出现故障,都会影响到整车的安全平稳运行,因此,对这些零部件进行有效的监控,是保障地铁安全性的前提。滚动轴承是地铁列车走行部中负责减少摩擦的重要零件,极易发生故障。对工作中的滚动轴承的运行状态进行在线实时监控,诊断工作状态下滚动轴承的健康状态,可以保障列车安全平稳运行。本文通过深入研究过往研究者提出的列车滚动轴承在线故障诊断方法,发现所提方法未能较好地解决其在地铁嵌入式平台上进行布置的问题。基于此,本文提出并设计了一个针对嵌入式平台应用的列车走行部车载诊断仪,以解决这个问题。通过深入分析主机厂客户的实际需要,提出了列车走行部车载诊断仪的软件设计需求,并根据这些需求搭建出列车走行部车载诊断仪的总体软件系统以及各个功能子模块系统,采用经验模态分解和共振解调技术相结合的算法,前期采用MATLAB+LabVIEW的混合编程开发,后期采用LabVIEW嵌入式编程开发,实现高效、快速布置列车走行部车载诊断仪。之后对每个模块的具体实现进行了阐述,包括数据采集模块、时域指标计算模块、自动故障诊断模块、故障特征频率计算模块和波形显示模块。最后搭建模拟测试环境,对列车走行部车载诊断仪软件进行测试。最终实现了列车走行部车载诊断仪软件在复杂环境下的轴承故障诊断报警功能,可以实时监测轴承运行状态,准确度高,性能可靠。
王久赫[2]（2021）在《基于置信规则库的高速列车走行部安全性与可靠性方法研究》文中研究指明为了保证高速列车的安全性和可靠性,故障诊断和健康状态技术起着重要的作用。由于人工智能技术的迅猛发展,设备的可靠性与安全性研究受到学者们的广泛关注,其中置信规则库（Belief rule base,BRB）是一种先进的智能方法。BRB方法可以有效地结合测量数据和定性知识完成设备安全性与可靠性任务。即使在少数异常状态样本的情况下,BRB仍然可以借助知识获得高精度的结果。另一方面,基于BRB的方案考虑了领域知识,使得模型具有可解释性。本文从故障诊断和健康状态评估两方面开发了两种基于BRB的方案,用来保证走行部系统的安全运行。我们将讨论三个主题:（1）提出了一种基于混合可靠性的置信规则库的故障诊断方法。与传统的BRB方法不同,该方法考虑了影响工程实际观测数据的两种干扰因素,包括传感器的性能和外部环境的影响,并将其量化为BRB中属性的静态可靠性和动态可靠性。为了将两种可靠性因素集成到BRB推理中,提出了一种基于D-S理论的折扣方法,有助于更准确的诊断。通过对走行部中齿轮箱单一故障进行了验证,证实了该方法的有效性。然后,通过补充的数值仿真,进一步的验证了该方法在多故障模式下的可行性。然后将该方法与传统方法进行了比较。结果表明,BRB-mr模型具有较强的故障诊断能力,对其它系统的故障诊断具有一定的参考价值。（2）提出一种基于标准BRB的走行部系统健康状态评估方法。首先,深入分析了系统的故障机理,确定了能够反映系统状态的故障特征。其次,为了避免单一传感器采集的局限性,如缺乏全面性和鲁棒性,采用奇异值分解实现多传感器信息融合。融合特征作为BRB模型的输入。数据融合是提高模型输入精度的一种方法。然后,利用故障数据和专家知识建立了BRB模型。在评估过程中,专家的主观性使得初始BRB不精确,因此需要一种投影约束协方差矩阵自适应进化策略算法来优化初始参数,提高模型的精度。最后,以走行部系统为例,验证了该模型的有效性和准确性。结果表明,该模型有助于提供准确的结果。（3）在（2）中标准BRB评估方法的基础上,提出了多折扣BRB（multi-discounted BRB,MBRB）用于走行部系统健康状态评估。由于系统结构复杂、失效机制复杂等特点,给其健康状况的确定性评估带来了困难。一般来说,造成评估过程的不确定性因素有三个:监测不确定性、环境不确定性和认知不确定性。该方法同时刻画了上述三种来源不确定性,利用证据贴现理论可以将这三种来源不确定性的影响纳入健康状况评价中。与标准BRB方法相比,一种名为MBRB的替代方法可以显着地提高模型的评估性能。最后将该方法应用于高速列车走行部系统,结果验证了该方法的有效性。
王威珺[3]（2021）在《基于卡尔曼滤波的高速列车走行部故障诊断》文中认为走行部系统是保证高速列车稳定运行的重要部件,伴随着列车的高强度服役过程,一些关键部件容易出现老化、磨损等现象。如不能及时发现并加以处理,轻则引起整个列车的中止运行,严重则会引发重大的交通安全事故,给人民群众的安全问题与信任问题带来了重大的隐患。本论文以高速列车走行部系统为研究背景,通过基于模型的故障诊断方法解决实际列车走行部系统的故障诊断任务。围绕卡尔曼滤波方法在实际诊断应用中的问题展开研究。本文主要进行了以下几个方面的工作:（1）针对高速列车走行部系统多传感器监测信息的差异性问题,提出了一种分布式状态估计滤波器,研究了分布式系统信息采集的过程中,邻居节点对目标节点的影响,提高了多传感器监测的一致性。此外,对于实际运行中存在的初始化信息不完备、传感器测量噪声特性不可知等问题对状态估计的影响,采用无偏约束与量测差分技术提高状态估计的准确度。最后,通过带有加性故障的系统进行了方法的验证。（2）针对高速列车走行部系统的退化特性,研究了测量数据在长程相关过程下的系统最优状态估计问题,通过Hurst指数对数据的长程相关部分提取,设计修正值以实现实际系统状态估计的偏差修正,并结合第一部分所提出的分布式状态估计模型实现了分布式故障诊断。为了说明方法的有效性,本研究通过高速列车走行部系统的实际温度数据进行了验证。（3）针对走行部系统多源状态监测的状态耦合问题,首先建立了电机温度控制模型,提出一种改进融合Sigma点的无迹卡尔曼滤波方法实现耦合特性状态的估计。其次,建立了基于Levy过程的性能退化模型,给出了跳扩散过程的分解方法。最后通过走行部系统中的牵引电机数据验证了方法的有效性。（4）针对动态系统的故障辨识问题,提出一种联合学习方法,通过第一个神经网络实现系统故障检测,通过第二个网络实现系统的故障辨识。采用卡尔曼滤波框架建立两个神经网络之间的桥梁,通过生成的残差使联合神经网络方法交互协作运行。最后通过走行部系统中的牵引电机数据验证了方法的有效性。
