一、无绝缘监测系统移频信号测试方法的研究（论文文献综述）
朱珂雨[1]（2021）在《无绝缘轨道电路建模及仿真研究》文中进行了进一步梳理随着高速铁路的飞速发展,我国对满足高速铁路的安全性、舒适性以及可靠性等要求越来越高,无绝缘轨道电路和无砟轨道技术成为高速铁路建设的两项关键性技术,在我国高速铁路中得到广泛的应用。无绝缘轨道电路通过电气绝缘替代故障率高的机械绝缘接头,提高了轨道电路检测钢轨线路是否被占用、传递列车信息等功能的可靠性,以此保证高速列车安全高效的运行。无砟轨道采用混凝土、沥青混合料等为基础的含有钢筋网络的整体道床代替有砟轨道中的散粒碎石道床,具有稳定性高、易于维修、耐久性强等优点。而无砟轨道其横纵交错的钢筋网络结构使轨道电路一次参数发生很大变化,影响了轨道电路的传输性能。因此,搭建无绝缘轨道电路仿真模型,开展轨道电路一次参数变化对轨道电路工作性能的研究具有重要意义。首先,本文结合ZPW-2000A介绍了无绝缘轨道电路的结构及其工作原理,并分析轨道电路一次参数分布情况得到一次参数计算原理,利用传输线四端口网络理论构建无绝缘轨道电路各模块的数学模型,然后建立了无绝缘轨道电路仿真模型,并通过现场采集轨道的沿线电压电流信号验证模型的有效性。其次,基于建立的无绝缘轨道电路模型,研究轨道电路一次参数泄露电感、钢轨电阻,以及轨道电路电源幅值、电源频率、补偿电容等参数变化对钢轨沿线传输电压、电流变化的影响规律,为无绝缘轨道电路设计、优化提供理论依据,同时为无绝缘轨道传输性能分析提供可靠的分析模型。最后,基于无绝缘轨道电路仿真模型,模拟钢轨不同位置故障情况,结合遗传算法优化的神经网络开展轨道电路故障位置诊断研究,为进一步保证行车安全、提高运输效率、改善工作条件和提升运营管理指挥水平提供参考。
臧浩月[2]（2021）在《基于集对分析的ZPW-2000A轨道电路故障诊断》文中提出ZPW-2000A无绝缘轨道电路是铁路信号的基础设备之一,其设备能否正常工作,直接关乎行车安全和铁路运输效率。因此,对轨道电路检测及诊断至关重要。但目前轨道电路的状态评估和故障判别采用人工分析监测曲线和数据,存在检测实时性差,忽略早期微弱的故障征兆变化情况,没有考虑到轨道电路状态信息具有信息不全,故障随机,状态等级模糊造成的不确定性问题及不确定性问题之间的动态关系。鉴于此,对于轨道电路运行状态和故障诊断的研究具有重大研究意义。依据某局电务段实际轨道电路监测数值,将集对分析、隶属函数及聚类原理相结合,实现对轨道电路故障诊断的研究,并给出相应的维修建议。本文主要研究内容如下:首先,介绍ZPW-2000A轨道电路的基础理论,分析监测系统,提取所需数据,总结归纳故障类型及对运行状态产生的影响,依据技术规范结合实际情况对轨道电路特征参数进行提取,选取能够表征运行状态的典型故障类型及对应的故障征兆,为研究轨道电路故障诊断奠定了理论基础。然后,针对目前缺少轨道电路电压征兆与运行状态之间的描述,分析故障征兆与故障类型之间的关系,建立故障征兆集,引入集对分析,建立故障类型联系数。根据轨道电路运行状态等级的划分,确定联系数元数,构建运行状态等级联系数表达式:针对轨道电路状态等级划分具有边界模糊性,结合隶属函数确定同异反评价矩阵,建立联系隶属度,采用均分法对差异度系数进行取值,构成差异系数矩阵。对于权重系数的计算则利用熵权法建立指标权重区间,结合联系数分别从“同异反”三方面进行权重计算,得到最终权重精确值,提高故障诊断准确度,解决了专家主观意见对于权重值确定的影响。根据所得轨道电路整体运行状态和各类故障类型的联系数值,对比状态等级的划分,确定轨道电路当前运行状态。最后,建立各参照系统及样本联系数,根据状态分析的结果,利用同异反择近原则结合聚类思想,基于距离度量对故障状态进行诊断,快速确定故障类型。充分利用监测数据,使影响现场的设备能够由“故障修”向“状态修”过渡,提高运行效率。以电务段历史数据进行实例验证,并与同为处理不确定性效果较好的智能算法进行对比分析,结果表明所提方法应用在轨道电路中具有优越性及较高的准确性。
王坤[3]（2021）在《基于机器学习的铁路信号设备故障预警系统的设计与实现》文中提出铁路信号设备主要有道岔转辙机、轨道电路和信号机三种。现行的铁路信号设备故障预警方法多为阈值法,由于铁路信号设备的工作环境复杂,阈值法容易因受到周遭环境因素的影响而误报警或不报警。所以开发能够对铁路信号设备故障进行预警且鲁棒性更强的方法,对保障铁路交通运输安全、高效的运行具有重要意义。本文使用深度学习模型来实现铁路信号设备的故障预警,使用神经网络来学习铁路信号设备运行电气数据中和故障相关的特征,并使用注意力机制为特征动态分配权重,从而使得模型能够准确的对铁路信号设备的运行状态进行预测,进而实现故障预警。具体工作如下:（1）根据道岔转辙机的非连续且会在列车驶来前完成动作的工作特点,以道岔转辙机工作电压和电流作为特征数据,提出了基于实时故障预测方法的道岔转辙机故障预警方法。使用神经网络自动提取数据中和故障相关的特征,完成故障预测,并根据预测结果完成对道岔转辙机的故障预警。实验结果表明本文的道岔故障预警方法具有一定的有效性。（2）根据轨道电路和铁路信号机的连续工作特点,通过分析其运行时的电气特征数据,提出了基于动态阈值预测方法的轨道电路和信号机故障预警方法。使用基于长短时记忆网络的编码器-解码器结构,对设备后续运行状态进行预测。根据预测值和3σ原则设置阈值上限和下限,完成轨道电路和信号机的故障预警。实验结果表明本文的轨道电路和信号机故障预警方法具有一定的有效性。（3）使用PyQt框架构建铁路信号设备故障预警系统,实现对模型的封装。通过使用封装好的功能模块,使用人员可以很方便的使用数据预处理、模型训练和模型评估功能来进行铁路信号设备的故障预警任务。
