一、高速锁闭技术及其应用的研究（论文文献综述）
姬文杰[1]（2021）在《铁路区段站行车作业安全双重预防研究》文中研究说明十九届五中全会提出统筹发展和安全生产的重要论述,是以习近平同志为核心的党中央治国理政的一个重大原则。铁路安全是国家生产安全、公共安全的重要领域,必须把运输安全放在铁路高质量发展的突出位置,持续加强铁路安全体系和能力建设,超前防范和化解各类安全风险,坚守铁路安全的政治红线和职业底线。为破解统筹发展和安全的课题,国铁集团于2019年制定了安全双重预防机制建设的工作手册,并在2021年工作会议中提出将双重预防机制贯通到安全管理制度设计和运输生产组织全过程,推进铁路运输安全关口前移、源头治理、超前防范。铁路区段站作为运输生产的基本单元,承担着繁重的运输生产任务和安全压力,如何运用安全管理理论与方法,推进双重预防机制建设走深、走实,是铁路区段站需要研究的重大课题,也是提升铁路区段站安全管理水平的重要途径。本文结合铁路区段站行车作业安全双重预防现状,提出双重预防机制建设的基本框架,进行了解析和应用。首先,运用鱼刺图构建铁路区段站行车作业安全风险辨识方法,从设备设施、作业流程、人员岗位、环境氛围4个层面,全过程辨识研判安全风险;运用风险矩阵法,从风险产生的可能性和事故后果的严重程度2个维度,选定6个主要影响因素,通过半定量赋值确定风险等级;运用“4T”风险控制方法和IRCC风险控制层次理论,提出了基于“人防、物防、技防”的综合管控办法,强化岗位安全风险控制。其次,在调研分析安全隐患排查治理突出问题的基础上,依据安全管理理论和方法,优化安全隐患排查治理流程,强化安全隐患闭环管理。选择乌海站驼峰调车场、轨道电路分路不良区段、调车作业原进路处所3个作业场景,解析安全隐患排查治理方法和具体流程,并针对性提出突出安全隐患的治理方案,为乌海站提供安全决策和安全投入依据。最后,为强化铁路区段站行车作业安全双重预防机制建设,从实操性的角度出发,提出制度体系设计的基本思路,并在乌海站应用,持续检验各项制度的实用性、有效性和可操作性。
刘晏伊[2]（2021）在《基于随机森林的道岔转辙设备故障诊断方法研究》文中研究指明铁路信号设备是保证行车安全、提高运输效率的关键设施,道岔转换设备是铁路信号系统中的重要基础设备,其状态优劣直接影响着铁路运输的畅通,同铁路运输安全之间也存在紧密的联系。当前,对于道岔设备采取的维护维修方式基本是混合型方式,即天窗期间日常维修结合周期性检修的混合方式。由于当前铁路信号监测系统智能化程度不高,当道岔设备出现故障时,现场仍旧采用维修人员人工分析故障报警的传统方法。该方法一方面会过度依赖现场维修人员的实践经验和专业知识,另一方面在诊断效率方面无法满足如今铁路快速发展的需要。研究智能化道岔转换设备故障诊断方法对于信号设备维修维护水平提升具有重要意义。本文以ZD6型转辙机为例,在分析其故障原因和故障模式的基础上,采用随机森林算法作为道岔转换设备故障诊断方法,并采用实际监测数据进行了验证。论文的主要工作如下:（1）道岔转换设备故障模式分析及数据库设计。基于道岔设备的机械及电气原理对常见的故障模式按照历史统计报告和发生频率给出序号标签,并分析各故障类别标签下相应的故障原因,给出维修建议。经过筛选分离出监测系统故障及正常数据,并针对故障数据的采样不平衡性进行数据预处理。以历史专家经验库为基础,添加已处理分离的故障及正常数据,合并建立本文道岔转换设备故障案例库。根据需要做出符合机器学习数据需求的数据结构定义,完成数据库设计并给出其E-R图。（2）道岔转换设备故障诊断方法研究。通过分析道岔设备特性,本文研究基于随机森林的道岔转换设备故障诊断方法,给出理论分析及模型建立过程。摒弃对动作过程分段提取特征的陈旧方式,采用不分段方式提取参数作为待选特征集。按照6:2:2的比例分割选出模型训练集、测试集及验证集数据,并以泛化误差为调优基准进行模型优化,最后与其他算法进行了对比实验。（3）道岔转换设备故障诊断功能软件及其交互过程设计。本文确立故障诊断功能需求,并设计完成了功能软件架构及用户交互流程,且以乌鲁木齐局某站场实际道岔设备的数据作为样本进行验证。本文的研究成果为一种高精度的基于随机森林的道岔转换设备故障诊断算法和基于此算法的前端软件。验证表明,该方法对道岔设备故障诊断进行了智能化完善,为专家经验库提供了经验故障累计,在未来将为道岔设备的安全运行提供保障。图43幅,表11个,参考文献52篇。
鲍才让太,莫重明,翟文革,丁召荣[3]（2021）在《转辙机综合监测的需求及方法研究》文中进行了进一步梳理由于道岔转换设备的特殊性,其实时运行参数较难获得,制约道岔转换设备维修模式的发展。基于现有传感器技术及转辙机监测需求,结合转辙机安全性及可靠性要求,提出现阶段可实施的转辙机监测项点,并以ZDJ9转辙机为例进行实施,所测得的参数可以作为后续处理的基础数据,用于转辙机的故障预测及健康诊断。
仓恒[4]（2021）在《地铁车门传动系统建模与退化补偿控制策略》文中指出地铁车门是地铁重要组成部分之一,而车门传动系统的健康状态关系到地铁能否安全运营。因车门是传动系统动力传递的最终作用对象,伴随着累计运行时间的增加,车门传动元件如丝杆、减速器、联轴器、传动螺母老化磨损等引起系统退化后,将导致车门开关性能的下降甚至会发生车门开关不到位、卡滞等故障。因此,本文以地铁车门传动系统作为研究对象,对传动元件展开退化分析,研究车门运动特性并对传动系统进行建模分析,得到系统未退化时的车门关门性能;然后针对传动元件退化磨损引起系统退化、从而导致车门开关性能下降的问题展开详细分析并提出相应的解决措施,使车门开关性能始终维持于较为健康的状态,这对于延长系统的工作寿命及地铁安全稳定的运行具有重要意义。本文所做主要工作如下:（1）对地铁车门传动系统的结构组成、工作原理等进行相应的介绍,针对主要传动元件如梅花联轴器、行星齿轮减速器与丝杆展开退化分析并推导建模所需参数,为建立系统动力学模型及模型的退化分析与补偿奠定基础。