董威,王云飞,张晓宁,朱慧龙[4]（2020）在《高速列车走行部监测系统全冗余技术方案研究》文中指出为保障列车走行部轴承关键部件的可靠监测,确保列车安全稳定运营,文章提出一种高速列车走行部监测系统全冗余架构,其采用"双智能诊断单元+双通道传感器"方案,解决了传统列车走行部监测系统监测盲区问题。基于全冗余架构,根据地面、车载数据特点、平台特点和应用场景的不同,文中给出相应的诊断模型。其中,地面模型以趋势预测为主,基于"深度神经网络+循环神经网络"的模型框架,利用海量历史数据提取时序特征参数,建立早期故障检测模型;车载模型以实时诊断为主,通过双通道波形检测的交互判断,实时对车辆级、列车级双通道传感器波形一致性进行诊断识别,并结合时速为350 km的动车组进行实际应用。应用结果表明,采用全冗余技术可以降低误报传感器故障的风险,提高诊断系统的可靠性,保障列车安全稳定运行。
陈文[5]（2020）在《城市轨道交通运营安全风险管控研究》文中进行了进一步梳理随着我国城市轨道交通的快速发展,开通轨道交通线路的城市越来越多,城市轨道运营里程逐年攀升,线网规模也逐年扩大,如何提升和保障城市轨道交通系统运营安全的研究越来越重要。本文以城市轨道交通运营安全风险管控为研究对象,主要研究内容如下:（1）城市轨道交通运营安全现状与问题分析。通过对我国城市轨道交通运营生产现状进行分析,进而分别对国内外发生的186起地铁运营安全事故的发生原因进行分类统计,结果表明车辆、信号、供电、乘客、工作人员是导致地铁运营事故的主要原因,一旦出现重大事故,可能会造成巨大的人员伤亡与财产损失。（2）城市轨道交通运营安全影响因素与风险分析。对城市轨道交通事故特点、主要安全风险和运营安全影响因素进行了分析和总结,并分别从人为因素、设备因素、环境因素和管理因素四方面展开了详细的探讨,为城市轨道交通运营安全风险评估体系的构建奠定理论基础。（3）城市轨道交通运营安全风险评估体系构建。分别从风险的分类和识别、风险辨识内容和方法、风险评估指标体系、风险和机遇的控制方法、风险评价准则等内容进行了深入分析和研究,建立了城市轨道交通运营安全的LC风险评价和风险点辨识与评估流程。（4）某城市地铁运营企业案例分析。以某城市地铁企业的运营现状为背景,通过在企业内建立风险分级标准,分别对弓网关系、走行部、轨道状态、车地无线传输、能耗、客流量等内容进行安全管控,并分别制定了A、B级C级的分级治理措施,从而降低企业运营安全隐患,验证了前述安全风险评估体系的有效性及适用性。通过研究本文建立了城市轨道交通运营安全风险分级评价体系,并在某地铁进行了实例验证,结果表明本文提出的评价体系可有效反映城市轨道交通运营安全状况及其发展规律有效,降低企业的运营安全隐患,验证了安全风险评估体系的有效性及适用性。
周雯[6]（2020）在《面向高速铁路运行安全的智能图像识别方法研究》文中进行了进一步梳理高铁是复杂巨系统,任何子系统和设施、设备发生故障都可能危及高铁的运行安全。面向移动装备、基础设施状态、运行环境等高铁运行安全的图像视频检测监测系统以其结果直观的特点在全路广泛应用,保障高速铁路的运行安全。虽然现有的检测监测系统与图像数据应用水平可以满足高速铁路基础设施设备状态和运行环境安全检测监测的需求,但它们分散部署于路网的不同地域,目前还处于人机结合判读并核查安全隐患及故障的本地应用阶段,需要投入大量的人工,费时费力。充分利用国铁集团主数据中心、铁路数据服务平台等路网中已存在的信息基础设施资源,解决好面向高铁运行安全的智能图像识别问题,实现高铁运行安全图像检测监测系统的智能化升级,将大幅提升工作效率,降低工作成本。近年来,深度学习、边缘计算、云计算等信息技术的优势汇聚,促进了人工智能正由技术研发走向行业应用。深度学习等人工智能技术与面向高铁运行安全的图像视频场景相结合,可以对高速铁路设施设备的运行状态智能识别和运行环境的实时检测监控,实现基于图像的高铁运行安全隐患排查、缺陷检测、故障诊断。本文将重点研究高铁设施设备运行安全图像的智能识别方法及应用,主要取得了以下创新性的成果:（1）基于深度主动半监督学习的高铁运行安全图像半自动标注方法。针对利用深度学习方法进行海量高铁运行安全图像智能识别过程中图像标注效率低的问题,提出了基于深度主动半监督学习的高铁运行安全图像半自动标注方法,以连续迭代范式的方式将主动学习和半监督学习引入卷积神经网络的微调过程中,让深度卷积神经网络通过增量的方式对高铁运行安全图像的特征进行学习,可以满足高铁运行安全图像数据的快速标注。将上述方法应用于动车组运行安全图像数据的标注问题,将动车组运行图像的语义标注问题转化为动车组结构子系统分类和零部件目标检测问题,将标注任务分解为粗标注和精细标注两个阶段,提出一种面向动车组零部件分类层级结构的两阶关联的基于深度主动半监督学习的动车组运行安全图像半自动标注方法,量化了数据标注量与目标任务表现之间的关系,利用较少的标注数据量可以在目标任务上获得较高的性能表现。（2）基于卷积神经网络的动车组运行安全图像缺陷检测方法。针对目前TEDS系统利用图像匹配方法自动识别缺陷精度低的问题,提出基于卷积神经网络的动车组运行安全图像缺陷检测与分割模型,分析动车组运行安全图像及其缺陷形态的特征,优化了基于区域的目标检测模型,采用可改变感受野的可变形卷积（DCN）适应缺陷形态的多样性,采用在线困难样本挖掘（OHEM）筛选出困难样本重新输入预测网络以平衡正负样本的比例,克服了缺陷形态尺寸变化多样和复杂背景下正负样本不平衡的困难。（3）基于两阶级联轻量级卷积神经网络的高铁接触网悬挂紧固件缺陷识别方法。针对高铁接触网悬挂运行状态监测图像中小目标紧固件缺陷检测问题,分析了接触网悬挂图像的特点,对比接触网悬挂紧固件缺陷检测与自然图像目标检测的不同,将紧固件缺陷检测问题转换为紧固件检测和运行状态精细识别两个过程解决,提出基于两阶级联轻量级卷积神经网络的紧固件缺陷识别方法。首先,设计了由轻量级的特征提取网络、全局注意力模块、相互增强的分类器和检测器组成的紧固件检测模型,实现目标紧固件实例的高效检测;然后,搭建轻量级的多标签分类网络,进行紧固件运行状态的精细识别,实现紧固件缺陷的识别。（4）高速铁路运行安全图像智能识别应用总体架构。分析路网中高速铁路运行安全图像检测监测信息系统的应用现状及部署特点,提出“边缘+云”的高铁运行安全图像智能识别应用总体架构,在统一的铁路数据服务平台基础之上,构建了高铁运行安全图像智能识别平台的逻辑架构和功能架构,并结合业务范围设计了数据流转和边缘计算的流程,通过典型的TEDS图像检测应用系统具体阐述智能识别应用总体架构,并详细设计了TEDS系统图像智能识别的应用架构、系统架构和系统智能识别应用的软件流程。