王宇琦[4]（2021）在《基于栈式降噪自编码网络的无绝缘轨道电路调谐区故障诊断研究》文中进行了进一步梳理无绝缘轨道电路是铁路信号系统的地面设备之一,用于实现列车占用检查及车地信息传输。调谐区作为无绝缘轨道电路的重要组成部分,其目的是实现相邻两区段的电气隔离,调谐区发生故障将直接影响轨道电路的信号传输,降低行车效率甚至威胁行车安全。目前,对于调谐区的故障排查主要依赖于故障检测车,该方法过于依赖于人工且成本较高。为了提高调谐区故障诊断效率、降低维护成本,本文提出了基于栈式降噪自编码网络的诊断方法,论文的主要研究内容如下:（1）将ZPW-2000A无绝缘轨道电路作为研究对象,结合传输线理论分别建立调整状态下及分路状态下的理论模型,并根据分布参数法推导出模型参数。针对调谐区常见故障模式,在分路条件下分别推导出对应的四端网模型,并求解出分路电压函数表达式。（2）在分路状态下分别对轨道电路正常状态、调谐区不同故障状态、补偿电容故障状态下的轨面电压波形进行仿真,分析不同模式轨面电压走势变化规律。采用经验模态分解方法、总体经验模态分解方法、完全总体经验模态分解方法（Complementary Ensemble Empirical Mode Decomposition,CEEMD）对轨面电压进行分解。经过分析与对比,CEEMD分解效果最佳,可有效提取调谐区不同故障状态下的特征。（3）根据调谐区故障数据集特点,搭建基于栈式降噪自编码网络的诊断模型。栈式降噪自编码网络利用自编码器进行无监督学习,BP神经网络负责反向调优,通过不断调整网络参数使模型收敛。通过设置不同隐含层节点数构建多个隐含层组合,经过多次训练,确定出解决调谐区故障分类问题的最佳隐含层组合,并采用评价指标对模型进行评估。结果表明,基于栈式降噪自编码网络的诊断模型可实现调谐区不同故障模式的有效分类,诊断准确率可达97%以上。（4）针对分类模型网络结构随机确定引发的诊断精度问题,提出基于粒子群遗传算法的栈式降噪自编码优化方法。在粒子群算法中引入交叉、变异、淘汰机制等思想,实现粒子群和遗传算法的融合,避免算法陷入局部最优,提高收敛速度。通过仿真实验验证,该优化算法针对分类模型可快速构建网络结构,优化后的诊断模型较浅层神经网络、支撑向量机及原生栈式降噪自编码模型有着更高的故障识别率。图58幅,表11个,参考文献62篇。
卢皎[5]（2021）在《基于神经网络的ZPW-2000R轨道电路故障诊断研究》文中提出铁路信号系统对于轨道交通的安全运行具有重要作用。目前,我国铁路区间段广泛铺设的ZPW-2000R型无绝缘轨道电路是铁路信号系统的重要组成部分。轨道电路常年工作于室外,环境复杂,是故障多发设备,然而现有故障诊断主要依靠现场工作人员定时检修和分析微机监测的数据并通过电路原理来判断。如何尽早预防故障,及时发现故障,准确定位故障,更快进行故障维修,是迫切需要解决的问题,因此,本文对基于神经网络的ZPW-2000R型轨道电路故障诊断方法进行了深入研究,所做工作如下:（1）对轨道电路原理进行深入分析得到常见故障类型,设计正交实验并通过实验室轨道电路模拟道床进行实验获取监测数据,对数据进行整理分析并根据不同的情况划分不同的网络结构。（2）针对有室外监测设备情况下监测数据较多,网络模型较复杂的情况,提出基于多个并行BP神经网络的故障诊断模型,将故障类型先划分为三大类,再区分29种故障的方式,通过仿真实验证明故障诊断准确率较高。针对无室外监测设备情况下监测数据不完善的情况,提出基于RBF神经网络的故障诊断模型,通过仿真实验证明,其对发送通道故障和轨道故障的诊断准确率较高,而对接收通道的故障诊断准确率较低,但可以为现场工作人员提供参考。（3）针对有室外监测设备情况下监测变量多,故障类型复杂的情况,提出基于卷积神经网络的故障诊断模型,该模型可以直接快速判断出属于29种故障的概率,可以为现场检修人员提供指导,更快速判断出故障类型。从诊断结果可以看出,BP神经网络、RBF神经网络、卷积神经网络都适用于ZPW-2000R型轨道电路故障诊断。BP神经网络更适用于处理监测变量较为全面的情况,RBF神经网络对于数据缺失的情况同样具有较好的效果,卷积神经网络则适用于多分类问题,可以快速判断29种故障类型。本文结合计算机采集的监测数据,采用神经网络算法实现轨道电路智能故障诊断,代替了原有的依靠维修人员经验和电路原理来进行故障诊断的方法,提高了故障诊断效率。最后,总结本文研究内容,并对轨道电路未来故障诊断发展进行展望。
蔺苗苗[6]（2020）在《基于粗糙集和图论的ZPW-2000A无绝缘轨道电路故障诊断方法研究》文中提出ZPW-2000A无绝缘轨道电路是列车运行的安全保障和铁路运输设备的重要组成部分。若ZPW-2000A无绝缘轨道电路在列车运行时出现故障,很有可能使得列车发生事故,不仅会造成经济损失,甚至会伤及生命健康。为了提高铁路的运输效率,并保证列车安全运行,对ZPW-2000A无绝缘轨道电路的维护是至关重要的。迄今为止,人工测试分析方式是ZPW-2000A无绝缘轨道电路的主要判别监测方式。该监测方式存在判别难度大、时间长、效率低等缺陷。本文对ZPW-2000A无绝缘轨道电路历史故障数据进行分析,将粗糙集和图论理论相融合,对ZPW-2000A无绝缘轨道电路进行故障诊断,尽可能的弥补上述缺陷。本文所做研究如下所示:首先,分析ZPW-2000A无绝缘轨道电路的结构及其工作原理,并对铁路信号集中监测系统中的监测类型和监测原理进行分析。在一般故障诊断方法的基础上,本文提出ZPW-2000A轨道电路故障诊断方法。其次,以ZPW-2000A无绝缘轨道电路的微机监测记录数据为基础,通过分析该轨道电路的历史故障数据及现场应用情况,提取发送电源、轨出1、轨出2、主轨道输入电压、小轨道输入电压、XGJ电压、XG电压、GJ电压以及发送功出等设备电压状况作为特征属性。根据历史故障数据和专家经验构建故障诊断信息系统,建立故障诊断决策表并构造其加权多部决策表图和邻接矩阵,完成属性约简,获得约简属性,得到最简属性约简表。再次,对决策规则的分级、故障信息覆盖度以及Rete算法的规则网络结构图进行介绍。依照故障信息覆盖度和置信度的大小,从核属性开始对故障规则进行提取。提出基于Rete算法的规则匹配算法。最后,利用Labview和Matlab完成了ZPW-2000A无绝缘轨道电路诊断系统的设计及实现。根据现场测试数据对本文故障诊断系统进行测试,由测试结果可知,本文的故障诊断系统误判个数相较于基于模糊认知图的轨道电路故障诊断方法有所改善,其误判率明显低于基于模糊认知图的误判率。
