(交通运输规划与管理专业论文)基于ART2的城轨列车监控数据智能处理算法研究.pdf_第1页
(交通运输规划与管理专业论文)基于ART2的城轨列车监控数据智能处理算法研究.pdf_第2页
(交通运输规划与管理专业论文)基于ART2的城轨列车监控数据智能处理算法研究.pdf_第3页
(交通运输规划与管理专业论文)基于ART2的城轨列车监控数据智能处理算法研究.pdf_第4页
(交通运输规划与管理专业论文)基于ART2的城轨列车监控数据智能处理算法研究.pdf_第5页
已阅读5页,还剩55页未读, 继续免费阅读

(交通运输规划与管理专业论文)基于ART2的城轨列车监控数据智能处理算法研究.pdf.pdf 免费下载

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

学位论文版权使用授权书 肿i ii r r li lli i i ii r l l ll l l l l l fi l l iii 17 812 3 9 本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特 授权北京交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索, 提供阅览服务,并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。 同意学校向国家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名: 签字日期:沙f9 年 导师签名撇 签字1 7 期:年月日 衙 日 杉r、, 锄钿 中图分类号:u 2 9 8 u d c :6 2 9 学校代码:1 0 0 0 4 密级:公开 北京交通大学 硕士学位论文 基于a r t - 2 的城轨列车监控数据智能 处理算法研究 r e s e a r c ho ni n t e l l i g e n tp r o c e s s i n ga l g o r i t h mo fm e t r ov e h i c l e m o n i t o r i n gd a t a b a s e do na r t - 2 作者姓名:王帅刚 导师姓名:贾利民 蔡国强 学位类别:工学 学号:0 8 1 2 1 3 2 7 职称:教授 副教授 学位级别:硕士 学科专业:交通运输规划与管理研究方向:交通运输信息技术 北京交通大学 2 0 1 0 年6 月 致谢 本论文的工作是在我的导师贾利民教授的悉心指导下完成的,贾老师严谨的 治学态度和科学的工作方法给了我极大的帮助和影响,特别是贾老师为人处世的 方式使我受益很大。在此衷心感谢两年来贾利民老师对我在学习和生活上的关心 和指导。 蔡国强副教授在论文的选题、研究、实验过程中都注入了很大的心血,悉心 指导我们完成了实验室的科研工作,注重培养我们做事的态度和方法,在学习上 和生活上都给予了我很大的关心和帮助,在此向蔡国强老师表示衷心的谢意。 杨建伟老师、魏秀琨老师、刑宗义老师、殷洪军老师对于我的科研工作和论 文都提出了许多的宝贵意见,在此表示衷心的感谢。 轨道交通控制与安全国家重点实验室的秦勇、王艳辉、王卓、徐杰、董宏辉、 王子洋、李晓峰、程晓卿、余韩灵等各位老师在实验室学习期间、论文研究过程 中都给予了很多关心和帮助,在此表示感谢。 在实验室工作及撰写论文期间,梁瑜、余博、杨晓明、刘蓉、李博文、周莉 茗等同学对我论文中的研究工作给予了热情帮助,并提出了很多建议,在此向他 们表达我的感激之情。 感谢北京希电公司的于帆在论文研究过程中提出了很多宝贵的建议,在工作 和生活上的照顾;感谢我的朋友石译雄在论文实验阶段给予了很多的帮助。 另外,更感谢家人,感谢对我的养育之恩,给予我动力,支持我顺利完成学 匕。 - 中文摘要 摘要:随着城市轨道交通网络化运营趋势的增强,保障城市轨道列车安全可靠的 运营是交通领域迫切需要解决的问题,将城市轨道列车海量的监控数据进行处理 是解决轨道列车监控问题的关键。论文基于人工智能数据处理技术,主要研究基 于a r t 一2 网络模型的城轨列车监控数据的智能处理算法,以解决从大量的监控列车 关键装备获得的实时状态数据中快速、可靠的判别列车状态的问题。 在对数据的处理方面,a r t - 2 网络模型可以在没有确定的分类样本的前提下实 现自组织的学习过程。将其应用在城市轨道列车的监控数据处理中,通过改变网 络权值的更新算法、建立模式识别层的优先激活机制、设置监督功能,解决了传 统的a r t 一2 网络存在模式漂移、计算效率低、存储空间大的问题,改进后的网络 具有更稳定可靠的聚类效果,更快速的模式识别功能,占用更小的存储空间。 本文首先探讨性的分析了城市轨道列车状态监控的内涵、体系结构、实质和 监控的关键问题。并针对a r t - 2 网络模型的缺点,提出了改进算法,并应用模式 识别领域的经典数据库i r i s 进行测试,验证改进后算法的优越性。