荆云建[7]（2019）在《基于改进型卷积神经网络的动车组滚动轴承故障诊断方法研究》文中研究指明滚动轴承作为高速动车组走行部的关键旋转部件之一,其运行状态直接影响动车组的运行品质与行车安全,因此,深入开展动车组滚动轴承故障诊断技术研究具有重要的意义。目前,广泛应用于轨道车辆滚动轴承故障领域的基于信号处理的振动分析诊断法和基于机器学习浅层模型的智能诊断法在通用性和智能化方面还存在一定的不足,研究更加通用、智能的诊断方法对动车组走行部关键部件的智能运维有积极的推动作用。针对传统智能诊断方法依赖信号处理技术与专家诊断经验来提取故障特征,深度学习模型仅被当作分类器使用,诊断模型识别准确率不高、泛化性不强以及诊断模型的建模分析未考虑实际故障诊断中的“正常状态”样本与“故障状态”样本的数据不平衡等问题,本文主要开展了以下四个方面的研究工作:（1）首先,使用CWRU轴承标准数据集进行建模分析,验证卷积神经网络从原始一维振动信号逐层卷积池化来抽取故障特征,并实现不同类型、不同程度故障准确分类的算法可行性;然后,通过引入Dropout、BN、SVM等算法来提升诊断模型的收敛速度、识别准确率与泛化能力;最后考虑噪声干扰下的识别准确率以及统计学指标P、R、F1客观地评估了 CNN-BN-SVM模型的分类性能。（2）研制了高速动车组走行部轴承故障检测系统,根据动车组常见故障类型使用电火花加工实验故障轴承,设计了基于高速滚振试验台的动车组轴箱轴承故障数据采集实验方案并利用该检测系统进行了轴承振动数据采集,为后续针对动车组滚动轴承故障诊断模型的建立提供试验数据支持。（3）首先,基于动车组滚动轴承故障数据集建立CNN-BN-SVM诊断模型,重点分析了正常状态样本与故障状态样本的数据不平衡问题对分类模型性能的影响;然后,通过引入数据重采样和代价敏感学习的策略提升CNN模型对不平衡样本的分类能力;最后通过与几种经典的传统智能诊断方法的对比说明了CNN-CSSVM模型在抗噪性和处理不平衡数据方面的优越性能。（4）将本文研究的CNN-CSSVM诊断算法作为高速动车组走行部轴承故障检测软件智能识别模块的支持算法,基于C#以及TensorflowSharp、Libsvm等开源框架设计了诊断模型的部署方案。图61幅,表24个,参考文献75篇。
尹怀仙[8]（2019）在《基于可靠性分析的地铁列车走行部隐患评估体系研究》文中进行了进一步梳理地铁以快捷安全而成为我国大城市解决交通拥堵的必然选择,地铁列车走行部在整个车辆系统中起着承载、走行和牵引等作用,是地铁列车的重要组成部分。走行部自身零部件从出现隐患到故障发生是一个状态演化的过程,如果能掌握隐患发生的规律,及时采取有效措施防止隐患劣化,可以有效预防事故发生。基于可靠性分析的地铁列车走行部隐患评估体系针对走行部自身结构发生的隐患进行分析研究,掌握隐患发生的规律,依据关键零部件对系统的影响选取合适的指标,构建多层次多指标隐患评估体系,进行评估算法和指标预测研究,为列车维修保养、故障预防、调度决策等方面提供技术支持。本文主要开展了以下研究工作:1.基于现场检修数据总结归纳了地铁列车走行部的隐患模式集,提取发生隐患较多的关键部件。针对现场数据存在不规则删失的情况,应用生存分析理论分析走行部隐患发生较多的关键零部件的隐患分布模型,并采用参数估计法计算关键零部件的无隐患间隔时间和隐患发生率,从现场数据掌握隐患发生的规律性。2.基于故障树的模糊贝叶斯网络可靠性分析。根据走行部隐患模式集和提取的关键零部件,建立地铁列车走行部故障树模型。将走行部故障树模型转化为贝叶斯网络模型,解决故障树不能处理走行部关键零部件服从不同的分布模型和存在较多不确定信息的问题。针对由于现场数据不足而没有精确隐患发生率的部分关键零部件,将模糊理论引入贝叶斯网络模型,应用模糊有序加权平均算子算法和群决策对不同专家提供的三角模糊数进行计算,求取群体评估值,得到部分关键零部件精确的隐患发生率,将此作为贝叶斯网络模型的先验概率,然后对模型进行仿真计算,得出各节点的后验概率,对关键零部件导致走行部隐患的可能性进行排序,得到走行部的薄弱环节和高风险部件。3.构建地铁列车走行部多层次多指标隐患评估体系。明确了走行部隐患评估体系选取原则,依据隐患模式集和关键零部件重要度排序,以走行部为目标层,选取合适的关键零部件作为准则层,对准则层的每个零部件进行分析,选取可以反映隐患状态的指标组成指标层。滚动轴承隐患指标从振动信号中提取,以辛辛那提大学采集的滚动轴承全寿命周期数据为例,采用改进的集成经验模态方法对振动信号进行处理,得到IMF分量,从IMF分量中提取直接时域参数,选取对隐患敏感的特征参数作为滚动轴承的隐患评估指标。根据专家建议及相关参考文献,将隐患等级划分为3级,并采用模糊有序加权平均算子算法对不同专家给出的等级临界值进行计算,从而确定隐患指标3级隐患区间。4.采用可拓物元理论和可拓云模型对地铁列车走行部隐患评估体系进行评估。将可拓物元理论的经典域进行云化,利用云模型的随机性和模糊性解决可拓物元理论对定性指标描述的不足。对主客观权重利用博弈论进行组合,有效寻求了主客观的一致和平衡。在主观权重赋值方面,利用灰色关联模型构建层次分析法的判断矩阵,利用灰色关联理论的整体比较机制和层次分析法的一致性检验,克服了层次分析法两两比较和灰色关联理论没有测度的弊端。在客观权重赋值方面,利用可拓物元理论的关联度矩阵构造熵权法的判断矩阵。为了验证算法的有效性,对4组样本数据进行了评估,结果表明两种方法都可以准确评估走行部的隐患状态,可拓云模型可信度很高而且评估结果更加合理。隐患级别分值的引入使评估等级数字化,为精确评估隐患等级打下基础。5.为了预测隐患指标的未来状态,提出一种基于混沌和遗传算法优化的粒子群-支持向量回归机混合智能算法。详细介绍了支持向量回归机、粒子群-支持向量回归机、混沌和遗传算法嵌入粒子群-支持向量回归机的基本原理和步骤。利用三种算法对轮径值进行建模,结果表明基于混沌和遗传算法优化的粒子群-支持向量回归机混合算法收敛性能和预测效果均高于其他两种方法,证明了该混合智能算法的优越性。本文构建了基于可靠性分析的地铁列车走行部隐患评估体系,并深入研究隐患评估模型和预测算法,为提高列车主动安全提供理论支撑。