杨璟[7]（2020）在《ZPW-2000轨道电路暂态故障诊断研究》文中研究表明ZPW-2000轨道电路是我国铁路信号系统中不可或缺的关键设备之一。ZPW-2000轨道电路是自动完成列车占用状态检查的铁路信号设备,其工作质量直接影响铁路运输的效率,也是列车安全运行的重要保障。轨道电路故障模式复杂,维护人员处理故障时间较长,严重影响铁路运输秩序,是铁路信号现场维护的难点。探索各种智能诊断方法来缩短故障处理时间,提升轨道电路故障维护效率,正成为人们关注的热点。然而,在ZPW-2000轨道电路故障诊断研究中大多基于集中监测系统获取的电压值或电流值、机车或动检车采集的感应信号,对稳态值进行分析处理。此类方法对故障机理明确或有较多历史故障信息的显性故障诊断精度较高,但在稳态条件下可能忽略正常与故障状态之间的暂歇性波动状态,其故障信息较少或无故障信息。如果只对正常和故障两种状态进行判别,很难满足铁路现场对轨道电路设备的诊断要求。本文针对稳态条件下时效性不足的问题,通过Simulink建立ZPW-2000轨道传输模型,利用西南交大峨眉校区轨道电路试验基地采集数据,并对暂态过程多故障进行分析。具体研究内容如下:（1）基于Simulink模型对ZPW-2000轨道电路进行建模,并对轨道电路各组成部分进行仿真分析,为后续的轨道电路暂态故障诊断提供数据支持。（2）根据峨眉校区轨道电路试验基地的系统配置,开展ZPW-2000轨道电路数据采集的软硬件方案研究。针对轨道电路数据采集特点选择合适采集单元,编写Lab VIEW数据采集操作界面,完成了轨道电路8种常见故障的模拟数据采集。基于采集的模拟数据,验证了Simulink轨道电路模型的正确性。（3）针对轨道电路暂态故障特征不明显、易被噪声影响等问题,引入梅尔频率倒谱算法实现轨道电路故障暂态电压信号的特征提取。为进一步解决MFCC算法特征提取维度较高的问题,使用主成分分析（PCA）算法做降维处理。以轨道电路故障暂态信号为输入,经过特征提取及属性约简后,利用Fisher判别准则寻找最优特征集。结果表明采用八维特征信息时,轨道电路故障暂态信号的特征提取效果更好。（4）研究轨道电路故障暂态信号的诊断模型。本文对暂态信号的特点进行分析,构建了暂态故障模板库系统。针对扩充模板库数据带来冗余的问题,利用K-means聚类算法实现模板库的自适应优化。通过分析动态时间规则（DTW）算法的工作原理,利用DTW对测试数据与模板库数据进行动态匹配,从而实现轨道电路暂态故障的诊断。结果表明,构建的自适应模板库和DTW模型能够对轨道电路的暂态信号进行有效诊断。最后,对文章的研究内容进行总结,并展望未来研究内容。
谢旭旭[8]（2020）在《基于深度信念网络的无绝缘轨道电路故障诊断研究》文中提出近年来,高速铁路迅速发展,成为人们日常出行的首选交通工具之一,与此同时,人们对其安全性和运行效率提出了更高的要求。轨道电路是列车运行控制系统的重要组成部分,是保证列车安全运行必不可少的基础信号设备,轨道电路一旦发生故障,会直接影响列车行车效率甚至危及行车安全。目前,针对轨道电路的故障排查主要依靠维修人员经验,存在故障排查效率低、劳动强度大等问题。如何提高轨道电路故障诊断的智能化水平,快速高效地对故障做出判断成为电务人员亟待解决的一大难点。本文针对轨道电路的特点,在借鉴现有研究成果的基础上,做出以下几点研究:（1）以ZPW-2000A无绝缘轨道电路作为研究对象,介绍系统的设备构成与工作原理,并总结出15种常见故障模式。在调整状态下,建立基于四端网络理论的无绝缘轨道电路等效模型,结合具体参数利用分布参数法推导出各个监测点的数值,通过设置不同的故障参数,完成故障数据的采集。（2）提出了基于深度信念网络的无绝缘轨道电路故障诊断方法,并给出诊断过程总体框图。以输入样本的维度和故障类别构建深度信念网络,同时采用对比散度算法和BP算法进行无监督训练和有监督地反向调优,从而挖掘数据内部特征,建立特征与状态之间复杂的非线性关系。考虑到深度信念网络结构对故障诊断结果的影响,设置多个隐含层组合,并利用模拟数据进行仿真分析,实验结果表明6层结构的故障诊断模型性能最佳,可达到较好的诊断效果。（3）针对深度信念网络训练过程中网络结构需手动调整的问题,提出基于动态增添算法和粒子群算法相结合的优化框架,以自动获取最优参数配置。首先采用动态增添算法,通过误差和误差下降速率对层数进行补偿,获取满足精度要求的最简网络结构。之后以分类错误率作为适应度函数,利用粒子群算法对隐含层节点数进行优化,确定出用于解决轨道电路故障诊断问题的最佳隐含层组合。通过仿真实验结果可知,优化后的深度信念网络在具有较高训练效率的同时,能达到98.667%的故障识别率。（4）结合以上研究,采用C#语言、My SQL数据库及混合编程技术开发出故障诊断系统,并利用实际故障数据进行诊断测试,验证了系统的可行性与有效性,同时证明了算法在实际系统中具有可行的实用价值。