通过实地走访某地铁公司采集地铁车门加速度数据以及对车门运动轨迹进行分析,得到车门在X（平行于车门方向）、Y（垂直于车门方向）方向的运动特性,分析出X、Y方向的车门位移、速度及加速度随时间的变化特点。（2）将地铁车门传动系统简化为质量—弹簧—阻尼系统,建立相应的动力学模型,求取系统传递函数并运用MATLAB对所建动力学模型展开数值仿真,得到系统未退化状态下的速度及位移输出结果。最后由采集的车门加速度数据验证了建模的正确性,为后续自动补偿控制策略的应用提供模型基础。（3）针对地铁车辆在长期运营过程中,车门传动元件退化影响车门开关性能的问题,提出一种自动补偿控制策略,用于消减系统退化对车门开关性能的影响,提高车门传动的可靠性。通过观察各退化参数（系统阻尼系数f）、传动螺母与丝杆间的轴向接触刚k6、k1、k2、k3、k4、k5向联轴器2折算后的等效扭转刚度k’)变化后的原系统模型位移、速度输出变化情况,并与对应条件下补偿控制系统的位移、速度的仿真结果作对比。对比结果表明,当传动元件退化引起系统各退化参数变化时,提出的自动补偿控制策略能够很好地消减传动系统元件退化引起的车门开闭速度波动,使车门的开关性能接近于未退化状态,验证了该补偿控制策略的有效性。
刘新发[5]（2020）在《基于EEMD多尺度模糊熵的S700K转辙机故障诊断的研究》文中提出转辙机作为铁路信号设备室外三大件之一,是用来转换道岔,当道岔转换到位后对道岔进行锁闭并给出相应表示的设备,对铁路运输的安全与效率具有重要的影响。目前我国铁路信号系统通过对转辙机进行定期检修和设天窗点维修的手段来保证转辙机安全可靠的运行,这种维护方式不仅效率低、工人的工作量大,且仅依靠工人的经验进行故障识别,容易发生错判、漏判的现象而危及行车安全。随着我国铁路朝高速、重载运行的方向发展,S700K交流电动转辙机广泛应用于当前的铁路线路,为了提高其工作的安全性与可靠性,应用智能数据分析处理技术实现对S700K交流电动转辙机工作状态的智能感知和安全预警十分必要。针对上述提出的问题,本文的主要研究内容如下:第一,S700K交流电动转辙机输出功率的变化可以反映道岔尖轨推拉力的变化,而作用于道岔尖轨的推拉力可以反映转辙机内部的运行状态,本文以应用于提速道岔区段的S700K交流电动转辙机为研究对象,提出了一种基于EEMD（Ensemble Empirical Mode Decomposition）多尺度模糊熵的故障特征提取方法。该故障特征提取方法运用到了集合经验模态分解算法、模糊熵和参数归一化等知识理论,将S700K转辙机功率曲线自适应的分解为频率由高到低的本征模态函数IMF（Intrinsic Mode Function）,提取每一个IMF分量上的模糊熵作为故障诊断特征参数,建立S700K转辙机常见故障的诊断特征集。第二,本文采用灰色关联度算法和模糊聚类方法,根据故障特征分别对S700K电动转辙机的故障类型进行识别。灰色关联度算法通过计算待检样本特征量与故障特征集中各故障特征量之间的关联度值,基于分辨率取值原则及不同分辨系数下故障识别的准确度存在差别,合理选择分辨系数对诊断系统进行功能测试;基于模糊聚类方法的故障识别,首先通过平移标准差变换与平移极差变换对原始特征模式矩阵进行归一化处理,然后引入描述样本之间相似度的指标,建立原始特征模式矩阵的模糊相似矩阵,采用传递闭包法构建模糊等价矩阵并形成动态聚类图进行故障识别。通过将某电务段S700K电动转辙机某故障功率曲线作为测试样本进行诊断系统功能验证,实验结果表明了这两种故障诊断方法应用于S700K电动转辙机故障诊断的可行性。
习家宁[6]（2020）在《基于机器学习的集中监测道岔故障诊断研究与设计》文中认为截止2019年底,我国铁路营业里程已超过13.9万公里以上,信号基础设备的维护面临着巨大挑战,尤其是故障发生率较高的道岔设备。目前,信号集中监测系统能够对道岔数据信息进行采集监测,辅助维修人员快速排查故障,但对于一些经验不足的人员来说,可能无法及时准确地给出故障原因,因此对道岔故障诊断问题进行研究,提出一种智能化故障诊断的方法,对于道岔的维护以及安全稳定运行具有重要意义。本文提出了一种基于概率神经网络（Probabilistic Neural Networks,PNN）决策级融合的道岔故障诊断模型,将其应用在集中监测道岔故障诊断软件系统中,主要做出了以下几点研究和应用。首先,通过分析道岔故障诊断问题在国内外的研究现状,概述了信号集中监测系统以及其对道岔数据信息的采集,选取应用较为广泛的ZD6型转辙机作为研究对象,分析其机械层面和电路层面的动作原理,并总结出一些常见的故障,以上内容将作为故障诊断模型建立的理论基础。其次,对真实道岔动作电流数据的关键区域进行采样构成模型训练测试的样本集,然后结合机器学习的理论知识,分别利用BP（Back Propagation）网络、PNN网络、支持向量机（Support Vector Machine,SVM）的方法建立相应的故障诊断模型,利用获取的样本集验证并分析对比3种模型的诊断性能,结论表明PNN网络预测性能较优。然后,通过以上3种初始模型的诊断性能,结合信息融合技术,选取决策级融合的结构,神经网络的方法,提出一种基于PNN决策级融合的道岔故障诊断模型,对该模型的原理及设计进行了详细说明,利用样本集验证分析其在某一初始模型失效情况下和初始模型完好情况下的诊断性能,结果表明融合后的模型具有一定容错性,准确率进一步提高。最后,论文的重点是在故障诊断模型建立的基础上,依托“轨道交通区域联锁与集中监测系统”项目及实验平台,采用C#语言与Matlab混合编程、My SQL数据库等方法将以上建立的故障诊断模型应用到项目和实验平台中去。通过设计集中监测道岔故障诊断系统的6大模块,实现了道岔动作电流查询功能、道岔故障智能诊断功能、道岔报警处理功能、诊断模型更新功能,最终完成集中监测道岔故障诊断软件系统的开发。将其部署在实验平台上进行逐一测试,测试结果表明该系统能够实现道岔的智能化诊断,提高了故障诊断的效率。该软件系统不仅可为人工智能在集中监测系统中的运用提供理论研究,还可将其应用于故障诊断的实践教学或产品开发中。图72幅,表21个,参考文献43篇。