蒋永亮[9]（2017）在《轨道车辆动力学安全预警建模及算法理论研究》文中指出随着轨道交通的快速发展,轨道车辆的故障和安全隐患也不断增加。较常见的故障有轨道车辆的弹簧和阻尼故障。因为这些故障具有周期性,随意性,所以以弹簧和阻尼的故障作为轨道车辆动力学建模和算法理论研究的中心建立相应的动力学模型,并在动力学模型上设置故障,建立安全预警故障模型。基于模型产生的数据对轨道车辆悬挂系统的弹簧和阻尼的故障特征进行了研究,并对统计特征值进行了优选。对故障的诊断的部分算法进行了研究,并基于遗传算法对其中的神经网络算法进行了改进。本文第一步是利用Matlab的Simulink建立轨道车辆安全预警的动力学模型和故障模型。针对轨道车辆走行部的悬挂装置,设置不同级别的故障。建立轨道车辆悬挂系统的轻微故障,中度故障,严重故障以及断裂故障的安全预警动力学模型。选取美国六级轨道谱反演的位移谱作为动力学模型和故障模型的输入,进行仿真实验。第二步是根据模型产生的数据,提取故障特征的统计参数。应用无量纲的统计分析方法、有量纲的统计方法对故障的特征进行提取。在后期在故障特征的选取上应用了故障特征相对对比和自对比的概念。第三步是建立轨道车辆悬挂系统故障统计特征值的筛选评价指标。评价故障特征在故障前后的差异。第四步研究了聚类算法、神经网络算法、遗传算法。在悬挂系统的故障诊断中应用了神经网络算法和经过遗传算法改进的神经网络算法。最后通过实验台验证筛选后的故障特征的应用以及经过遗传算法改进的神经网络算法在实验台上对设置故障判断的正确率。文中对部分安全预警、故障诊断算法的理论进行研究。于此同时提出了基于遗传算法对神经网络算法初始权值和阈值优化的方案。最后利用现有的实验台对统计特征参数优选的方案和基于遗传算法优化的神经网络算法进行验证。仿真和实验台结果表明筛选特征和改进算法都可以提高轨道车辆悬挂系统故障识别的正确率。
刘志亮,潘登,左明健,李兴林[10]（2016）在《轨道车辆故障诊断研究进展》文中提出随着轨道交通事业的蓬勃发展,轨道车辆的运行速度、运输效率以及智能化水平得到不断提高。然而,作为这些技术发展的必要前提,轨道交通可靠性保障理论是轨道交通事业的重中之重。轨道车辆一般由车体、车门、动力及传动系统、走行部、制动系统、电气系统、车载信号系统和其他辅助功能部分组成,轨道车辆运行工况复杂多变、噪声干扰大以及故障模式难以预知等特点一直是其故障诊断面临的突出挑战。通过调研近15年的文献资料,归纳并总结轨道车辆各个子系统及关键部件在故障诊断理论、方法与技术成果,同时从故障检测和远程诊断两个侧面讨论了轨道车辆故障诊断的特点,最后尝试指出了该领域中迫切需求的故障诊断技术及理论发展方向,即应该深化思想内涵,加快表象到机理的研究速度,加快理论向应用的转化速度,切实提高轨道交通关键装备的故障诊断及健康管理能力。
二、基于旅客列车安全监测系统与神经网络的走行部状态监测研究（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、基于旅客列车安全监测系统与神经网络的走行部状态监测研究（论文提纲范文）
（1）列车走行部车载诊断仪软件设计及实现（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 滚动轴承故障诊断方法 |
| 1.2.2 振动诊断技术研究现状 |
| 1.3 本文主要工作 |
| 2 列车轴承振动特性分析与故障诊断方法 |
| 2.1 列车轴承振动特性分析 |
| 2.1.1 列车轴承结构 |
| 2.1.2 列车轴承的振动机理 |
| 2.1.3 列车轴承常见故障类型 |
| 2.1.4 列车轴承故障特征频率 |
| 2.2 列车轴承故障诊断方法 |
| 2.2.1 基于时域指标的故障分析 |
| 2.2.2 基于EMD分解的故障分析 |
| 2.2.3 基于共振解调的故障分析 |
| 2.3 本章小结 |
| 3 列车走行部车载诊断仪需求分析与总体设计 |
| 3.1 需求分析 |
| 3.2 软件系统设计 |
| 3.3 软件开发工具选择 |
| 3.3.1 软件开发平台 |
| 3.3.2 混合编程技术 |
| 3.3.3 LabVIEW嵌入式编程技术 |
| 3.4 本章小结 |
| 4 列车走行部车载诊断仪软件实现 |
| 4.1 基于MATLAB+LabVIEW的混合编程实现 |
| 4.2 基于LabVIEW的嵌入式编程实现 |
| 4.3 本章小结 |
| 5 列车走行部车载诊断仪软件测试和结果分析 |
| 5.1 测试数据 |
| 5.2 基于MATLAB+LabVIEW的混合编程方法测试 |
| 5.3 基于LabVIEW的嵌入式编程方法测试 |
| 5.3.1 实际测试环境 |
| 5.3.2 轴承故障测试 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（2）基于置信规则库的高速列车走行部安全性与可靠性方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断研究现状 |
| 1.2.2 健康状态评估研究现状 |
| 1.3 论文的主要贡献 |
| 第2章 置信规则库推理机制的基础介绍 |
| 2.1 置信规则库的知识表达方法 |