田粉霞[9]（2020）在《基于深度学习的无绝缘轨道电路故障诊断》文中认为近些年,随着社会及经济的发展,对铁路运输能力提出更高的要求。轨道电路作为铁路信号的基础设备,用来向列车发送列控系统下发的行车信息,并完成列车占用检测及完整性检查,因此在保证列车安全可靠运行方面占据重要作用。随着我国铁路运营里程的增加,轨道电路的数量递增,且轨道电路设备长期工作在室外,环境复杂,易导致故障,而人工检修存在实时性低、危险性高的缺点,论文针对现有诊断系统及研究中存在的问题实现基于现有监测数据的轨道电路故障诊断。基于上述背景,本文的主要工作包括以下几个方面:首先,查阅相关标准及现场调研,确定现有不同诊断系统依赖的监测数据,根据不同的监测系统提出相应的解决方案。明确监测数据后,根据轨道电路传输线模型,对不同位置的监测数据进行仿真,并与实际测试数据对比,确定模型的有效性,用来产生除实测数据以外的训练数据。其次,在地面监测数据故障诊断方面,针对有室外地面监测数据的诊断系统,考虑到监测数据中含有噪声,故采用栈式降噪自编码实现故障诊断,通过调整算法结构及参数,诊断精度达到99.63%。论文重点针对无室外地面监测数据的诊断系统进行研究,其难点在于调谐区的实时在线故障诊断,目前该问题通常借助车载数据实现诊断,但时效性较低;论文通过分析调谐区的工作原理,提出了将故障诊断数据扩展到相邻区段集中监测数据的解决方案,由于故障特征不足,当算法结构及参数与室外监测系统相同时,区间故障类型无法识别,论文进一步采用卷积运算对栈式降噪自编码进行优化,提高算法局部特征提取能力,实现了无室外监测系统时包括调谐区故障在内的实时在线故障诊断。最后,在车载数据故障诊断方面,建立单轮对及多轮对列车分路模型,全区间正常分路时采用单轮对分路模型,区间局部分路不良时采用多轮对分路模型,形成不同运行场景下补偿电容故障的机车车载信号电压数据,算法采用卷积神经网络,通过分析算法分类原理建立错误标签数据集的方式,解决了诊断测试中出现的由于标签错误导致诊断正确率降低的问题,在论文给出的测试条件下,诊断精度可达到97.74%,验证了模型的有效性。
刘欢[10]（2020）在《基于无监督学习的轨道电路故障诊断》文中研究表明轨道电路作为铁路信号系统关键的设备之一,具有列车占用监督、行车信号传递和断轨检查等功能,它的工作状态直接影响了铁路行车安全与效率。由于设备种类多、结构复杂、工作时间长、工作环境开放等特性,轨道电路设备故障频发。目前,一些铁路电务智能监测系统已经实现了对轨道电路电气特性的采集,并依照轨道电路调整表事先设定好阈值,当采集曲线超过阈值时,会给出相应的故障报警。但是在某些异常情况下,轨道电路会出现不超过阈值的波动。针对这些故障,目前还没有较好的诊断方法。本文以主轨出电压采集数据为研究对象,基于无监督学习的方法,建立故障诊断模型。首先,对轨道电路的监测采集数据进行分析,基于主轨出电压产生机理、故障表征范围和异常易捕捉性,选取主轨出电压作为研究对象。根据主轨出电压曲线特性,运用莱茵达准则等方式对曲线进行提取,分析出轨道电路典型故障。然后采用基于统计的方法对主轨出电压数据进行特征提取,利用相关性分析选取特征并进行PCA降维处理。其次,分别采用k-means算法、DBSCAN算法、PAM算法和CLARA算法建立聚类模型,并进行模型评估和结果对比分析。基于各无监督学习算法的优劣性,采用基于权重投票的方式建立集成聚类模型,与前几类单独的聚类模型比较,分析得出集成聚类模型效果更佳。最后,依据集成聚类模型和基于聚类的故障诊断方法,开发ZPW-2000A轨道电路故障诊断系统。设计用户登录、数据采集、数据预处理、聚类融合建模、故障诊断、历史查询、故障存储与统计等七大模块,并展示系统运行结果。
二、无绝缘监测系统移频信号测试方法的研究（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、无绝缘监测系统移频信号测试方法的研究（论文提纲范文）
（1）无绝缘轨道电路建模及仿真研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容和章节安排 |
| 第二章 无绝缘轨道电路 |
| 2.1 无绝缘轨道电路及一次参数 |
| 2.1.1 钢轨阻抗 |
| 2.1.2 泄漏导纳 |
| 2.2 ZPW-2000A型无绝缘轨道 |
| 2.3 本章小节 |
| 第三章 轨道电路的集总参数电路建模研究 |
| 3.1 基于传输线四端口网络集总参数模型 |
| 3.1.1 传输线四端口网络 |
| 3.1.2 轨道电路各结构数学模型 |
| 3.2 四端口轨道电路模型验证 |
| 3.3 本章小结 |
| 第四章 轨道电路参数影响分析 |
| 4.1 电源幅值影响解析 |
| 4.2 电源频率影响解析 |
| 4.3 泄露电感影响解析 |
| 4.4 钢轨电阻影响解析 |
| 4.5 绝缘电阻影响解析 |
| 4.6 补偿电容影响解析 |
| 4.7 故障位置影响解析 |
| 4.8 本章小节 |
| 第五章 基于遗传算法优化的神经网络轨道电路故障位置诊断 |
| 5.1 BP神经网络 |
| 5.2 遗传算法 |
| 5.3 基于GA优化的BP神经网络对轨道位置故障位置诊断 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（2）基于集对分析的ZPW-2000A轨道电路故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断研究现状 |
| 1.2.2 ZPW-2000A轨道电路故障诊断研究现状 |
| 1.2.3 集对分析研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文基本框架 |
| 2 ZPW-2000A轨道电路及故障诊断框架 |
| 2.1 轨道电路系统构成及原理 |
| 2.2 轨道电路监测信息 |
| 2.3 轨道电路故障分析及特征提取 |
| 2.3.1 轨道电路故障分析 |
| 2.3.2 轨道电路故障特征提取 |
| 2.4 轨道电路故障诊断框架 |
| 2.5 本章小结 |
| 3 基于集对分析和隶属函数的轨道电路运行状态评估模型的建立 |
| 3.1 集对分析理论 |
| 3.1.1 联系数 |
| 3.1.2 区间数的联系数形式 |
| 3.1.3 不确定性系数确定方法 |
| 3.2 隶属函数 |
| 3.2.1 数据处理 |
| 3.2.2 联系隶属度 |
| 3.3 轨道电路运行状态划分及状态量的选取 |