论文最后将改 进后的a r t 一2 算法应用在监控数据的处理中,实验表明,改进后的a r t 一2 算法具 有更优的稳定性、可靠性和效率性。 关键词:城轨列车监控;状态识别;a r t - 2 算法;监控数据处理 分类号:u 2 9 8 卜 b a bs t r a c t a b s t r a c t :w i t ht h ei n c r e a s i n go fs u b w a yt r a n s i tn e t w o r k ,e n s u r et h em e t r ov e h i c l e o p e r a t i o ns a f ea n dr e l i a b l eh a sb e c o m eac r i t i c a l i s s u ew h i c hn e e d st ob ea d d r e s s e d u r g e n t l yi nt h ef i e l do ft r a n s p o r t a t i o n ,a n ds e t t l em a s so fm o n i t o r i n gd a t af r o mm e t r o v e h i c l ei st h ek e yp r o b l e m s oi nt h i sp a p e rd a t ap r o c e s s i n gb a s e do na r t i f i c i a l i n t e l l i g e n tt e c h n o l o g y , r e s e a r c ha r t - 2m o d e ln e t w o r k ,c o n d u c t e dt oj u d g et h et r a i n s t a t u sf a s ta n dr e l i a b l ef r o mal a r g en u m b e ro fr e a l t i m es t a t u sd a t ab e l o n gt om o n i t o r k e ye q u i p m e n t a r t - 2n e t w o r km o d e lc o u l dr e a l i z es e l f - o r g a n i z e dl e a r n i n g p r o c e s sb e f o r e d e t e r m i n i n gc a t e g o r ys a m p l ef r o mt h ea n g l eo fp a t t e r nr e c o g n i t i o no nd a t a u p d a t i n g a l g o r i t h mc h a n g i n gn e t w o r kw e i g h t s ,a c t i v a t i n gp r i o r i t ym e c h a n i s ma n ds e t t i n g s u p e r v i s i o nf u n c t i o nb ye s t a b l i s h e dr e c o g n i t i o nl a y e ra l ec o n d u c t e dt os o l v et h ei s s u e t r a d i t i o n a la r t - 2n e t w o r ke x i s t e di np a t t e r nd r i f t i n g , l o wc o m p u t i n ge f f i c i e n c ya n d l a r g es t o r a g es p a c eb a s e dt h ea l g o r i t h mo fa r t - 2n e t w o r km o d e lp r o c e s s e dm o n i t o r i n g d a t t h ei m p r o v e dn e t w o r km o d e lh a sm o r es t a b l ea n dr e l i a b l ec l u s t e r i n ge f f e c t ,f a s t e r p a t t e r nr e c o g n i t i o nc a p a b i l i t i e sa n d l e s ss t o r a g es p a c e t h i st h e s i sa n a l y z e sc o n n o t a t i o n , p h y s i c a ls t r u c t u r e , t h o u g h to fe s s e n c ea n dk e y p r o b l e