| 2.2 置信规则库的知识推理方法 |
| 2.2.1 置信规则的匹配度计算 |
| 2.2.2 激活后置信规则的推理融合 |
| 2.3 置信规则库的目标函数确定及参数优化训练 |
| 2.4 基于P-CMA-ES的参数训练过程 |
| 2.5 小结 |
| 第3章 基于置信规则库的高速列车走行部的智能故障诊断研究 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.2.1 高速列车走行部系统的结构及监测环境 |
| 3.2.2 问题公式化 |
| 3.3 属性的静态、动态可靠性的合理量化 |
| 3.3.1 属性的静态可靠性计算 |
| 3.3.2 属性的动态可靠性计算 |
| 3.4 基于混合可靠性-置信规则库的走行部故障诊断模型 |
| 3.5 BRB-mr 诊断模型的推理过程 |
| 3.6 BRB-mr 诊断模型的参数优化 |
| 3.7 仿真实验 |
| 3.7.1 走行部系统多故障分类的数值仿真 |
| 3.7.2 走行部系统单一故障的真实案例 |
| 3.7.3 对比分析 |
| 3.8 小结 |
| 第4章 基于置信规则库的高速列车走行部的健康状态评估研究 |
| 4.1 引言 |
| 4.2 高速列车走行部系统的机理分析 |
| 4.2.1 高速列车走行部系统故障模式分析及致命程度分析 |
| 4.2.2 介绍高速列车走行部系统的分布式监测环境及其健康状态等级 |
| 4.3 利用奇异值分解对走行部系统的测量数据进行数据预处理 |
| 4.4 利用BRB建立走行部系统健康状态评估模型 |
| 4.5 基于BRB评估模型的知识推理过程 |
| 4.6 仿真实验 |
| 4.6.1 实验数据准备 |
| 4.6.2 建立初始的置信规则库评估模型 |
| 4.6.3 走行部系统健康状态评估结果 |
| 4.6.4 对比分析 |
| 4.7 小结 |
| 第5章 三层不确定性下基于置信规则库的高速列车走行部健康状态评估研究 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 三种不确定性来源的获取 |
| 5.3.1 监测不确定性的量化过程 |
| 5.3.2 环境不确定性的量化过程 |
| 5.3.3 认知不确定性的量化过程 |
| 5.4 建立三层不确定性下基于置信规则库的评估模型 |
| 5.5 三层不确定性下基于置信规则库模型的推理 |
| 5.6 MBRB的性能指标 |
| 5.7 MBRB的参数优化 |
| 5.8 仿真实验 |
| 5.8.1 实验数据准备 |
| 5.8.2 建立初始MBRB评估模型及评估结果 |
| 5.8.3 对比分析 |
| 5.9 小结 |
| 第6章 结论 |
| 6.1 工作总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（3）基于卡尔曼滤波的高速列车走行部故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景与意义 |
| 1.2 国内外研究现状分析 |
| 1.3 研究目标与研究内容 |
| 1.4 论文的组织结构 |
| 第2章 基于多传感器滤波的分布式状态估计 |
| 2.1 引言 |
| 2.2 问题描述 |
| 2.3 多传感器系统滤波 |
| 2.4 仿真实验 |
| 2.5 本章小结 |
| 第3章 走行部系统的退化建模与分布式故障诊断 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.2.1 Wiener过程退化模型 |
| 3.2.2 Hurst指数 |
| 3.3 高速列车转向架系统分布式故障诊断方法 |
| 3.3.1 长程相关过程下的状态修正值计算 |
| 3.3.2 残差生成器设计 |
| 3.4 实验与讨论 |
| 3.4.1 Cincinnati公开数据集验证 |
| 3.4.2 高速列车故障诊断 |
| 3.4.3 对比分析 |
| 3.5 结论 |
| 第4章 走行部系统在耦合特性状态下的故障诊断 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.2.1 高速列车异步牵引电机结构 |
| 4.2.2 卡尔曼滤波的统计推导 |
| 4.3 带有耦合特性参量的系统故障诊断方法 |
| 4.3.1 基于高斯混合模型的Sigma点生成 |
| 4.3.2 非线性系统模型 |
| 4.3.3 基于无迹卡尔曼滤波的状态估计与故障检测 |
| 4.4 实验与讨论 |
| 4.5 结论 |
| 第5章 基于联合神经网络与卡尔曼滤波框架的传感器故障辨识方法 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.2.1 深度学习 |
| 5.2.2 动态系统描述 |
| 5.2.3 问题描述 |
| 5.3 故障辨识方法 |
| 5.3.1 联合深度学习的故障辨识方法概述 |
| 5.3.2 第一个神经网络的工作机制 |
| 5.3.3 第二个神经网络的工作机制 |
| 5.3.4 联合神经网络方法的实现步骤 |
| 5.4 实验结果与讨论 |
| 5.4.1 牵引控制平台与故障介绍 |
| 5.4.2 故障辨识结果 |
| 5.4.3 对比实验与讨论 |
| 5.5 结论 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（4）高速列车走行部监测系统全冗余技术方案研究（论文提纲范文）
| 0?引言 |
| 1?走行部监测系统全冗余架构 |
| 2?走行部监测系统全冗余诊断模型 |
| 2.1?地面诊断模型 |
| 2.2?车载诊断模型 |
| 2.2.1 车载诊断模型架构 |
| 2.2.2 车载诊断模型方案 |
| 3?全冗余轴承诊断系统应用 |
| 4?结语 |