| 3.3.1 轨道电路运行状态等级的划分 |
| 3.3.2 轨道电路运行状态量的选取 |
| 3.4 轨道电路同异反评价矩阵 |
| 3.5 指标权重的计算 |
| 3.5.1 熵权法计算权重区间值 |
| 3.5.2 集对分析确定权重精确值 |
| 3.6 轨道电路运行状态评估模型的建立 |
| 3.7 算例分析 |
| 3.8 本章小结 |
| 4 基于集对分析结合聚类原理的ZPW-2000A轨道电路故障诊断 |
| 4.1 基于集对分析的聚类原理 |
| 4.2 轨道电路故障诊断模型的建立 |
| 4.3 模型结果诊断性能指标 |
| 4.4 算例分析 |
| 4.5 维修方案 |
| 4.6 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（3）基于机器学习的铁路信号设备故障预警系统的设计与实现（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 道岔转辙机故障预警 |
| 1.2.2 轨道电路故障预警 |
| 1.2.3 铁路信号机故障预警 |
| 1.2.4 电气设备故障预警 |
| 1.3 本文的主要研究内容 |
| 第2章 铁路信号设备概述及故障分析 |
| 2.1 铁路信号设备概述 |
| 2.1.1 道岔转辙机概述 |
| 2.1.2 轨道电路概述 |
| 2.1.3 铁路信号机概述 |
| 2.2 铁路信号设备故障分析 |
| 2.2.1 道岔转辙机故障分析 |
| 2.2.2 轨道电路故障分析 |
| 2.2.3 铁路信号机故障分析 |
| 2.3 本章小结 |
| 第3章 基于神经网络的道岔故障预警方法 |
| 3.1 引言 |
| 3.2 道岔动作曲线分析 |
| 3.3 基于CNN-ATT-LSTM的道岔故障预警方法 |
| 3.3.1 哈尔小波变换 |
| 3.3.2 卷积神经网络 |
| 3.3.3 自注意力机制 |
| 3.3.4 长短时记忆网络 |
| 3.3.5 CNN-ATT-LSTM网络方法 |
| 3.4 基于CNN-ATT-LSTM模型的道岔故障预警流程 |
| 3.4.1 数据处理 |
| 3.4.2 故障预警流程 |
| 3.5 实验验证 |
| 3.5.1 数据初始化 |
| 3.5.2 神经网络超参数设置 |
| 3.5.3 实验结果 |
| 3.5.4 对比实验 |
| 3.6 本章小结 |
| 第4章 基于神经网络的轨道电路和信号机的故障预警方法 |
| 4.1 引言 |
| 4.2 历史数据分析 |
| 4.2.1 轨道电路历史数据分析 |
| 4.2.2 信号机历史数据分析 |
| 4.3 编码器-解码器结构 |
| 4.4 Dropout正则化 |
| 4.5 轨道电路和信号机故障预警方法 |
| 4.5.1 模型构建 |
| 4.5.2 轨道电路和信号机故障预警流程 |
| 4.6 实验验证 |
| 4.6.1 数据初始化 |
| 4.6.2 神经网络超参数设置 |
| 4.6.3 实验结果 |
| 4.6.4 对比实验 |
| 4.7 本章小结 |
| 第5章 铁路信号设备故障预警系统设计 |
| 5.1 故障预警系统分析 |
| 5.2 故障预警系统总体方案设计 |
| 5.3 故障预警系统实现 |
| 5.3.1 用户管理 |
| 5.3.2 数据预处理 |
| 5.3.3 模型训练 |
| 5.3.4 模型评估 |
| 5.4 系统测试 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）基于栈式降噪自编码网络的无绝缘轨道电路调谐区故障诊断研究（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 故障诊断的研究现状 |
| 1.2.2 轨道电路故障诊断研究现状 |
| 1.3 论文研究内容及架构 |
| 2 无绝缘轨道电路工作原理与建模分析 |
| 2.1 ZPW-2000A无绝缘轨道电路系统 |
| 2.1.1 系统构成 |
| 2.1.2 ZPW-2000A无绝缘轨道电路系统工作原理 |
| 2.1.3 调谐区工作原理 |
| 2.2 无绝缘轨道电路建模 |
| 2.2.1 四端网建模原理 |
| 2.2.2 调整状态下轨道电路建模 |
| 2.2.3 分路状态下轨道电路建模 |
| 2.3 调谐区故障状态下轨道电路建模 |
| 2.3.1 调谐区常见故障分析 |
| 2.3.2 调谐区故障状态下建模 |
| 2.4 本章小结 |
| 3 ZPW-2000A轨道电路轨面电压仿真与特征提取 |
| 3.1 轨道电路正常状态下的轨面电压仿真分析 |
| 3.2 调谐区故障状态下轨面电压仿真分析 |
| 3.2.1 调谐区故障状态时对轨面电压仿真波形的影响分析 |
| 3.2.2 补偿电容故障对轨面电压仿真波形的影响分析 |
| 3.3 模态分解方法基本理论 |
| 3.3.1 经验模态分解(EMD)方法 |
| 3.3.2 总体经验模态分解(EEMD)方法 |
| 3.3.3 完全总体经验模态分解(CEEMD)方法 |
| 3.4 轨面电压特征量的提取 |
| 3.5 本章小结 |
| 4 基于栈式降噪自编码网络的故障诊断研究 |
| 4.1 栈式降噪自编码网络 |
| 4.1.1 降噪自编码器 |
| 4.1.2 栈式降噪自编码网络的基本结构 |
| 4.2 SDAE分类算法训练过程 |
| 4.3 SDAE关键参数 |
| 4.4 性能评价指标 |
| 4.5 基于SDAE的无绝缘轨道电路调谐区故障诊断 |
| 4.5.1 仿真实验流程 |
| 4.5.2 故障数据获取 |
| 4.5.3 SDAE的训练过程 |
| 4.5.4 结果与分析 |
| 4.6 本章小结 |
| 5 基于PSO-GA-SDAE的调谐区故障诊断研究 |
| 5.1 粒子群遗传算法 |