mf o rm e t r ov e h i c l ec o n d i t i o nm o n i t o r i n g a n di tp r o p o s e si m p r o v e da l g o r i t h m a n dt h e no n eo ft h ec l a s s i c a ld a t a b a s e so fa p p l i c a t i o np a t t e r nr e c o g n i t i o nn a m e di r i si s u t i l i z e dt ot e s ti t ss u p e r i o r i t ya g a i n s ts h o r t c o m i n go fa r t - 2n e t w o r km o d e l s a tl a s t ,t h e i m p r o v e da r t - 2a l g o r i t h mi su t i l i z i n go nd a t ap r o c e s s i n gf o rm o n i t o r i n g i ts h o w st h a t t h ei m p r o v e da l g o r i t h mh a sm o r es t a b i l i t y , r e l i a b i l i t ya n de f f i c i e n c y k e y w o r d s :m e t r ov e h i c l em o n i t o r i n g ;p a t t e r nr e c o g n i t i o n ;a r t - 2a l g o r i t h m ; p r o c e s s i n go fm o n i t o r i n gd a t a c l a s s n 0 :u 2 9 8 -lii 目录 中文摘要i i i a b s t r a c t i v 1 绪论1 1 1 选题的背景及研究意义l 1 2 监控数据处理技术现状2 1 3 论文的主要工作和研究路线3 1 4 内容结构安排4 2 城市轨道列车状态监控体系5 2 1 城轨列车状态监控概述5 2 1 1 内涵5 2 1 2 核心技术6 2 1 3 体系结构7 2 2 城轨列车监控的实质8 2 3 城轨列车监控的关键问题9 2 3 1 城轨列车状态辨识9 2 3 2 基于a r t - 2 的数据处理算法1 1 2 4 小结1 1 3 自适应共振理论与a r t - 2 网络模型1 2 3 1 模式识别1 2 3 2 自适应共振理论1 4 3 3a r t - 2 网络模型15 3 3 1 网络结构1 5 3 3 2 运行原理1 6 3 3 3 算法过程1 7 3 4 小结l8 4 改进的a r t - 2 网络模型算法2 0 4 1a r t - 2 网络模型的主要问题2 0 4 1 1 模式漂移2 0 4 1 2 计算效率2 1 4 1 3 存储空间2 2 4 2a r t - 2 网络模型的优化方法2 3 4 2 1 调整长期网络记忆权值2 3 4 2 2 建立模式识别层优先激活机制2 4 4 2 3 增设模式识别层监督功能2 6 4 3 改进的a r t - 2 网络模型2 7 4 3 1 网络结构2 7 4 3 2 运行原理2 8 4 3 3 算法过程2 9 4 4 改进的a r t - 2 网络模型的验证3 2 4 4 1 模式漂移的改进对比3 2 4 4 2 模式识别最终结果3 3 4 5 小结3 4 5a r t - 2 在监控数据处理的应用3 5 5 1 实验环境及数据样本3 5 5 2 实验步骤3 7 5 3 网络参数的确定3 7 5 3 1 网络参数的初始化3 8 5 3 2 阀值和警戒参数对分类结果的影响3 8 5 4 网络分类验证。4 1 5 4 1 数据顺序输入网络4 l 5 4 2 数据随机输入网络4 2 5 5 小结4 4 6 结论与展望4 6 参考文献4 8 独创性声明5 l 学位论文数据集。5 2 图目录 图i - 1 研究技术路线图3 图2 - i 城轨列车状态监控过程6 图2 - 2 城轨列车监控数据流程框图7 图2 - 3 城轨列车监控数据处理流程8 图2 4 列车走行部监控示意9 图2 - 5 城轨列车状态辨识层次结构1 0 图2 6 传统模式识别技术的工作原理1 1 图3 - 1 模式识别过程的空间转换1 2 图3 2 模式识别系统学习和工作过程1 3 图3 - 3a r t - 2 神经网络的结构图1 6 图4 1 界限模糊的集群示意2 2 图4 2s t m f 2 层左、右区域表示2 5 图4 - 3 改进后的模式识别层数据处理流程2 5 图4 - 4 改进后的a r t - 2 网络模型的网络结构2 7 图4 - 5 改进后的a r t - 2 网络模型的运行原理2 9 图4 - 6 改进后的a r t 一2 网络模型的算法过程2 9 图4 - 7 数据库i r i s 分类检测3 2 图4 - 8 改进后的a r t 一2 网络最终分类结果3 3 图5 - 1 实验设备连接示意3 5 图5 - 2 实验设备实物图片3 6 图5 3 实验数据处理原理3 7 图5 4 实验一和实验二的分类结果4 l 1 1 选题的背景及研究意义 1 绪论 地铁以其大容量运输、直接性到达、舒适性乘车和快捷性行程的特点逐渐在 城市公共交通中发挥越来越大的骨干作用,加快城市轨道交通的建设以改善公共 交通的综合服务水平是我国政府近年来的发展政策。