（5）城市轨道交通运营安全风险管控研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 研究现状分析 |
| 1.3 研究目标与内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 2 城市轨道交通运营安全现状与问题分析 |
| 2.1 城市轨道交通运营生产现状 |
| 2.2 国内外运营安全事故及问题分析 |
| 2.2.1 国外部分城市地铁运营事故情况 |
| 2.2.2 国内城市地铁运营事故情况 |
| 2.3 运营安全态势与风险分析 |
| 2.4 案例地铁运营安全生产现状及问题 |
| 2.4.1 运营突发事件监测体系 |
| 2.4.2 运营安全管理体系 |
| 2.4.3 运营生产存在的问题 |
| 2.5 本章小结 |
| 3 城市轨道交通运营安全影响因素与风险分析 |
| 3.1 城市轨道交通系统事故特点分析 |
| 3.2 城市轨道交通运营主要风险分析 |
| 3.3 城市轨道交通运营安全影响因素分析 |
| 3.3.1 人为因素 |
| 3.3.2 设备设施因素 |
| 3.3.3 环境因素 |
| 3.3.4 管理因素 |
| 3.4 本章小结 |
| 4 城市轨道交通运营安全风险评估体系构建 |
| 4.1 LC风险评价方法 |
| 4.1.1 风险分类和识别 |
| 4.1.2 风险辨识内容和方法 |
| 4.1.3 风险评估指标体系 |
| 4.2 风险和机遇控制方法 |
| 4.2.1 风险评价准则 |
| 4.2.2 机遇价值评估与风险应对 |
| 4.3 本章小结 |
| 5 某城市地铁运营企业案例分析 |
| 5.1 安全控制措施 |
| 5.1.1 风险分级管控措施 |
| 5.1.2 全覆盖监控措施 |
| 5.1.3 弓网关系在线监测系统 |
| 5.1.3.1 系统组成 |
| 5.1.3.2 型式试验报告 |
| 5.1.4 走行部在线监测系统 |
| 5.1.4.1 主要功能 |
| 5.1.4.2 关键技术 |
| 5.1.4.3 平台化数据展示 |
| 5.1.4.4 数据分析与故障诊断方案 |
| 5.1.4.5 算法流程说明 |
| 5.1.4.6 系统诊断阈值标准 |
| 5.1.4.7 走行部在线监测数据分析与管理软件 |
| 5.1.5 轨道状态在线监测系统 |
| 5.1.6 车地无线传输系统 |
| 5.1.7 能耗在线监测 |
| 5.1.8 客流量在线监测 |
| 5.2 隐患排查治理措施 |
| 5.2.1 分级治理措施 |
| 5.2.2 隐患风险降低 |
| 5.3 风险管理 |
| 5.3.1 风险管理准备 |
| 5.3.2 风险点评估情况 |
| 5.3.3 部分高风险研判情况 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 论文研究成果 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 A 国外典型城市2000-2017年的地铁事故统计 |
| 附录 B 国内城市2009-2019年的地铁事故及事件统计 |
| 附录 C 危险事件发生可能性分值参考表 |
| 附录 D 危险事件严重度分值参考表 |
| 附录 E 运营安全生产指标内容 |
| 作者简历及攻读硕士期间取得的研究成果 |
| 学位论文数据集 |
（6）面向高速铁路运行安全的智能图像识别方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状及发展趋势 |
| 1.2.1 国内外图像识别技术研究现状及发展趋势 |
| 1.2.2 国内外铁路运行安全图像识别研究现状及发展趋势 |
| 1.3 研究目标及主要内容 |
| 1.4 论文组织结构与技术路线 |
| 1.5 本章小结 |
| 2 图像识别与深度学习相关理论 |
| 2.1 深度学习 |
| 2.1.1 卷积神经网络 |
| 2.1.2 基于卷积神经网络的典型分类模型 |
| 2.1.3 基于卷积神经网络的典型目标检测模型 |
| 2.2 迁移学习 |
| 2.3 主动学习 |
| 2.4 边缘计算 |
| 2.5 本章小结 |
| 3 基于深度主动半监督学习的高铁运行安全图像半自动标注方法 |
| 3.1 引言 |
| 3.2 问题分析 |
| 3.3 基于深度主动半监督学习的高铁运行安全图像半自动标注方法 |
| 3.3.1 基于深度卷积神经网络的迁移学习 |
| 3.3.2 深度主动半监督学习 |
| 3.4 面向动车组运行安全图像半自动标注算法 |
| 3.4.1 子系统分类主动半监督学习策略 |
| 3.4.2 零部件检测主动半监督学习策略 |
| 3.5 试验与分析 |
| 3.5.1 子系统分类标注试验分析 |
| 3.5.2 零部件目标检测标注试验分析 |
| 3.6 本章小结 |
| 4 基于卷积神经网络的动车组运行安全图像缺陷检测方法 |
| 4.1 引言 |
| 4.2 问题分析 |
| 4.3 动车组运行安全图像缺陷检测与分割模型 |
| 4.3.1 基于区域的目标检测算法 |
| 4.3.2 动车组运行安全图像缺陷检测优化方法 |
| 4.4 试验结果与分析 |
| 4.4.1 数据集 |
| 4.4.2 检测与评估 |
| 4.4.3 结果分析 |
| 4.5 本章小结 |
| 5 基于两阶级联轻量级卷积神经网络的高铁接触网悬挂紧固件缺陷识别方法 |
| 5.1 引言 |
| 5.2 问题分析 |
| 5.2.1 高铁接触网悬挂状态监测图像生成 |
| 5.2.2 高铁接触网悬挂状态监测图像的特点 |
| 5.3 高铁接触网悬挂紧固件缺陷识别方法 |
| 5.3.1 紧固件检测模型CSDR-CNN |
| 5.3.2 紧固件缺陷识别网络FastenerNet |
| 5.4 试验验证 |
| 5.4.1 模型训练阶段 |
| 5.4.2 模型测试阶段 |
| 5.5 本章小结 |
| 6 高速铁路运行安全图像智能识别应用总体设计 |