| 5.1.1 粒子群算法 |
| 5.1.2 遗传算法 |
| 5.1.3 PSO-GA算法 |
| 5.2 基于PSO-GA优化的SDAE故障诊断流程 |
| 5.3 仿真结果与分析 |
| 5.3.1 算法仿真 |
| 5.3.2 算法对比 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 参考文献 |
| 图索引 |
| 表索引 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）基于神经网络的ZPW-2000R轨道电路故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景意义 |
| 1.2 国内外研究综述 |
| 1.3 研究内容与创新之处 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线图 |
| 1.3.3 创新之处 |
| 2 ZPW-2000R轨道电路原理及故障数据采集 |
| 2.1 ZPW-2000R轨道电路原理 |
| 2.2 ZPW-2000R轨道电路故障数据采集 |
| 2.2.1 轨道电路故障类型划分 |
| 2.2.2 正交实验设计 |
| 2.3 本章小结 |
| 3 基于BP和RBF神经网络的轨道电路故障诊断研究 |
| 3.1 有室外监测设备时的轨道电路故障诊断 |
| 3.1.1 BP神经网络基本结构和算法流程 |
| 3.1.2 基于BP神经网路的轨道电路故障诊断 |
| 3.1.3 实验研究——有室外监测设备的三种神经网络 |
| 3.2 无室外监测设备时的轨道电路故障诊断 |
| 3.2.1 RBF神经网络基本结构和算法流程 |
| 3.2.2 实验研究——无室外监测设备的三种神经网络 |
| 3.3 本章小结 |
| 4 基于卷积神经网络的轨道电路故障诊断研究 |
| 4.1 卷积神经网络基本结构和算法流程 |
| 4.1.1 卷积神经网络结构 |
| 4.1.2 卷积神经网络训练过程 |
| 4.1.3 基于CNN的轨道电路故障诊断 |
| 4.2 实验研究 |
| 4.2.1 数据集划分 |
| 4.2.2 网络参数设定 |
| 4.2.3 实验结果 |
| 4.3 本章小结 |
| 5 结论 |
| 参考文献 |
| 作者简历 |
（6）基于粗糙集和图论的ZPW-2000A无绝缘轨道电路故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文的选题背景和研究意义 |
| 1.2 ZPW-2000A无绝缘轨道电路故障诊断研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文的主要研究内容与章节安排 |
| 2 ZPW-2000A无绝缘轨道电路及故障诊断 |
| 2.1 ZPW-2000A无绝缘轨道电路的结构和工作原理 |
| 2.1.1 系统结构 |
| 2.1.2 工作原理 |
| 2.2 ZPW-2000A无绝缘轨道电路监测维护系统 |
| 2.2.1 信息采集设备 |
| 2.2.2 信息采集原理 |
| 2.2.3 信息采集种类 |
| 2.2.4 信息采集种类判断标准 |
| 2.3 ZPW-2000A无绝缘轨道电路的诊断分析 |
| 2.3.1 常见故障诊断方法 |
| 2.3.2 ZPW-2000A轨道电路故障诊断方法 |
| 2.4 本章小结 |
| 3 粗糙集理论与图论概述 |
| 3.1 粗糙集基本理论 |
| 3.1.1 信息系统 |
| 3.1.2 等价与不可区分关系 |
| 3.1.3 粗糙近似与域 |
| 3.1.4 差别矩阵 |
| 3.1.5 属性依赖度、重要性与信息熵 |
| 3.2 属性约简 |
| 3.2.1 基于信息熵的属性约简方法 |
| 3.2.2 基于主分量启发式的属性约简方法 |
| 3.2.3 基于属性重要度的属性约简方法 |
| 3.3 图论 |
| 3.3.1 图论的基本概念 |
| 3.3.2 图的矩阵表示 |
| 3.4 Rete算法 |
| 3.5 本章小结 |
| 4 基于粗糙集和图论的故障诊断方法 |
| 4.1 属性约简 |
| 4.1.1 属性约简基本概念 |
| 4.1.2 利用加权多部决策表图判断核属性 |
| 4.1.3 基于邻接矩阵的属性约简 |
| 4.1.4 属性约简的复杂度分析 |
| 4.1.5 ZPW-2000A无绝缘轨道电路特征电压属性约简 |
| 4.2 决策规则的分级与故障信息覆盖度 |
| 4.2.1 决策规则的分级 |
| 4.2.2 故障信息覆盖度 |
| 4.2.3 故障信息覆盖度的计算 |
| 4.2.4 ZPW-2000A无绝缘轨道电路规则提取 |
| 4.3 基于Rete算法的规则匹配 |
| 4.4 本章小结 |
| 5 基于粗糙集和图论的轨道电路故障系统 |
| 5.1 ZPW-2000A轨道电路故障诊断系统设计 |
| 5.2 ZPW-2000A轨道电路故障诊断系统实现 |
| 5.3 系统测试 |
| 5.4 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（7）ZPW-2000轨道电路暂态故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 轨道电路故障诊断研究现状 |
| 1.2.2 轨道电路建模研究现状 |
| 1.3 本论文的主要研究内容 |
| 1.3.1 主要研究内容 |
| 1.3.2 轨道电路暂态过程研究技术路线 |
| 第2章 ZPW-2000 轨道电路的Simulink建模 |
| 2.1 轨道电路系统概述 |
| 2.2 ZPW-2000轨道电路工作原理 |
| 2.2.1 发送器与接收器 |
| 2.2.2 防雷模拟网络 |