目前,我国已有1 0 个城市拥 有共2 9 条城市轨道交通运营线路,运营里程达到7 7 6 公里,年客运总量达2 2 1 亿次。2 0 1 0 年3 月,国务院批复了3 3 个城市的地铁建设规划,现在共有约2 8 个 城市建设城市轨道交通,预计2 0 1 0 年底,我国城市轨道交通的线路数量将达到5 5 条、里程1 5 0 0 公里,2 0 2 0 年总里程将达到6 1 0 0 公里n 3 。 随着地铁交通方式的快速发展,地铁的建设已经列入国家十二五规划中重点 支撑的项目,如何在这种快速交通方式下保障列车的安全运营已经得到国内外许 多专家学者的关注,只有提高列车自身机电设备的可靠性和安全性才是真正保障 列车安全运营的关键。 城市轨道交通列车本身是一个十分庞大的机电系统,并且伴随着机电系统自 动化水平的日益提高,系统规模的逐渐增大,列车系统的具有很高的复杂性。状 态监控与故障诊断技术是近年来发展迅速的保障机电系统可靠性的崭新途径,通 过对系统进行状态识别采取必要的控制策略是其主要思想。伴随着状态监控的发 展,作为故障监控的重要理论基础之一,模式识别技术在状态监控领域的应用已 经相当广泛。 传统的模式识别技术进行数据状态模式匹配时,都有一个前提条件是要事先 知道该设备或系统的典型故障,即典型故障对应的模式矢量,相关的模式识别技 术要先通过对已知的模式矢量进行学习,记忆相应的特征,才能在以后的工作过 程中依据已经学习到的模式判别待识别的模式,由于缺乏对城市轨道列车的相关 故障数据的收集,因此这种原理的模式识别技术很难直接应用于城市轨道列车设 备的状态监控中。 并且随着城市轨道交通运营网络化的发展趋势日益增强,设备监控得到的数 据将日渐增多,势必对网络的资源优化配置提出更高的要求,如何将海量的状态 监测数据进行可靠、快速地处理,突破现有模式识别技术的瓶颈成为当前迫切需 要解决的问题比刊。 论文的研究依据现有模式识别算法,针对城市轨道列车特殊的需求,提出适 宜城市轨道列车监控数据处理的思想,使得数据处理结果具有更高的准确性,能 够满足城市轨道交通对于数据处理快速性的需求。 本论文依托于科技部8 6 3 课题轨道交通运营安全关键装备的监控预警与应 急技术。 1 2 监控数据处理技术现状 监控应用在很多领域,各个领域对于监控数据的处理也有不同的要求和目的, 因此各个领域均采用不同的方法处理监控数据。 国外航空公司对于飞机的发动机的状态监控,主要是通过飞机上的数据采集 组建d f a u 把发动机的性能数据记录在软盘上,通过相关接口再把软盘中的数据 导入到计算机中,通过发动机性能分析软件系统s a g e 对发动机起飞和巡航阶段 的数据处理形成性能趋势图,通过得到的性能趋势图判定发动机性能情况,并为 发动机的视情维修提供数据支持6 1 。 对于飞机实时监控数据的处理方法,构建了飞机实时监控系统,主要利用飞 机实时故障报文对飞行状态进行实时监控和状态诊断,并结合历史维护经验库和 飞机维护技术文档,可以及时的发现和预测故障,并在飞机落地前提供相关的维 护方案,达到在优化飞机关键部件寿命的同时减少飞机运行和维护的费用口3 。 国外对于生产设备的实时监控数据,提出了一种异常检测技术与算法,将基 于距离的异常检测技术与基于密度的异常检测技术结合起来,用于生产制造业的 设备状况和产品质量的实时监控哺1 。 中国船级社的郭心红成功的运用s p s s 软件处理与分析柴油机润滑系统中的 油液监控数据,利用该软件对于定期、连续的获得的大量运行、监控和检修数据 统计分析其内在的关系和规则,并根据现有的数据预测未来的发展趋势,可为设 备状态评价提供进一步的量化特征指标,由此可以研究不同摩擦副之间的关系嘲。 上海海运学院的杨丽萍等针对船用系泊缆绳安全智能报警系统中的表格实验 数据,提出了应用神经网络技术的智能数据处理方法,实现了表格数据非线性输 入输出之间的映射,提高了数据的取用效率,并证明方法具有很大的灵活性和实 用性n 0 1 。 上海同济大学的刘红新等利用自适应卡尔曼滤波模型分析了某大跨径桥梁的 实际监测资料,并针对模型在计算中的初始参数进行了研究,验证了卡尔曼滤波 模型对初始参数要求比较宽松和能根据计算时的观测数据自动调整参数的功能 【1 1 2 1 3 论文的主要工作和研究路线 8 6 3 课题主要完成对城市轨道交通列车关键装备的状态监控、状态判断及发生 危及运营安全的设备状态的预警与应急技术的研究,课题在实现关键装备状态监 控需要达到两点要求:判断关键装备实时状态的准确率和判断关键装备实时状态 的高效性。 