刘静伟[7]（2020）在《基于集成学习的铁路道岔故障诊断系统研究》文中研究说明高速铁路在我国交通运输体系中发挥着重要作用。道岔是高速铁路线上的关键设备之一,道岔是否健康直接影响高速铁路干线的运输效率和行车安全。传统的道岔故障诊断技术具有费时、费力、准确性不高等问题。如何提高铁路道岔故障诊断的正确率和效率,保障列车安全行驶,仍然是铁路工作人员面临的一个重要问题。因此,对于道岔设备故障的诊断具有重要的研究意义。论文以河北省科学院应用数学研究所“基于大数据处理的铁路电务故障诊断研究课题”为背景,以道岔状态监测电流数据为研究对象,提出了一种基于集成学习的道岔故障诊断模型。采用集成学习Stacking算法,把传统分类器与深度学习相结合,以提高模型的正确率。主要研究内容包括:（1）道岔状态监测电流数据的分析和预处理:对道岔状态监测电流数据进行深入分析,不同道岔状态监测电流的波形图代表不同的道岔故障类型。针对道岔状态监测电流数据维数不一致的问题,对数据进行预处理,采用二重埃尔米特插值算法对数据特征值进行维数统一。（2）基于传统分类器的道岔故障诊断研究:采用SVM（Support Vector Machine）、BP神经网络以及决策树分别对预处理后的道岔电流数据进行故障诊断。通过模型训练、参数调优,其正确率分别为90.16%、85.53%、83.39%。（3）基于集成学习的道岔故障诊断研究:为了提高算法的故障诊断正确率,采用集成学习Stacking算法。将SVM、BP神经网络以及决策树作为第一层基学习器。第二层采用一个元分类器,分别由深度置信网络和一维卷积神经网络作为元学习器,构建了基于集成学习的深度置信网络道岔故障诊断模型和基于集成学习的一维卷积神经网络道岔故障诊断模型。通过两个模型的比较,基于集成学习的一维卷积神经网络道岔故障诊断模型正确率更高,时间更短。（4）高速铁路道岔故障诊断系统:利用Pycharm、Visual Studio以及SQL Server数据库等工具设计并开发出一款高速铁路道岔故障诊断系统。帮助铁路工作人员及时判断道岔是否发生故障并识别故障的类型。
梁瑶[8]（2020）在《基于模糊认知图的道岔故障诊断研究》文中进行了进一步梳理随着我国经济和交通运输的快速发展,国民对铁路交通出行安全提出了更高水平的要求。道岔是铁路信号系统的关键基础设备,它的动作状态与列车安全出行、运输效率等密切相关。道岔及道岔转换设备发生故障的实际原因非常复杂,目前国内主要通过微机监测系统监测道岔动作的运行状态信息,由微机监测工作人员进行最初的道岔故障判断,维护人员在天窗时间根据现场情况进一步定位道岔故障。但该方法无法实时在线诊断,并在故障发生时不能准确定位故障位置,要求维护人员具有丰富的工作经验。针对以上问题,本文将模糊认知图（Fuzzy Cognitive Map,FCM）理论应用于铁路道岔的故障诊断中,主要研究内容如下:首先,分析了铁路道岔故障诊断在国内外的研究现状,以使用最广泛的ZD6型道岔系统为研究对象,结合道岔及其转辙设备的结构组成、动作原理,归纳概括为典型的七种道岔故障模式,并分析其相应的曲线趋势和故障原因。其次,由于道岔的动作状态会直观的反映在道岔动作电流曲线上,提出一种利用小波包分解提取能量特征的方法,并选取基于时间固定分段、道岔转换状态共计三种方法用于道岔动作电流特征向量的提取,有利于降低特征输入维度,提升诊断模型的性能和运行效率。随后,概述了国内外模糊认知图理论的发展现状,详细描述了模糊认知图应用于分类问题的推理机制,搭建了基于模糊认知图的道岔故障诊断分类模型。分别利用遗传算法和粒子群算法进行权值学习,从而得到FCM的初始权值矩阵,FCM各节点通过推理机制进行不断的迭代更新,系统最终达到稳定状态,此时可由最大类别节点值的下标判定样本类别。通过获取和整理得到的道岔故障动作电流曲线样本数据,在MATLAB环境下进行仿真实验,结果表明其能够在准确率、错误率、宏加权F1、微平均F1以及算法运行时间的多分类器评价指标上取得较好的效果,测试结果与现场检修结果基本一致,由此证明了模糊认知图理论应用于道岔故障诊断分类问题的可行性与可靠性。最后,基于搭建好的FCM道岔故障诊断分类模型,借助实验室仿真测试环境,利用Visual Studio编程实现整个系统软件的框架设计,包括网络通信设计、样本管理、模型管理、故障诊断结果及可视化界面等。利用多组测试样本进行验证,诊断结果证明该软件能有效并快速的实现ZD6型道岔故障诊断。图58幅,表23个,参考文献63篇。
孙孟雷[9]（2020）在《基于神经网络的道岔转辙机故障诊断方法研究》文中认为近几年,国内轨道交通得到快速的发展,近五年在轨道交通的投资完成额每年都在8000亿以上,截止2019年,国内铁路等营业里程达到13.9万公里,全国城市轨道交通里程数为5737公里,未来预计在70个城市规划超过2.8万公里的轨道交通线路。道岔转辙机作为轨道交通的“方向盘”,对转辙机等轨道设备需求也在不断增加,面对如此巨大的铁路系统,为了保证轨道交通运输的安全和效率,这时就更加需要相对完备,自动化和智能化的监测诊断系统。以往对道岔转辙机的维护,维修以及监管都是靠工程技术人员对观测的数据进行分析,从而判断设备所处的工作状态,但是依靠人工的知识和经验进行判断不仅诊断评估周期长,而且非常容易出现漏判或者误判等情况。本文在对国内外相关转辙机故障诊断方法以及其他信号识别研究的基础上进行分析,针对目前转辙机故障诊断方法的非智能化手段的情况下,结合功率信号特征提取和神经网络等技术,进行了故障诊断方法的研究。首先通过分析转辙机的工作过程,提出了基于道岔信号形状特征的神经网络故障诊断方法,通过研究工作状态,工作过程以及功率曲线之间的内在关系,提出了关于转辙机工作物理过程和功率信号形状特征映射理论。通过特征提取,建立功率曲线形状特征集并计算特征向量,通过神经网络对特征向量进行建模,最终完成对待检信号进行识别和诊断。在对某实验平台中采集的数据样本进行了训练和测试,再对现场的样本数据进行实景测试,测试结果正确率在98%和93%以上,均达到了工程应用的效果,通过实验验证了该方法的具有一定有效性和实用性。其次针对“手动”特征提取诊断方法的不稳定性等问题,利用卷积神经网相关的特性,从“自动”特征提取和诊断的角度出发,研究了基于道岔特征图的卷积神经网络故障诊断方法。通过多尺度分析,将一维功率信号变换为二维特征图,通过多通道卷积神经网络的信息特征建模和分类识别的能力,构建不同时间尺度下特征图的卷积神经网络故障诊断模型。通过实验和证明,将故障诊断测试集正确率提高到了99.50%和97.50%,在一定程度上克服了“手动”特征诊断方法的不稳定性等问题,验证了该方法的可行性。相对于“手动”特征故障诊断提升了诊断性能。