| 6.1 问题分析 |
| 6.2 总体架构 |
| 6.3 功能架构 |
| 6.4 典型应用系统分析 |
| 6.4.1 TEDS系统图像智能识别应用需求分析 |
| 6.4.2 TEDS系统图像智能识别应用设计 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 索引 |
| 作者简历及攻读博士学位期间取得的科研成果 |
| 学位论文数据集 |
（7）基于改进型卷积神经网络的动车组滚动轴承故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究意义与课题背景 |
| 1.2 滚动轴承故障诊断的研究现状 |
| 1.2.1 滚动轴承故障诊断的发展历程 |
| 1.2.2 基于数据驱动的滚动轴承故障诊断 |
| 1.3 论文主要研究内容 |
| 2 基于CNN-BN-SVM的滚动轴承故障识别研究 |
| 2.1 卷积神经网络基本理论简介 |
| 2.1.1 感知器与神经网络 |
| 2.1.2 卷积神经网络基本架构 |
| 2.1.3 卷积神经网络模型的训练算法 |
| 2.2 CNN故障诊断模型的建模分析 |
| 2.2.1 滚动轴承故障数据集 |
| 2.2.2 建模数据预处理 |
| 2.2.3 基于一维输入信号的卷积池化结构设计 |
| 2.2.4 模型参数的设定 |
| 2.2.5 CNN诊断模型建模结果分析 |
| 2.3 CNN-BN-SVM故障诊断模型的建模分析 |
| 2.3.1 基于Dropout、BN的模型优化 |
| 2.3.2 基于SVM分类器的模型优化 |
| 2.4 CNN-BN-SVM故障诊断模型的性能分析 |
| 2.4.1 基于噪声干扰下的模型性能分析 |
| 2.4.2 基于统计学指标的模型性能分析 |
| 2.5 本章小结 |
| 3 动车组走行部轴承检测系统研制与轴承故障数据采集实验 |
| 3.1 动车组走行部轴承检测系统设计 |
| 3.1.1 检测系统的检测流程设计 |
| 3.1.2 软件的总体框架设计 |
| 3.1.3 软件的主要功能模块设计 |
| 3.2 动车组轴箱轴承故障数据采集实验 |
| 3.2.1 故障数据采集实验的必要性 |
| 3.2.2 动车组滚动轴承常见故障分析与实验故障轴承制备 |
| 3.2.3 高速滚振台试验台简介 |
| 3.3 故障数据采集过程与故障数据分析 |
| 3.3.1 故障数据采集实验过程 |
| 3.3.2 故障数据的可用性分析 |
| 3.4 本章小结 |
| 4 基于CNN-CSSVM的动车组轴箱轴承故障识别研究 |
| 4.1 建模数据集 |
| 4.2 CNN-BN-SVM故障诊断模型的建模分析 |
| 4.2.1 建模参数设置 |
| 4.2.2 建模结果分析 |
| 4.3 非平衡数据下的模型优化 |
| 4.3.1 数据不平衡对分类模型的影响 |
| 4.3.2 基于不同层面的模型优化 |
| 4.3.3 基于数据重采样和代价敏感学习的模型优化 |
| 4.4 CNN-CSSVM诊断模型性能的对比分析 |
| 4.4.1 基于信号处理的故障特征提取方法 |
| 4.4.2 各诊断方法的建模结果对比分析 |
| 4.5 基于CNN-CSSVM的检测软件智能识别模块设计 |
| 4.5.1 基于CNN-CSSVM模型的智能识别设计流程 |
| 4.5.2 智能识别模块案例分析 |
| 4.6 本章小结 |
| 5 结论与展望 |
| 5.1 研究结论 |
| 5.2 研究展望 |
| 参考文献 |
| 附录A |
| 附录B |
| 作者简历及攻读硕士期间取得的研究成果 |
| 学位论文数据集 |
（8）基于可靠性分析的地铁列车走行部隐患评估体系研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究综述 |
| 1.3.1 故障诊断技术研究现状 |
| 1.3.2 安全评估研究现状 |
| 1.3.3 隐患评估研究现状 |
| 1.3.4 研究现状评述 |
| 1.4 论文主要内容和结构 |
| 2 地铁列车走行部隐患模式集和隐患分布模型分析 |
| 2.1 隐患评估相关概念和系统运动状态演变 |
| 2.1.1 隐患相关概念及相互关系 |
| 2.1.2 系统运行状态演变过程 |
| 2.2 走行部隐患模式集 |
| 2.2.1 走行部主要结构特点和功能分析 |
| 2.2.2 走行部隐患模式集 |
| 2.3 基于生存分析理论的最佳隐患分布模型 |
| 2.3.1 生存分析理论 |
| 2.3.2 走行部隐患分布模型确定及分析 |
| 2.4 本章小结 |
| 3 基于故障树的模糊贝叶斯网络的可靠性分析 |
| 3.1 故障树模型理论概述 |
| 3.1.1 故障树分析法 |
| 3.1.2 故障树构造方法 |
| 3.2 贝叶斯网络 |
| 3.2.1 贝叶斯方法 |
| 3.2.2 贝叶斯网络 |
| 3.2.3 贝叶斯网络推理 |
| 3.2.4 模糊贝叶斯网络 |
| 3.3 故障树转化为贝叶斯网络规则 |
| 3.4 走行部关键零部件可靠性分析 |
| 3.4.1 走行部故障树建立 |
| 3.4.2 走行部贝叶斯网络模型 |
| 3.4.3 先验概率和条件概率表的确定 |
| 3.4.4 贝叶斯网络模型仿真与分析 |
| 3.5 本章小结 |
| 4 地铁列车走行部多层次隐患评估体系构建 |
| 4.1 隐患指标选取 |
| 4.2 基于改进集成经验模态的滚动轴承隐患特征参量提取 |
| 4.2.1 经验模态分解算法(EMD) |
| 4.2.2 改进的经验模态分解算法(MEEMD) |
| 4.2.3 滚动轴承特征参量提取 |
| 4.3 走行部隐患评估体系构建及等级划分 |
| 4.3.1 走行部隐患评估体系结构 |
| 4.3.2 基于模糊有序加权平均算子的隐患评估等级划分 |
| 4.4 本章小结 |
| 5 基于可拓物元理论和云模型的隐患评估算法研究 |