针对以上两点需求,本文展开研究进行的主要工作如下: ( 1 )论述了城市轨道列车监控的内涵、核心技术和体系结构; ( 2 )阐述了城市轨道列车监控数据的数据处理思想; ( 3 )分析了自适应共振理论中的a r t 一2 网络模型的网络结构、运行原理和 算法过程; ( 4 )根据网络模型的运行原理分析了a r t 一2 网络模型的缺点,并结合人类 思想活动的特点改进了a r t - 2 网络模型; ( 5 )用模式识别领域中的经典数据库i r i s 将改进后的a r t 一2 网络模型处理 数据的性能进行验证; ( 6 )应用改进后的a r t 一2 网络模型处理城市轨道列车监控数据,并分析了 数据处理的结果,给出了详细的实验结论。 在明确了论文的研究重点和主要内容,制定的技术路线如图1 - 1 所示: 实例 验证 关键 实现 基础 理论 监控敦据处理、模拟城市轨道列车状态监控数据产生机理处理 l 模式识别经典数据库i r i s 测试,并形成对比 i -i i 一一一一 一一一一一一一 改进后的 r 卜2 网络模型新的网络结构和运算过程 千千千 罔络权值记忆 优先徽活机制监督功能 更新算法 模式漂移计算效率低存储空闻大 千千千 k u r r - 2 1 q 络模型的网络结构、运行原理和算法过程 一l 一一一一一一一t _ 一 tt 列车监控的内涵、实质、体系结构状态监控数据处理的思想 tt 城市轨道交通的监控需求 模式识剐颁域中的经典算法 图卜1 研究技术路线图 f i g 1 - 1s t u d yt e c h n o l o g yr o u t e 1 4 内容结构安排 基于以上的研究路线,论文由六章组成,具体内容安排如下: 第一章:绪论。本章论述了论文的选题背景及研究意义,介绍了国内外对于 监控数据处理的研究现状,分析了城市轨道交通列车对数据处理的监控需求,制 定了论文的研究路线,并依据研究路线对文章的结构做了安排。 第二章:城市轨道列车监控。本章探讨性的分析了城市轨道列车状态监控的 内涵、核心技术、体系结构,提出了城轨列车监控的实质和城轨列车监控的关键 问题。 第三章:自适应共振理论与a r t - 2 网络模型。本章首先介绍了自适应共振理 论的产生及其优点,然后详细的分析了a r t 一2 网络模型的网络结构、运行原理和 算法计算过程。 第四章:a r t - 2 网络模型的分析、优化及验证。本章首先结合a r t - 2 网络模型 对数据的处理结果分析了模型运算的缺点:模式漂移、计算效率低、存储空间要 求大。针对网络模型的每个缺点,提出了改变网络记忆权值的改善算法、建立优 先激活机制、引入监督功能,然后详尽的介绍了改进后的网络模型的网络结构、 运行原理和算法过程,最后利用模式识别领域中的经典数据库i r i s 对改进后的 a r t - 2 网络模型进行了验证,并将结果同原始的a r t 一2 网络模型进行了对比。 第五章:a r t - 2 在监控数据处理的应用。本章首先介绍了监控数据获取的实验 环境及样本数据,然后详尽的介绍了改进后的a r t 一2 网络模型数据处理的过程, 发现阀值和警戒参数对于实验结果具有很大的影响,并模拟城市轨道列车状态监 控数据产生的机理验证改进后的a r t - 2 网络是否适宜处理城市轨道列车的状态监 控数据,最后总结了实验的结论。 第六章:结论与展望。本章主要对论文所做的工作进行了总结,基于此提出 了需要进一步研究的方向。 4 2 城市轨道列车状态监控体系 本部分结合8 6 3 课题城市轨道交通运营安全的关键装备监控预警与应急技 术探讨性的介绍城市轨道交通列车状态监控的相关知识,详尽地分析了城市轨 道交通列车监控的内涵、核心技术和城市轨道交通列车状态监控的体系结构,总 结了城轨列车状态监控的实质,指出了城轨列车监控的关键问题。 2 1 城轨列车状态监控概述 2 1 1内涵 城市轨道交通列车状态监控是指利用现代先进的计算机、信息、微电子、高 速数据传输、人工智能数据处理等技术,在保证关键装备正常运转的情况下充分 的利用装备信息,通过多个传感器或者传感器网络周期性的或者实时连续的进行 状态数据采集、定量或定性的分析辨识设备运行状态,利用多异构系统的重构、 多通信协议的整合、数据的集成化管理等手段,有效的融合信息而给出潜在的故 障预警,并能够提供故障情况下的应急决策支持。 城市轨道交通在发挥其大容量快捷运输特点的同时,在城市公共交通出行中 起到了骨干作用,其首要考虑的因素是运营的安全。影响城市轨道交通运营安全 的因素有:列车的运营调度、线路和车站的运营管理和列车等相关的机电设备。 但是在对影响列车正常运营的故障数据统计中,发现机电设备故障所占的比例最 大,其中列车的最多n 8 1 们。