许强[10]（2019）在《高速铁路工电一体化道岔维护系统的研究》文中研究说明道岔是铁路运输中使列车车辆由一条线路驶向另一条线路的设备,是铁路基础设备中的关键设备之一,主要有基本轨、尖轨、可动心轨及道岔转换锁闭等部分组成。道岔可动部分尖轨、心轨等是线路的薄弱点,既是工务部门线路养护的重点,也是电务部门维护的重点,又是工务、电务惯性故障多发、频发的结合部设备,难以防范和整治。目前,既有道岔检测设施主要有信号集中监测、缺口监测、CPIII线路监测等系统,以及工务、电务综合监测列车数据。通过监测转辙机动作曲线、表示电压、道岔缺口和工务监测轨距道床状态等信息的运用,虽然减少了部分道岔故障,但道岔工电结合部设备维护综合运用效果并不明显。近年来,随着高速和普速线路数量的增多,道岔数量不断增加,道岔的故障率已占故障总数的50%以上。为此,中国国家铁路集团有限公司通过研究道岔综合监测系统、推进工务、电务部门维修体制改革、改进修程修制、推广工电联合检查整治等办法,提升道岔运用质量,降低故障率。本文针对上述情况,首先通过介绍研究背景和现状,以及各监测系统道岔数据的类别和预报警信息的运用情况,人工辅助分析各类检测数据,直接指导道岔维修工作。其次分析系统功能需求、阐述系统设计标准、设计原则及系统间通信标准和处置流程,实现系统的总体设计。再次采用综合数据分析和FTA两种方法来综合获取故障系统建模所需的知识,确定诊断网络的概率参数,建立了CMEP贝叶斯网络模型,并运用贝叶斯网络诊断算法软件对道岔失去表示的故障实例进行了仿真验证,为道岔故障分析提供科学依据,指导现场准确判断故障原因,解决设备隐患。最后利用运用计算机技术、通信技术及Mysql数据库技术、Java语言等方法,实现了高速铁路工电一体化道岔维护系统。通过高速铁路工电一体化系统的使用,实现工务、电务道岔设备资源的共享共用,实时了解道岔运用状态,掌握现场工电联合检查、整治、验收情况,综合分析安全隐患,实施预防性维修,提高设备维护质量、保证列车运行安全。
二、高速锁闭技术及其应用的研究（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、高速锁闭技术及其应用的研究（论文提纲范文）
（1）铁路区段站行车作业安全双重预防研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文技术路线 |
| 2 铁路区段站行车作业安全双重预防现状与理论方法 |
| 2.1 铁路区段站行车作业安全双重预防现状 |
| 2.1.1 铁路区段站行车作业 |
| 2.1.2 铁路区段站行车作业安全双重预防现状 |
| 2.1.3 乌海站行车作业安全双重预防特点 |
| 2.2 双重预防的理论与方法 |
| 2.2.1 事故预防理论 |
| 2.2.2 双重预防理论 |
| 2.2.3 安全风险分级管控方法 |
| 2.2.4 安全隐患排查治理方法 |
| 2.3 铁路区段站行车作业安全双重预防机制基本框架 |
| 2.4 本章小结 |
| 3 铁路区段站行车作业安全风险分级管控研究 |
| 3.1 构建“点—线—面—体”安全风险辨识方法 |
| 3.2 铁路区段站行车安全风险辨识 |
| 3.2.1 设备设施的不安全因素 |
| 3.2.2 作业流程的不安全因素 |
| 3.2.3 作业人员的不安全因素 |
| 3.2.4 环境氛围的不安全因素 |
| 3.3 铁路区段站行车作业安全风险分级 |
| 3.3.1 风险矩阵法参数调整 |
| 3.3.2 风险分级应用分析 |
| 3.4 基于“人防、物防、技防”综合管控方法 |
| 3.5 本章小结 |
| 4 乌海站安全隐患排查治理研究 |
| 4.1 驼峰调车场作业安全隐患排查治理 |
| 4.1.1 乌海站驼峰调车场基本情况调研 |
| 4.1.2 驼峰调车场勾车溜放试验及安全隐患分析排查 |
| 4.1.3 驼峰调车场安全隐患分级及治理方案 |
| 4.2 轨道电路分路不良安全隐患排查治理 |
| 4.2.1 乌海站轨道电路分路不良区段专题调研 |
| 4.2.2 不同情形下轨道电路分路不良区段作业分析及安全隐患排查 |
| 4.2.3 轨道分路不良区段安全隐患分级及治理方案 |
| 4.3 调车作业原进路返回安全隐患排查治理 |
| 4.3.1 调车作业原进路返回写实分析 |
| 4.3.2 不同情形下调车作业原进路返回分析及安全隐患排查 |
| 4.3.3 调车作业原进路返回安全隐患分级及治理方案 |
| 4.4 本章小结 |
| 5 铁路区段站行车作业安全双重预防制度体系设计 |
| 5.1 安全责任体系 |
| 5.2 管理制度体系 |
| 5.3 投入保障体系 |
| 5.4 激励约束体系 |
| 5.5 培训教育体系 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读学位期间取得的科研成果 |
| 学位论文数据集 |
（2）基于随机森林的道岔转辙设备故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断技术研究现状 |
| 1.2.2 道岔设备故障诊断技术研究现状 |
| 1.2.3 研究现状分析 |