| 2.2.3 调谐匹配单元 |
| 2.2.4 空心线圈 |
| 2.2.5 匹配变压器 |
| 2.2.6 补偿电容 |
| 2.2.7 衰耗器 |
| 2.3 基于Simulink的轨道电路建模 |
| 2.3.1 ZPW-2000轨道电路仿真模型 |
| 2.3.2 ZPW-2000轨道电路各部分建模 |
| 2.4 本章小结 |
| 第3章 轨道电路数据采集方案搭建 |
| 3.1 数据采集系统 |
| 3.1.1 硬件系统概述 |
| 3.1.2 软件系统概述 |
| 3.2 数据采集方案制定 |
| 3.2.1 采集设备校正测试 |
| 3.2.2 轨道电路故障分类 |
| 3.3 数据采集流程 |
| 3.4 数据正确性检验 |
| 3.5 本章小结 |
| 第4章 基于PCA-MFCC的轨道电路暂态特征提取 |
| 4.1 梅尔频率倒谱算法 |
| 4.1.1 基本概念 |
| 4.1.2 MFCC方法原理 |
| 4.2 基于MFCC的轨道电路信号处理 |
| 4.2.1 正常情况 |
| 4.2.2 故障情况 |
| 4.3 基于PCA的 MFCC特征寻优 |
| 4.3.1 主成分分析算法 |
| 4.3.2 PCA优化MFCC的流程 |
| 4.4 降维效果分析 |
| 4.5 本章小结 |
| 第5章 轨道电路暂态故障诊断 |
| 5.1 暂态故障模板库构建 |
| 5.1.1 模板库设计原则 |
| 5.1.2 模板库系统结构 |
| 5.2 基于K-means的自适应模板库建立 |
| 5.2.1 K均值聚类算法 |
| 5.2.2 K-means优化模板库流程 |
| 5.3 动态时间规整算法 |
| 5.4 暂态故障诊断流程设计 |
| 5.5 诊断结果分析 |
| 5.6 本章小结 |
| 总结和展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间的科研情况及成果 |
| 一、科研成果 |
| 二、参与的科研工作 |
（8）基于深度信念网络的无绝缘轨道电路故障诊断研究（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 |
| 1.3 论文内容和体系结构 |
| 2 无绝缘轨道电路工作原理与建模分析 |
| 2.1 无绝缘轨道电路技术综述 |
| 2.1.1 系统构成 |
| 2.1.2 系统工作原理 |
| 2.2 无绝缘轨道电路的常见故障模式 |
| 2.3 基于四端网络的无绝缘轨道电路建模 |
| 2.3.1 建模原理 |
| 2.3.2 调整状态模型总体结构 |
| 2.3.3 模块化建模与验证 |
| 2.4 本章小结 |
| 3 基于深度信念网络的无绝缘轨道电路故障诊断 |
| 3.1 深度信念网络 |
| 3.1.1 受限玻尔兹曼机 |
| 3.1.2 受限玻尔兹曼机的训练过程 |
| 3.1.3 深度信念网络训练过程 |
| 3.2 数据处理与关键参数设置 |
| 3.2.1 归一化处理 |
| 3.2.2 正则化处理 |
| 3.2.3 DBN关键参数与设置方式 |
| 3.3 顶层分类器与性能评价指标 |
| 3.3.1 顶层分类器选择 |
| 3.3.2 性能评价指标 |
| 3.4 基于DBN-BPNN的无绝缘轨道电路故障诊断 |
| 3.4.1 仿真实验流程 |
| 3.4.2 数据获取与预处理 |
| 3.4.3 训练过程 |
| 3.4.4 故障诊断结果与分析 |
| 3.5 本章小结 |
| 4 基于优化深度信念网络的无绝缘轨道电路故障诊断 |
| 4.1 粒子群算法优化深度信念网络 |
| 4.1.1 粒子群算法简介 |
| 4.1.2 粒子群算法求解过程 |
| 4.1.3 PSO-DBN故障诊断算法流程 |
| 4.2 动态增添算法优化DBN层数 |
| 4.2.1 动态增添算法 |
| 4.2.2 基于动态增添算法的DBN层数优化流程 |
| 4.3 基于优化DBN的无绝缘轨道电路故障诊断算法 |
| 4.4 仿真实验与结果分析 |
| 4.5 本章小结 |
| 5 无绝缘轨道电路故障诊断系统设计与实现 |
| 5.1 故障诊断软件需求分析 |
| 5.1.1 功能需求分析 |
| 5.1.2 非功能需求分析 |
| 5.1.3 实验室配套系统 |
| 5.2 软件编译环境 |
| 5.2.1 运行环境 |
| 5.2.2 MATLAB与C#混合编程 |
| 5.3 软件模块化设计与实现 |
| 5.3.1 用户管理模块 |
| 5.3.2 用户主界面 |
| 5.3.3 数据管理模块 |
| 5.3.4 通信模块 |
| 5.3.5 网络训练模块 |
| 5.3.6 故障诊断模块 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 参考文献 |
| 图索引 |
| 表索引 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（9）基于深度学习的无绝缘轨道电路故障诊断（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 基于集中监测数据的故障诊断现状 |
| 1.2.2 基于车载数据的故障诊断现状 |
| 1.2.3 深度学习在铁路故障诊断中的发展 |
| 1.2.4 主要存在问题 |
| 1.3 论文主要工作及章节分配 |
| 1.3.1 论文主要工作 |
| 1.3.2 章节分布 |
| 2 轨道电路传输理论及机车信号电压模型 |
| 2.1 轨道电路传输理论 |
| 2.2 四端网理论 |
| 2.3 无绝缘轨道电路调谐区 |
| 2.3.1 工作机理 |
| 2.3.2 故障后相邻区段的影响 |
| 2.4 多轮对机车分路模型 |
| 2.4.1 单轮对分路模型及不足 |
| 2.4.2 多轮对分路模型 |
