目前,ZPW-2000型轨道电路故障判别主要依赖人工对数据进行分析,该判别方式效率低、周期较长、对人工依赖程度高。为此,引入了栈式自编码网络(Stacked auto-encoder,SAE)和核主元分析(Kernel principal component analysis,KPCA)的相关...目前,ZPW-2000型轨道电路故障判别主要依赖人工对数据进行分析,该判别方式效率低、周期较长、对人工依赖程度高。为此,引入了栈式自编码网络(Stacked auto-encoder,SAE)和核主元分析(Kernel principal component analysis,KPCA)的相关理论对ZPW-2000型轨道电路进行故障诊断。首先,根据轨道电路的工作原理和故障特点,建立了KPCA-SAE故障诊断模型。然后,将现场工作人员采集的数据中关键部件的相关参数作为故障特征参数,利用KPCA对故障特征矩阵进行降维降噪处理,避免信息冗余。之后,利用SAE网络对处理后的故障数据进行训练,并采用BP算法对模型参数进行整体优化。最后,在Matlab环境下进行仿真实验。仿真结果表明,所提出的基于KPCA-SAE的轨道电路故障诊断模型是有效可行的,与传统的故障数据人工分析方法及其他智能算法相比,其故障识别准确率更高。展开更多
基金National Natural Science Foundation of China(No.61763023)。
文摘目前,ZPW-2000型轨道电路故障判别主要依赖人工对数据进行分析,该判别方式效率低、周期较长、对人工依赖程度高。为此,引入了栈式自编码网络(Stacked auto-encoder,SAE)和核主元分析(Kernel principal component analysis,KPCA)的相关理论对ZPW-2000型轨道电路进行故障诊断。首先,根据轨道电路的工作原理和故障特点,建立了KPCA-SAE故障诊断模型。然后,将现场工作人员采集的数据中关键部件的相关参数作为故障特征参数,利用KPCA对故障特征矩阵进行降维降噪处理,避免信息冗余。之后,利用SAE网络对处理后的故障数据进行训练,并采用BP算法对模型参数进行整体优化。最后,在Matlab环境下进行仿真实验。仿真结果表明,所提出的基于KPCA-SAE的轨道电路故障诊断模型是有效可行的,与传统的故障数据人工分析方法及其他智能算法相比,其故障识别准确率更高。