因此,真正实现保障城市轨道交通的安全运营,对列车 的实时状态进行监控是十分重要的。 城市轨道列车的正常运营是保障城市轨道交通整个系统实现正常运转的前提 条件,列车是一个复杂的电气系统,其关键装备包括车门系统、走行系统、牵引 系统、制动系统、车载信号系统等。对列车的实时状态监控主要是实现对以上各 关键装备的监控,能够实现对各个关键装备实时状态数据的采集、存储、传输、 分析、预警、显示等功能。 城市轨道列车状态监控最终实现的主要功能: ( 1 )获取、转换从车门系统、走行系统、牵引系统、制动系统、车载信号 系统获得的传感器状态数据; ( 2 ) 。从获取的状态数据中确定城市轨道列车的关键装备的实时状态和状态 的发展趋势; 5 ( 3 )辨识关键装备的状态并提供重要的应急决策信息。 2 1 2 核心技术 城市轨道列车状态监控的核心技术是指:在对城市轨道列车的关键装备进行 状态监控的整个过程中,数据获取、辨识、决策和应急的关键技术。 城市轨道列车的状态监控主要针对列车的关键装备进行状态监控,目的是检 测和辨识关键装备的实时运转状态,利用可靠的数据处理技术确定关键装备是不 是处于正常的运行状态,并能够对相关的装备状态数据进行有效的融合可以预测 出关键装备可能出现的早期故障,能够达到对故障实现分级预警,并能够为维修 提供可以参考的决策信息。 城轨列车的状态监控整个过程主要由三部分组成:状态源数据获取、数据处 理和监控决策,如下图所示: 出所需决策, 图2 1 城轨列车状态监控过程 f i g 2 1p r o c e s so f m e l r ov e h i c l ec o n d i t i o nm o n i t o r i n g 状态源数据获取主要依靠先进的传感器技术实现,可用的传感器信号包括振 动、加速度、温度、电流、电压等;数据处理主要是实现表征关键装备状态特征 信息的提取,从传感器获得的原始信号,由于环境因素、采集设备等因素,其既 包含了设备的实时状态信息,也引入了各种测量噪声和环境噪声,在信噪比较低 的情况下,从原始信号中检测出表征状态变化的特征信号对状态监控至关重要, 数据处理技术主要有基于小波分析、时频分析等的信号处理技术;监控决策主要 是指进行状态识别后,确定关键装备实时所处的状态后给予综合决策策略。 并且伴随着数据处理技术和人工智能技术的快速发展,经典的模式识别、专 家系统、软计算、物联网等都将成为城市轨道交通列车的状态监控技术向着智能 化、小型化、微型化及嵌入式方向发展的关键技术啪2 。 总之,支撑城市轨道列车状态监控的核心技术主要有:在关键装备故障产生 6 的内在机理方面,有城市轨道交通列车机械动力学等理论基础;在原始数据获取 方面,有新型传感器与信号获取技术;在数据处理方面,有信号处理技术、人工 智能技术;在状态的判别方面,有识别与决策技术;在信息的传递方面,有高速 车地通信技术;在信息存储、查询与管理方面,有数据库管理与人机界面交互技 术2 别。 2 1 3 体系结构 根据城市轨道交通列车状态监控过程中数据的流程,可以将其系统分成七个 层次,这七个层次之间的关系是相辅相成的,这个系统框架结构表示一个由底层 数据逐渐被处理的过程,在每一个层次中数据被表达的形式都不尽相同,但是每 一个功能层都可以通过通信的媒介向其它的任何一个功能层读取数据,下面的框 架结构图中约定数据在相邻的功能层次之间流动优先删。 图2 - 2 城轨列车监控数据流程框图 f i g 2 - 2f l o wd i a g r a mo fm e t r ov e h i c l ec o n d i t i o nm o n i t o r i n g 这七个层次及功能是: 第一层:关键装备监控层。关键装备监控层主要是指一个硬件模块,通过在 轨道列车的关键装备布设相应的传感器,监测关键装备的实时状态,主要通过先 进的传感器和传感器网络技术实现: 第二层:源数据获取层。源数据获取层主要是指一个软件模块,这个软件模 块能够实现对传感器和传感器网络的访问能力。源数据获取模块可以被理解为提 供标准的传感器数据语义定义的数据库。 第三层:数据处理层。数据处理模块的功能是利用先进的信号处理方法对数 7 据进行预处理,或者利用特征提取算法对收集到的源数据进行变换,使得数据能 够标准化。一些可用的方法有:滤波、快速傅里叶变换、特征分析等。 第四层:状态评估层。状态评估层的基本功能是将提取到的特征输入到状态 评估算法中,通过阀值调节进行状态比较,输出计算得到的状态结果( 正常、不 正常) 。通过状态评估可以判断被监控的关键装备的实时状态,综合考虑关键装备 的历史趋势、运行状态以及维修的历史等相关信息。 第五层:趋势预测层。趋势预测层的基本功能是基于当前关键装备的运行状 态预测未来一段时间的装备状态,或者估计关键装备距离下一次需要维修的时间, 这个过程需要综合考虑城市轨道列车未来一段时间可能的运行情况。 第六层:决策支持层。决策支持模块的基本功能是根据关键装备的实时状态 做出相关的应急决策,并为维修做出建议决策。 