| 1.3 论文的主要研究内容及结构 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文篇幅结构 |
| 2 道岔转换设备故障原因及故障模式分析 |
| 2.1 道岔设备组成及工作原理 |
| 2.1.1 道岔系统组成 |
| 2.1.2 道岔转换设备工作原理 |
| 2.2 道岔转换设备常见故障电流曲线分析 |
| 2.2.1 ZD6型转辙机机械原理 |
| 2.2.2 ZD6型转辙机监测原理 |
| 2.2.3 正常电流曲线分析 |
| 2.2.4 常见故障模式电流曲线分析 |
| 2.3 本章小结 |
| 3 基于随机森林的道岔转换设备故障诊断方法 |
| 3.1 基于随机森林的道岔设备故障诊断方法 |
| 3.1.1 决策树 |
| 3.1.2 随机森林算法 |
| 3.1.3 基于随机森林的道岔设备故障诊断方法 |
| 3.2 道岔转换设备故障诊断案例库建立 |
| 3.2.1 专家经验故障库 |
| 3.2.2 道岔转换设备故障数据收集 |
| 3.2.3 案例库数据预处理 |
| 3.3 模型评价指标 |
| 3.4 本章小结 |
| 4 基于随机森林的道岔转换设备故障诊断方法验证 |
| 4.1 基于随机森林的道岔设备故障诊断步骤及流程 |
| 4.2 算法优化及结果分析 |
| 4.2.1 算法优化 |
| 4.2.2 结果分析 |
| 4.3 算法性能比较 |
| 4.4 本章小结 |
| 5 基于随机森林的道岔转换设备故障诊断功能设计 |
| 5.1 道岔设备故障诊断功能实验环境介绍 |
| 5.2 道岔设备故障诊断功能应用环境及功能设计 |
| 5.2.1 软件应用环境 |
| 5.2.2 软件功能设计 |
| 5.2.3 软件数据库设计 |
| 5.3 交互过程设计分析 |
| 5.4 本章小节 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的科研成果 |
| 学位论文数据集 |
（3）转辙机综合监测的需求及方法研究（论文提纲范文）
| 1 概述 |
| 2 研究现状及问题 |
| 2.1 道岔转换设备相关监测研究现状 |
| 2.2 存在的问题 |
| 3 转辙机综合监测需求 |
| 4 ZD9/ZDJ9转辙机综合监测的实现 |
| 4.1 传感器及安装结构的限制 |
| 4.2 ZDJ9转辙机可监测项点 |
| 4.3 监测样例 |
| 5 小结 |
（4）地铁车门传动系统建模与退化补偿控制策略（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机械传动系统退化研究现状 |
| 1.2.2 地铁车门传动系统退化研究现状 |
| 1.2.3 自动补偿控制技术研究现状 |
| 1.3 存在的问题及研究目的 |
| 1.4 主要研究内容及剩余章节介绍 |
| 第2章 车门传动部件参数计算及退化分析 |
| 2.1 传动系统结构组成及工作原理 |
| 2.1.1 传动系统结构组成 |
| 2.1.2 传动系统工作原理 |
| 2.2 梅花联轴器 |
| 2.2.1 梅花联轴器简介 |
| 2.2.2 梅花联轴器退化分析 |
| 2.3 行星齿轮减速器 |
| 2.3.1 减速器结构组成及工作原理 |
| 2.3.2 减速器传动比的计算 |
| 2.3.3 减速器扭转刚度的计算 |
| 2.3.4 减速器退化分析 |
| 2.4 丝杆 |
| 2.4.1 丝杆与滚珠间轴向接触刚度的计算 |
| 2.4.2 丝杆与滚珠间接触磨损退化分析 |
| 2.4.3 丝杆与滚珠间轴向接触刚度退化分析 |
| 2.5 本章小结 |
| 第3章 车门运动特性分析 |
| 3.1 车门运行轨迹分析 |
| 3.2 X方向车门运动特性分析 |
| 3.3 Y方向车门运动特性分析 |
| 3.4 本章小结 |
| 第4章 车门传动系统动力学模型 |
| 4.1 传动系统动力学建模 |
| 4.1.1 传动系统动力学方程 |
| 4.1.2 传动系统传递函数 |
| 4.2 模型的位移及速度输出分析 |
| 4.3 实验验证 |
| 4.4 本章小结 |
| 第5章 系统退化自动补偿控制策略 |
| 5.1 补偿控制策略传递函数 |
| 5.2 初始状态下补偿效果分析 |
| 5.3 系统阻尼系数变化时补偿效果分析 |
| 5.3.1 系统阻尼系数的变化对车门开闭性能的影响 |
| 5.3.2 系统阻尼系数变化时补偿系统输出 |
| 5.4 丝杆与滚珠间的轴向接触刚度变化时补偿效果分析 |
| 5.4.1 丝杆与滚珠间轴向接触刚度的变化对车门开闭性能的影响 |
| 5.4.2 丝杆与滚珠间轴向接触刚度变化时补偿系统输出 |
| 5.5 系统等效扭转刚度变化时补偿效果分析 |
| 5.5.1 系统等效扭转刚度的变化对车门开闭性能的影响 |
| 5.5.2 系统等效扭转刚度变化时补偿系统输出 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 攻读学位期间的研究成果 |
（5）基于EEMD多尺度模糊熵的S700K转辙机故障诊断的研究（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 故障诊断技术的发展现状 |
| 1.2.2 转辙机故障诊断技术的研究现状 |
| 1.2.3 故障特征提取的现状 |
| 1.3 主要研究内容 |
| 2 道岔转换装置与故障模式分析 |
| 2.1 道岔转换装置的概述 |
| 2.1.1 道岔的基本结构 |
| 2.1.2 道岔外锁闭装置 |
| 2.1.3 转辙机的结构及动作原理 |
| 2.2 道岔转辙机功率曲线分析 |
| 2.2.1 正常动作功率曲线分析 |
| 2.2.2 常见故障及其功率曲线分析 |
| 2.3 小结 |
| 3 基于EEMD多尺度模糊熵的特征提取 |
| 3.1 故障特征提取算法简介 |
| 3.2 EEMD算法的基本原理 |
| 3.2.1 经验模态分解(EMD) |