| 2.5 本章小结 |
| 3 基于地面监测系统的故障诊断 |
| 3.1 故障案例及现场解决方式 |
| 3.2 故障对邻区段的干扰机理 |
| 3.3 数据采集及预处理 |
| 3.4 栈式降噪自编码 |
| 3.4.1 自编码网络 |
| 3.4.2 降噪自编码 |
| 3.4.3 栈式自编码 |
| 3.5 含室外监测系统的诊断实现及参数影响分析 |
| 3.6 室内集中监测系统故障诊断实现 |
| 3.7 不同算法诊断结果分析 |
| 3.8 本章小结 |
| 4 基于车载设备采集数据的故障诊断 |
| 4.1 补偿电容故障对机车信号电压的影响 |
| 4.2 卷积神经网络 |
| 4.2.1 特征提取 |
| 4.2.2 故障分类 |
| 4.3 避免标签错误对诊断结果的影响改进 |
| 4.4 故障诊断实验 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 主要结论 |
| 5.2 未来展望 |
| 参考文献 |
| 图索引 |
| 表索引 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（10）基于无监督学习的轨道电路故障诊断（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 研究现状总结 |
| 1.3 论文的研究内容和论文结构 |
| 第2章 ZPW-2000A轨道电路工作原理与故障案例分析 |
| 2.1 ZPW-2000A轨道电路发展及原理 |
| 2.1.1 发展历程 |
| 2.1.2 功能和电路结构 |
| 2.1.3 电路工作原理 |
| 2.2 轨道电路电气特性数据监测采样原理 |
| 2.3 各采集曲线特性分析 |
| 2.3.1 发送功出电压分析 |
| 2.3.2 电缆侧发送电压曲线分析 |
| 2.3.3 电缆侧接收电压曲线分析 |
| 2.3.4 主轨出电压曲线 |
| 2.3.5 小轨出电压曲线分析 |
| 2.4 轨道电路典型故障案例分析 |
| 2.4.1 补偿电容不良 |
| 2.4.2 塞钉松动 |
| 2.4.3 衰耗盘不良 |
| 2.4.4 调谐单元不良 |
| 2.4.5 断轨故障 |
| 2.4.6 区间轨道电路分路特性不良 |
| 2.4.7 列车慢行造成阶梯状曲线 |
| 2.5 本章小结 |
| 第3章 轨道电路电压曲线提取与特征表示 |
| 3.1 研究对象选取 |
| 3.2 特征曲线提取 |
| 3.2.1 基于开关量控制和时间点固定的曲线段提取 |
| 3.2.2 莱茵达准则提取异常曲线段 |
| 3.3 提取后的典型故障曲线 |
| 3.4 数据预处理 |
| 3.5 特征表示 |
| 3.5.1 特征数据表示 |
| 3.5.2 标准化 |
| 3.5.3 特征相关性分析 |
| 3.5.4 PCA降维 |
| 3.6 本章小结 |
| 第4章 基于无监督学习的轨道电路故障诊断方法 |
| 4.1 无监督学习相关理论研究 |
| 4.1.1 聚类分析概述 |
| 4.1.2 聚类分析常用方法 |
| 4.1.3 模型评估方法 |
| 4.2 基于k-means聚类模型 |
| 4.2.1 k-means聚类算法步骤 |
| 4.2.2 实验结果分析 |
| 4.3 基于DBSCAN的聚类分析 |
| 4.3.1 DBSCAN算法步骤 |
| 4.3.2 实验结果分析 |
| 4.4 基于PAM的聚类算法分析 |
| 4.4.1 PAM算法步骤 |
| 4.4.2 实验结果分析 |
| 4.5 基于CLARA的聚类算法分析 |
| 4.5.1 CLARA算法步骤 |
| 4.5.2 实验结果分析 |
| 4.6 集成聚类模型 |
| 4.6.1 聚类集成基本方法 |
| 4.6.2 实验结果分析 |
| 4.7 本章小结 |
| 第5章 轨道电路故障诊断系统设计 |
| 5.1 轨道电路故障诊断系统总体设计 |
| 5.2 系统功能模块设计 |
| 5.2.1 用户登录模块 |
| 5.2.2 数据接口模块 |
| 5.2.3 数据预处理模块 |
| 5.2.4 聚类集成模型信息模块 |
| 5.2.5 故障诊断模块 |
| 5.2.6 历史查询模块 |
| 5.2.7 故障存储与统计模块 |
| 5.3 ZPW-2000A故障诊断系统实现 |
| 5.4 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
四、无绝缘监测系统移频信号测试方法的研究（论文参考文献）
- [1]无绝缘轨道电路建模及仿真研究[D]. 朱珂雨. 合肥工业大学, 2021(02)
- [2]基于集对分析的ZPW-2000A轨道电路故障诊断[D]. 臧浩月. 兰州交通大学, 2021(02)
- [3]基于机器学习的铁路信号设备故障预警系统的设计与实现[D]. 王坤. 河北工程大学, 2021(08)
- [4]基于栈式降噪自编码网络的无绝缘轨道电路调谐区故障诊断研究[D]. 王宇琦. 北京交通大学, 2021(02)
- [5]基于神经网络的ZPW-2000R轨道电路故障诊断研究[D]. 卢皎. 郑州航空工业管理学院, 2021(12)
- [6]基于粗糙集和图论的ZPW-2000A无绝缘轨道电路故障诊断方法研究[D]. 蔺苗苗. 兰州交通大学, 2020(01)
- [7]ZPW-2000轨道电路暂态故障诊断研究[D]. 杨璟. 西南交通大学, 2020(07)
- [8]基于深度信念网络的无绝缘轨道电路故障诊断研究[D]. 谢旭旭. 北京交通大学, 2020(03)
- [9]基于深度学习的无绝缘轨道电路故障诊断[D]. 田粉霞. 北京交通大学, 2020(03)
- [10]基于无监督学习的轨道电路故障诊断[D]. 刘欢. 西南交通大学, 2020(07)