第七层:人机接口层。人机接口主要是以交换界面的形式显示决策支持层做 出的相关决策,提供给运营部门、维保部门,并显示关键装备的报警情况。 这七个层次是通过通信媒介相互作用形成一个完整的城市轨道交通列车监控 系统,通信媒介主要是指车地通信和工业以太网结合的相关技术,而这七个模块 中部分模块的功能实现可以同时位于同一台机器上,也可以位于局域网或广域网 中的任何地方。 2 2 城轨列车监控的实质 纵观城市轨道列车状态监控的体系结构,可以发现其关键性的功能层是数据 处理层,关键装备监控层和数据获取层都可以依靠现在发展先进的硬件技术实现, 状态评估层和趋势预测层都是建立在数据处理层的基础上,只有数据处理层的可 靠高精度的结果才能保障建立在其上的其余各层发挥其正常的功能。因此,城市 轨道交通列车状态监控的关键就是列车关键装备的监控数据的数据处理技术。 整个城市轨道列车状态监控的数据处理流程如下图所示: 图2 - 3 城轨列车监控数据处理流程 f i g 2 3p r o c e s sf l o wo f m e t r ov e h i c l em o n i t o r i n gd a t a 城市轨道列车状态监控中,首先针对列车的关键装备,如车门系统、走行系 统、牵引系统、制动系统和车载信号系统,利用先进的传感器技术获得表征关键 装备状态的信号,即列车状态监控源数据,通过状态数据的特征提取技术处理数 据获得源数据的状态特征向量,再对特征向量进行准确的状态辨识,根据状态评 判的结果,可进行状态趋势的预测,还可以根据设备的故障情况给出一定的综合 决策,可以对关键装备进行可以实现的人为干预行为。 由面到点提取城市轨道交通列车状态监控的实质,状态监控的关键是监控数 据的数据处理技术,而数据处理过程就是实时状态辨识的过程,即城市轨道列车 的状态监控实质是对关键装备的监控数据进行状态辨识。 2 3 城轨列车监控的关键问题 2 3 1 城轨列车状态辨识 城市轨道交通列车的状态监控状态判别没有历史数据可以借鉴,因此要借助 关键装备自身运行状态的对比来判别关键装备的实时状态。具体思想如下: 城市轨道列车的相同关键装备数量都很多,监控就是要把这些关键装备全部 实时监控,相同关键装备的监控部位都一致,因此对于相同部位的数据表征的状 态都应该一致,当发生不一致的状态时数据就不会归属于同一个类别。如图2 4 所示为对城市轨道列车走行部监控的示意,结合走行部具体说明数据处理的思想: 图2 4 列车走行部监控示意 f i g 2 - 4v e h i c l er u n n i n gg e a rm o n i t o r i n gh i n t s 9 图2 - 4 中数据i - i 、2 - i 、3 - i 、4 - 1 和i - 2 、2 - 2 、3 - 2 、4 - 2 分别属于两个状 态组,当正常情况下,l 、2 、3 、4 号转向架都处于正常状态下的时候,8 组数据 表征的转向架特征都属于一个类别a ,当4 个转向架中任何一个出现问题的时候, 其所对应的状态就不会再属于a ,出现不属于类别a 的数据时就可以断定转向架出 问题,再通过编号对应可以判断具体哪个转向架的哪个部位出现问题。 城市轨道列车状态监控的数据处理问题即是状态聚类问题。 总结城市轨道列车状态监控核心技术在每一个层次的应用,城市轨道列车状 态辨识的过程可以分为四个层次:源数据获取与预处理、特征选择与特征提取、 模式分类和识别决策。具体如下图所示: 图2 5 城轨列车状态辨识层次结构 f i g 2 - 5h i e r a r c h yo f m e t r o v e h i c l es t a t u si d e n t i f i c a t i o n 各个层次之间都有相互影响的作用,具体体现在:源数据获取与预处理、特 征选择和特征提取技术决定模式分类应用的算法类型,反作用,模式分类的算法 类型决定底层的数据获取方式;源数据获取与预处理技术间接的影响到识别决策, 而识别决策则反过来对关键装备有一定的控制策略。 关键装备的状态通过定义采样频率和利用传感器数据采集理论对源数据进行 采集,并为了保证源数据的质量,减少信噪比,采用滤波放大技术进行预处理, 经预处理的数据信息,根据特征分析策略和变换方法,制定相应的提取规则得到 关键设备的特征向量,特征向量作为输入数据输入到状态识别模型,得到最终的 状态分类结果,并把状态的结果传递给识别决策单元,单元再根据决策策略给出 相应的决策信息,整个数据处理的过程都伴随着数据的存储矧。 状态聚类技术即是计算智能领域中的模式识别技术。 1 0 2 3 2 基于削 m 2 的数据处理算法 传统的模式识别技术有两种机理:一种是在己知系统或设备可能存储的运行 状态特征向量的前提下,先通过学习,只有学习过的才能进行识别,当遇到新的 模式因为没有学习过而不能成功辨识;另种是在学习后也能实现对新模式的再 学习功能,但是在进行新学习的过程中会破坏已经学习的模式,使其失去稳定性, 不能保证模式识别的正确率。