| 3.2.2 集合经验模态分解(EEMD) |
| 3.2.3 初始化参数的确定 |
| 3.3 模糊熵算法的基本原理 |
| 3.3.1 熵的定义 |
| 3.3.2 模糊熵算法 |
| 3.3.3 初始化参数的确定 |
| 3.4 仿真分析 |
| 3.5 小结 |
| 4 基于灰色关联度与模糊聚类的故障识别方法的研究 |
| 4.1 灰色关联度算法的基本原理 |
| 4.1.1 灰色关联度故障识别策略 |
| 4.1.2 灰色关联度算法 |
| 4.2 模糊聚类方法的基本原理 |
| 4.2.1 模糊聚类故障识别策略 |
| 4.2.2 模糊聚类方法 |
| 4.3 小结 |
| 5 S700K转辙机故障诊断方法的验证 |
| 5.1 基于灰色关联度的故障识别 |
| 5.1.1 灰色关联度算法中分辨系数的确定 |
| 5.1.2 基于灰色关联度故障诊断的功能测试 |
| 5.2 基于模糊聚类方法的故障识别 |
| 5.2.1 特征模式矩阵的建立 |
| 5.2.2 基于模糊聚类故障诊断的功能测试 |
| 5.3 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（6）基于机器学习的集中监测道岔故障诊断研究与设计（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景和意义 |
| 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 |
| 1.3 论文内容和体系结构 |
| 2 信号集中监测系统与ZD6原理概述 |
| 2.1 信号集中监测系统概述 |
| 2.1.1 集中监测系统结构与功能 |
| 2.1.2 集中监测系统道岔信息采集原理 |
| 2.2 ZD6型道岔转辙机概述 |
| 2.2.1 ZD6道岔转辙机组成与原理 |
| 2.2.2 动作过程分析 |
| 2.2.3 道岔动作电流曲线分析 |
| 2.3 ZD6型道岔常见故障分析 |
| 2.3.1 启动异常类 |
| 2.3.2 动作区异常类 |
| 2.3.3 锁闭区异常类 |
| 2.4 本章小结 |
| 3 基于机器学习的集中监测道岔故障诊断模型 |
| 3.1 样本集获取 |
| 3.2 基于BP网络的道岔故障诊断模型 |
| 3.2.1 BP网络结构及诊断原理 |
| 3.2.2 输入输出层设计 |
| 3.2.3 归一化处理 |
| 3.2.4 训练函数选择 |
| 3.2.5 最佳隐含层节点数 |
| 3.2.6 BP网络诊断结果分析 |
| 3.3 基于PNN网络的道岔故障诊断模型 |
| 3.3.1 PNN网络结构及诊断原理 |
| 3.3.2 最佳平滑因子 |
| 3.3.3 PNN网络诊断结果分析 |
| 3.4 基于SVM的道岔故障诊断模型 |
| 3.4.1 SVM理论及诊断原理 |
| 3.4.2 核函数确定 |
| 3.4.3 参数C和G的寻优 |
| 3.4.4 SVM模型诊断结果分析 |
| 3.5 三种模型对比分析 |
| 3.6 本章小结 |
| 4 基于PNN决策级融合的道岔故障诊断模型 |
| 4.1 信息融合技术 |
| 4.1.1 信息融合技术概念 |
| 4.1.2 信息融合结构分类 |
| 4.2 基于PNN决策级融合的故障诊断模型设计 |
| 4.2.1 基于PNN决策级融合的故障诊断原理 |
| 4.2.2 基于PNN决策级融合的故障诊断模型建立 |
| 4.3 基于PNN决策级融合故障诊断模型验证与分析 |
| 4.3.1 某一模型失效情况下的验证与分析 |
| 4.3.2 初始模型完好情况下的验证与分析 |
| 4.4 本章小结 |
| 5 集中监测道岔故障诊断软件系统设计 |
| 5.1 轨道交通区域联锁与集中监测系统实验平台介绍 |
| 5.2 软件系统需求分析 |
| 5.2.1 功能需求分析 |
| 5.2.2 数据需求分析 |
| 5.3 软件模块划分与设计 |
| 5.3.1 人机交互界面模块 |
| 5.3.2 通信接口管理模块 |
| 5.3.3 数据存储操作模块 |
| 5.3.4 故障诊断功能模块 |
| 5.3.5 诊断模型管理模块 |
| 5.3.6 报警与处理模块 |
| 5.4 软件系统的实现与测试 |
| 5.4.1 集中监测道岔故障诊断软件实现 |
| 5.4.2 道岔动作电流查询测试 |
| 5.4.3 道岔故障诊断测试 |
| 5.4.4 道岔报警处理测试 |
| 5.4.5 诊断模型更新测试 |
| 5.5 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 |
（7）基于集成学习的铁路道岔故障诊断系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 道岔故障概述与数据预处理 |
| 2.1 道岔 |
| 2.2 道岔采集机 |
| 2.3 道岔状态监测电流分析 |
| 2.4 道岔故障诊断规则知识库 |
| 2.4.1 故障诊断知识库 |
| 2.4.2 故障电流详细说明 |
| 2.5 基于二重埃尔米特插值数据整合方法 |
| 2.5.1 埃尔米特插值 |
| 2.5.2 插值数据处理 |
| 2.6 本章小结 |
| 第三章 基于传统分类器的铁路道岔故障诊断模型 |
| 3.1 基于SVM的铁路道岔故障诊断模型研究 |
| 3.1.1 支持向量机简介 |
| 3.1.2 支持向量机参数 |
| 3.1.3 网格搜索法 |
| 3.1.4 参数优化 |
| 3.1.5 实验验证 |
| 3.2 基于BP神经网络的铁路道岔故障诊断模型研究 |
| 3.2.1 BP神经网络的简介 |
| 3.2.2 BP神经网络的训练 |
| 3.2.3 参数优化 |
| 3.2.4 实验验证 |
| 3.3 基于决策树的铁路道岔故障诊断模型研究 |
| 3.3.1 C4.5算法简介和基本原理 |
