论文部分内容阅读
轨道电路作为铁路信号室外基础设备之一,实现列车占用和信息传输等作用,保障着列车的安全运行和运输效率。随着列车速度的不断提高,对列控系统提出了更高的要求。目前对于轨道电路故障诊断技术的研究存在诊断准确率低、诊断时间长等不足,仍给铁路工作人员的维修维护带来很大的压力,对轨道电路故障诊断技术的研究仍然有很重要的意义。本文以我国铁路广泛应用的ZPW-2000A无绝缘轨道电路为研究对象,研究其故障诊断技术。主要从故障诊断算法、诊断结果、诊断准确率三个方面进行了相应的研究。首先,阐述无绝缘轨道电路的结构原理,分析其故障模式、故障原因以及特征提取方法。在此基础上,研究当下故障诊断算法存在的不足以及在轨道电路应用的空缺,将粒子群(Particle Swarm Optimization,PSO)算法和最小二乘支持向量机(Least Square Support Vector Machines,LSSVM)结合的算法应用在此领域。分析其存在的不足,提出改进后的PSO-LSSVM故障诊断方法。一方面,通过改变惯性权重系数、引入收缩因子、调整学习因子对PSO算法进行改进,克服其易陷入局部最优的问题;另一方面,为克服径向基(Radial Basis Function,RBF)核函数泛化性能弱的问题,结合多项式(Polynomial)核函数构造一种混合核函数以提高其泛化性能。从而根据改进的PSO-LSSVM混合算法对轨道电路进行故障诊断,提高其诊断精度。其次,针对改进后的PSO-LSSVM故障诊断方法诊断结果不稳定、诊断准确率仍有待提高的问题,将不易陷入局部最优的模拟退火(Simulated Annealing,SA)算法引入其中。结合三种算法的优点,提出一种基于自适应变异SAPSO-LSSVM混合算法,实现轨道电路故障诊断。利用遗传(Genetic Algorithm,GA)算法的变异思想对SA算法进行改进,通过改进的SA对PSO算法进行优化得到一种自适应变异SAPSO算法;然后用SAPSO算法优化LSSVM的两个参数;最后根据得到的最佳参数值确定最优模型进行轨道电路故障诊断,这种方法简化了改进后PSO-LSSVM故障诊断方法的复杂度,并且提高了诊断精度及诊断稳定性。最后,通过理论分析及其仿真结果验证:较未改进的PSO-LSSVM以及现下较为先进的几种算法,本文提出的两种算法更易找到粒子最优解,从而有效地抑制粒子陷入局部最优,进一步提高了轨道电路的故障诊断精度,验证了所提算法的有效性和可行性,可为现场维修人员提供一定的参考价值。