传统的模式识别技术的工作原理乜删1 如下图所示: 建立状态模式库 图2 - 6 传统模式识别技术的工作原理 f i g 2 - 6p r i n c i p l eo ft r a d i t i o n a lp a t t e r nr e c o g n i t i o n 而自适应共振理论中的a r t - 2 网络完全不存在传统模式识别技术的缺点,不 仅在网络的学习过程中不需要样本,可以自适应学习环境,不断的自动修正网络 结构的参数,进行无监督自组织学习,而且在学习新的模式的同时不会破坏已经 存储的模式,并可以快速的识别已经学习过的模式口2 。3 4 1 ,网络具有很好的稳定性, 更适合处理城市轨道列车状态监控数据。 a r t - 2 网络应用在城市轨道列车的关键装备状态监控数据的处理中,主要依据 表征各个关键装备状态的特征向量不同而进行状态识别。 2 4 小结 本章结合课题探讨性的分析了城市轨道列车状态监控的内涵、实现的核心技 术、体系结构,并运用由面到点的方法分析了城市轨道列车状态监控的实质,从 而抽象出城轨列车状态监控的关键,指出监控数据的处理即是状态识别,其原理 即为模式识别,分析了传统模式识别技术的局限性,说明引入a r t - 2 模型处理城 轨列车状态监控数据的必要性。 3 1 模式识别 3 自适应共振理论与a r t - 2 网络模型 模式识别是在2 0 世纪6 0 年代初期迅速发展起来的,现已成功的应用在了许 多领域,如:遥感数据分析、地震波解释、自动视觉检验、非数字系统( 如机械 设备) 中的故障检测和分析、医学数据分析、文字识别、语音识别等。模式识别 可以理解为以计算机作为工具,实现对各种事物或现象的分析、描述和判别口 3 9 j 。 模式的概念是在人脑识别记忆事物的过程中抽象出来的,人脑在对事物进行 识别记忆时总是把不完全相同但是相似的现象以组的形式进行区分,并且人们只 需对有代表性的现象进行熟悉,再根据一定的可靠性规则就可以很容易的认识无 限个现象,从而形成组,而且当组中的个别现象发生微弱的变化后依然属于这个 组,这里的现象即是模式。因此,从某种意义上讲模式具有很大程度上的不确定 性和模糊性,使得在进行模式识别时要想得到准确无误的结果,就必须制定很明 确的模式识别规则。 整个模式识别过程经历由实际存在的物理实体、模式空间、特征空间、类别 空间的转换,经历了模式采集、特征提取、分类判决等处理,具体过程如下: 模式 采集 特征 提取 分类 判决 图3 - 1 模式识别过程的空间转换 f i g 3 1s p a c et r a n s f o r m a t i o no f p a t t e r nr e c o g n i t i o n 这其中,模式空间表示所有的对实际存在的物理实体观测得到的数据集合, 这些数据并不能真正的代表物理实体的真正状态,所以要对模式空间中的数据进 行特征提取,选择出最能代表物理实体的数据作为表征实体的主要特征,这些特 征的集合称为特征空间,由模式空间到特征空间的转换称为特征提取,再按照明 确的模式识别规则把特征空间中的所有特征进行分类,将特征空间转换到类别空 间,这个过程称为分类判决。 对于一个模式识别系统来说,进行模式识别的过程主要包括学习训练过程和 识别工作过程,如图3 - 2 所示: 1 2 掌 习 工 作 图3 2 模式识别系统学习和工作过程 f i g 3 - 2s t u d ya n dw o r kp r o c e s so fp a t t e r nr e c o g n i t i o ns y s t e m 在学习训练过程中,将已经知道的样本模式特征数据作为输入量,对输入的 样本经过分析,将影响样本特征表征的影响因素诸如噪声等去除,进行特征提取 保留有效的数值特征,下一步则按照规定的分类判决数学模型,对输入的训练模 式进行训练,得到制定分类的判决规则。 在识别工作过程中,把监测得到的物理实体的特征数据作为输入,接着同样 进行特征提取,下一步则根据已经制定好的判决规则进行分类,最终得到识别结 果。同时,将已经识别的分类结果与已知的输入模式对比,不断改进判决规则, 制定出具有最小的错误率监测的最优判决规则,即通常所说的“再学习 过程。 目前发展较快的模式识别方法有:模糊识别方法、基于神经网络的智能模式 识别、支持向量机分类方法。 ( 1 ) 模糊识别方法 模糊识别方法以模糊数学的理论方法作支撑实现模式识别。科学研究中习惯 使用定性的符号和定量的特征来描述模式,模糊集理论则为它们提供了一种联系。 模糊识别方法主要应用在对象的模式本身具有模糊性或者对识别要求有模糊性的 问题上,其方法和途径主要有:隶属原则和择近原则、模糊相似选择与信息检索、 模糊逻辑与模糊形式语言、模糊综合评判、模糊控制等。 ( 2 ) 基于神经网络的智能模式识

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论