| 3.3.2 决策树参数 |
| 3.3.3 贝叶斯优化 |
| 3.3.4 参数优化 |
| 3.3.5 实验验证 |
| 3.4 本章小结 |
| 第四章 基于集成学习的道岔故障诊断模型 |
| 4.1 集成学习算法 |
| 4.1.1 Bagging算法 |
| 4.1.2 Boosting算法 |
| 4.1.3 Stacking算法 |
| 4.2 Stacking算法改进与元学习器选取 |
| 4.2.1 Stacking算法改进 |
| 4.2.2 元学习器选择 |
| 4.3 基于集成学习的深度置信网络道岔故障诊断研究 |
| 4.3.1 深度置信网络简介 |
| 4.3.2 基于深度置信网络模型的训练 |
| 4.3.3 基于集成学习的深度置信网络模型参数优化 |
| 4.3.4 基于集成学习的深度置信网络模型的构建 |
| 4.3.5 实验验证 |
| 4.4 基于集成学习的一维卷积神经网络道岔故障诊断研究 |
| 4.4.1 卷积神经网络简介 |
| 4.4.2 卷积神经网络基本构造 |
| 4.4.3 基于集成学习的一维卷积神经网络参数优化 |
| 4.4.4 基于集成学习的一维卷积神经网络模型的构建 |
| 4.4.5 实验验证 |
| 4.5 模型比较 |
| 4.6 本章小结 |
| 第五章 高速铁路道岔故障诊断系统的设计与实现 |
| 5.1 系统总体设计 |
| 5.2 系统开发环境 |
| 5.3 数据库设计 |
| 5.3.1 数据分析 |
| 5.3.2 结构设计 |
| 5.4 系统功能实现 |
| 5.4.1 道岔启动电流监控 |
| 5.4.2 实时报警 |
| 5.4.3 历史报警信息 |
| 5.4.4 选择车站站点 |
| 5.4.5 道岔健康状况 |
| 5.4.6 道岔故障学习系统 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简介、在学期间的研究成果及发表的学术论文 |
（8）基于模糊认知图的道岔故障诊断研究（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 国外道岔故障研究现状 |
| 1.2.2 国内道岔故障研究现状 |
| 1.3 论文的主要工作和结构安排 |
| 2 道岔工作原理及故障模式 |
| 2.1 ZD6型道岔系统分析 |
| 2.1.1 铁路道岔基本结构 |
| 2.1.2 ZD6型系列电动转辙机 |
| 2.1.3 ZD6型道岔控制电路 |
| 2.2 ZD6型道岔动作电流 |
| 2.2.1 ZD6道岔电流曲线监测原理 |
| 2.2.2 ZD6道岔电流正常曲线分析 |
| 2.3 典型道岔故障类型及原因分析 |
| 2.4 本章小结 |
| 3 道岔动作电流曲线特征提取 |
| 3.1 特征提取概述 |
| 3.2 特征提取方式 |
| 3.2.1 基于时间固定分段的特征提取方式 |
| 3.2.2 基于道岔转换状态的特征提取方式 |
| 3.2.3 基于小波包分解的能量特征提取方式 |
| 3.3 本章小结 |
| 4 基于模糊认知图的道岔故障诊断研究 |
| 4.1 模糊认知图理论 |
| 4.1.1 模糊认知图发展现状 |
| 4.1.2 模糊认知图推理机制 |
| 4.2 模糊认知图权值学习算法 |
| 4.2.1 基于遗传算法的FCM权值学习方法 |
| 4.2.2 基于粒子群算法的FCM权值学习方法 |
| 4.3 基于模糊认知图的道岔故障诊断研究 |
| 4.3.1 网络结构 |
| 4.3.2 分类推理过程 |
| 4.3.3 分类器评价指标 |
| 4.3.4 仿真实验 |
| 4.3.5 结果分析 |
| 4.4 本章小结 |
| 5 道岔故障诊断软件设计与实现 |
| 5.1 软件功能需求分析 |
| 5.1.1 实验室坏境介绍 |
| 5.1.2 软件需求分析 |
| 5.2 软件功能模块设计 |
| 5.2.1 通信信息管理模块 |
| 5.2.2 样本数据管理模块 |
| 5.2.3 训练模型管理模块 |
| 5.2.4 诊断结果显示模块 |
| 5.3 仿真平台软件实现与测试 |
| 5.3.1 仿真平台主界面 |
| 5.3.2 仿真平台功能测试 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 论文总结 |
| 6.2 论文展望 |
| 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）基于神经网络的道岔转辙机故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 铁路监测系统的发展现状 |
| 1.2.2 道岔转辙机故障诊断方法国外研究现状 |
| 1.2.3 道岔转辙机故障诊断方法国内研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 道岔基本结构及工作原理 |
| 2.1 道岔基本组成结构 |
| 2.2 道岔转辙机的基本结构 |
| 2.3 道岔转辙机的控制过程及原理 |
| 2.4 本章小结 |
| 第三章 道岔转辙机故障模式及功率曲线分析 |
| 3.1 道岔设备状态检测管理实验子平台 |
| 3.2 A型转辙机状态参数分析 |
| 3.2.1 转辙机转换力分析 |
| 3.2.2 力与电机功率关系分析 |
| 3.2.3 电功率与工作状态分析 |
| 3.3 道岔转辙机故障模式分析 |
| 3.3.1 道岔常见故障模式 |
| 3.3.2 道岔转辙机故障功率曲线分析 |
| 3.3.3 转辙机故障诊断类型总结 |
| 3.4 本章小结 |
| 第四章 基于道岔信号形状特征的神经网络故障诊断方法 |
| 4.1 基于信号形状特征理论分析 |
| 4.2 道岔转辙机功率信号形状特征提取方法 |
| 4.2.1 特征点序列提取 |
| 4.2.2 形状特征规则设计与提取 |