| 5.1 可拓物元理论和云模型 |
| 5.1.1 可拓物元理论 |
| 5.1.2 云模型 |
| 5.2 可拓云模型 |
| 5.3 博弈论组合赋权的指标权重 |
| 5.3.1 灰色关联模型改进的层次分析法 |
| 5.3.2 熵权法 |
| 5.3.3 博弈论组合权重 |
| 5.4 实例分析-地铁列车走行部隐患体系指标评估算法 |
| 5.4.1 走行部可拓物元理论隐患评估算法 |
| 5.4.2 走行部可拓云模型隐患评估算法 |
| 5.5 本章小结 |
| 6 基于混合智能算法优化的隐患指标预测 |
| 6.1 SVR算法原理 |
| 6.2 遗传混沌粒子群优化算法 |
| 6.2.1 粒子群算法(Paaiele Swarm Optimization,PSO) |
| 6.2.2 混沌惯性权重 |
| 6.2.3 遗传算法(Genetic Algorithm,GA) |
| 6.2.4 GCPSO-SVR混合算法 |
| 6.3 实例分析-车轮尺寸隐患状态预测 |
| 6.3.1 SVR预测模型建立与分析 |
| 6.3.2 PSO-SVR预测模型建立与分析 |
| 6.3.3 GCPSO-SVR预测模型建立与分析 |
| 6.3.4 三种预测模型对比分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 研究内容及结论 |
| 7.2 论文创新点 |
| 7.3 论文不足与未来研究方向 |
| 参考文献 |
| 附录A 2010年到2012年部分故障数据原始统计表 |
| 附录B 轮径值训练样本和测试样本部分原始数据 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（9）轨道车辆动力学安全预警建模及算法理论研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 1.3.1 研究内容及方法 |
| 1.3.2 研究重点及难点 |
| 第二章 安全预警的轨道车辆悬挂系统模型建立 |
| 2.1 Matlab-Simulink简介 |
| 2.2 列车悬挂系统组成 |
| 2.3 悬挂系统的弹簧和阻尼故障 |
| 2.4 安全预警方案和模型 |
| 2.4.1 安全预警方案设计 |
| 2.4.2 安全预警模型 |
| 2.4.3 轨道不平顺信号获取 |
| 2.5 安全预警模型的特点与局限 |
| 2.6 本章小结 |
| 第三章 车辆走行部的安全预警故障统计特征值筛选 |
| 3.1 车辆走行部的安全预警和故障监测概况 |
| 3.2 悬挂系统故障情况以及特征 |
| 3.2.1 弹簧故障 |
| 3.2.2 减震器和阻尼器故障情况 |
| 3.3 故障特征的选择 |
| 3.3.1 故障的时域特征 |
| 3.4 P指标的确立 |
| 3.5 仿真结果分析 |
| 3.5.1 悬挂失效故障P指标分析 |
| 3.5.2 车辆部件性能衰退故障P指标分析 |
| 3.6 本章小结 |
| 第四章 安全预警算法理论研究 |
| 4.1 模糊聚类算法 |
| 4.1.1 聚类分析的概述 |
| 4.1.2 模糊C均值聚类原理 |
| 4.2 BP神经网络算法 |
| 4.2.1 BP神经网络概述 |
| 4.2.2 BP网络模型结构 |
| 4.3 遗传算法 |
| 4.3.1 遗传算法介绍 |
| 4.3.2 遗传算法的概念 |
| 4.3.3 遗传算法的过程 |
| 4.4 本章小结 |
| 第五章 BP神经网络安全预警算法的优化 |
| 5.1 神经网络算法优化方案 |
| 5.2 优化模型的建立 |
| 5.2.1 模型故障的设定 |
| 5.2.2 模型输入参数的确定 |
| 5.2.3 网络结构及故障模式的确定 |
| 5.2.4 数据的预处理 |
| 5.3 仿真实验 |
| 5.4 本章小结 |
| 第六章 统计参数优选结果及优化算法的实验台验证 |
| 6.1 模拟振动实验台简介 |
| 6.2 实验台信号激励系统测试与调试 |
| 6.3 参数优化及算法优化的实验台验证 |
| 6.3.1 试验台实验说明 |
| 6.3.2 参数优化算法及改进算法的实验台验证 |
| 6.3.3 神经网络实时安全预警实验 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究结论 |
| 7.2 课题展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 及取得的相关科研成果 |
| 致谢 |
四、基于旅客列车安全监测系统与神经网络的走行部状态监测研究（论文参考文献）
- [1]列车走行部车载诊断仪软件设计及实现[D]. 梁红燕. 大连理工大学, 2021(01)
- [2]基于置信规则库的高速列车走行部安全性与可靠性方法研究[D]. 王久赫. 长春工业大学, 2021(08)
- [3]基于卡尔曼滤波的高速列车走行部故障诊断[D]. 王威珺. 长春工业大学, 2021(08)
- [4]高速列车走行部监测系统全冗余技术方案研究[J]. 董威,王云飞,张晓宁,朱慧龙. 控制与信息技术, 2020(06)
- [5]城市轨道交通运营安全风险管控研究[D]. 陈文. 北京交通大学, 2020(03)
- [6]面向高速铁路运行安全的智能图像识别方法研究[D]. 周雯. 中国铁道科学研究院, 2020(01)
- [7]基于改进型卷积神经网络的动车组滚动轴承故障诊断方法研究[D]. 荆云建. 北京交通大学, 2019(01)
- [8]基于可靠性分析的地铁列车走行部隐患评估体系研究[D]. 尹怀仙. 北京交通大学, 2019(06)
- [9]轨道车辆动力学安全预警建模及算法理论研究[D]. 蒋永亮. 上海工程技术大学, 2017(03)
- [10]轨道车辆故障诊断研究进展[J]. 刘志亮,潘登,左明健,李兴林. 机械工程学报, 2016(14)