| 4.3 形状特征特征向量计算 |
| 4.4 基于形状特征的神经网络故障诊断 |
| 4.4.1 BP-神经网络概述与结构 |
| 4.4.2 道岔转辙机诊断方法验证与实验 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 第五章 基于道岔特征图的卷积神经网络故障诊断方法 |
| 5.1 基于特征图的卷积神经网络方法概述 |
| 5.1.1 卷积神经网络简介 |
| 5.1.2 基于特征图的诊断方法研究 |
| 5.2 多尺度(粒度)特征图 |
| 5.2.1 基于多尺度信号处理的研究 |
| 5.2.2 特征图的定义和分析 |
| 5.3 基于特征图的卷积神经网络故障诊断 |
| 5.3.1 卷积神经网络结构设计 |
| 5.3.2 道岔转辙机诊断方法验证与实验 |
| 5.3.3 实验结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（10）高速铁路工电一体化道岔维护系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和目的 |
| 1.2 国内外道岔设备及监测系统的现状 |
| 1.2.1 国内道岔及监测系统运用情况 |
| 1.2.2 国外道岔设备及监测系统情况 |
| 1.3 论文主要研究内容及结构安排 |
| 2 道岔监测各系统主要功能和数据运用情况 |
| 2.1 信号集中监测系统 |
| 2.1.1 道岔功率曲线采集原理 |
| 2.1.2 道岔表示电压曲线 |
| 2.1.3 与其他系统接口 |
| 2.2 道岔缺口监测系统 |
| 2.2.1 道岔缺口采集原理 |
| 2.2.2 道岔缺口日、月曲线 |
| 2.2.3 道岔缺口监测报警设置 |
| 2.3 道岔转换监测系统 |
| 2.3.1 道岔静态监测 |
| 2.3.2 道岔动态监测 |
| 2.3.3 转换阻力测试 |
| 2.4 工务综合检测数据 |
| 2.5 道岔设备数据应用 |
| 2.5.1 主要数据 |
| 2.5.2 数据分析 |
| 2.6 小结 |
| 3 系统需求分析、设计原则和标准 |
| 3.1 需求分析 |
| 3.1.1 权限控制功能需求分析 |
| 3.1.2 系统配置功能需求分析 |
| 3.1.3 机构管理模块功能分析 |
| 3.1.4 站场管理功能需求分析 |
| 3.1.5 人员管理功能需求分析 |
| 3.1.6 设备管理功能需求分析 |
| 3.2 系统结构设计 |
| 3.2.1 系统软件结构 |
| 3.2.2 系统各层次结构 |
| 3.3 系统设计原则和标准 |
| 3.3.1 设计原则 |
| 3.3.2 设计标准 |
| 3.4 系统通信接口标准 |
| 3.4.1 接口流程 |
| 3.4.2 接口协议 |
| 3.5 小结 |
| 4 维护系统诊断模型的构建及故障推理 |
| 4.1 Bayes网络基础理论 |
| 4.1.1 Bayes的基本观点 |
| 4.1.2 Bayes网络的概率论基础 |
| 4.1.3 Bayes网络的结构及建立方法 |
| 4.2 网络故障知识的获取 |
| 4.2.1 综合数据分析 |
| 4.2.2 获取故障树知识 |
| 4.3 CMEP Bayes网络的故障诊断模型 |
| 4.3.1 CMEP Bayes网络模型概述 |
| 4.3.2 CMEP Bayes网络模型的构建 |
| 4.3.3 确定诊断网络的概率 |
| 4.4 Bayes诊断网络的推理 |
| 4.4.1 Bayes诊断网络的推理模式 |
| 4.4.2 Bayes网络诊断推理的流程 |
| 4.5 小结 |
| 5 系统故障诊断算法实现 |
| 5.1 故障诊断算法实现流程 |
| 5.2 贝叶斯网络分析软件介绍 |
| 5.3 实例分析 |
| 5.3.1 故障网络模型的构建 |
| 5.3.2 故障诊断网络的推理 |
| 5.3.3 故障诊断网络的验证 |
| 5.4 算法分析与评价 |
| 5.5 算法运用 |
| 5.6 小结 |
| 6 系统平台实现 |
| 6.1 系统软件 |
| 6.1.1 系统软件开发工具 |
| 6.1.2 系统软件总体架构 |
| 6.1.3 系统总体功能流程图 |
| 6.2 系统功能 |
| 6.2.1 系统主界面 |
| 6.2.2 工区终端功能 |
| 6.2.3 车间终端功能 |
| 6.2.4 段级终端功能 |
| 6.3 高速铁路工电一体化维修系统组网 |
| 6.4 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
四、高速锁闭技术及其应用的研究（论文参考文献）
- [1]铁路区段站行车作业安全双重预防研究[D]. 姬文杰. 中国铁道科学研究院, 2021(01)
- [2]基于随机森林的道岔转辙设备故障诊断方法研究[D]. 刘晏伊. 中国铁道科学研究院, 2021(01)
- [3]转辙机综合监测的需求及方法研究[J]. 鲍才让太,莫重明,翟文革,丁召荣. 铁路通信信号工程技术, 2021(04)
- [4]地铁车门传动系统建模与退化补偿控制策略[D]. 仓恒. 兰州理工大学, 2021(01)
- [5]基于EEMD多尺度模糊熵的S700K转辙机故障诊断的研究[D]. 刘新发. 兰州交通大学, 2020(01)
- [6]基于机器学习的集中监测道岔故障诊断研究与设计[D]. 习家宁. 北京交通大学, 2020(03)
- [7]基于集成学习的铁路道岔故障诊断系统研究[D]. 刘静伟. 石家庄铁道大学, 2020(04)
- [8]基于模糊认知图的道岔故障诊断研究[D]. 梁瑶. 北京交通大学, 2020(03)
- [9]基于神经网络的道岔转辙机故障诊断方法研究[D]. 孙孟雷. 电子科技大学, 2020(07)
- [10]高速铁路工电一体化道岔维护系统的研究[D]. 许强. 兰州交通大学, 2019(01)