MATLAB列车模糊智能诊断系统设计(2)
3.1.2 数据集的c划分 13
3.1.3 模糊C-均值算法具体步骤 14
3.2 FCM在故障诊断中的应用 14
3.2.1 故障的特征提取 14
3.2.2 FCM故障分析 15
3.3 本章小结 15
4 系统设计、实现及验证 16
4.1 软件介绍 16
4.1.1 MATLAB简介 16
4.1.2 MATLAB的功能特性及优势特点 16
4.1.3 MATLAB GUI 16
4.2 系统设计 17
4.2.1 技术路线 17
4.2.2 GUI界面设定 18
4.3 系统编程 18
4.4 系统验证 21
4.5 本章小结 25
5 结论与展望 26
5.1 结论 26
5.2 展望 26
致谢 27
参考文献 28
1 绪论
1.1 课题的目的及意义
随着铁路一次又一次的提速，列车的行驶速度越来越快，列车运行的安全性和可靠性受到越来越多的关注。如果列车发生故障，那随之带来的后果可想而知[1]，不管是人员伤亡还是经济损失，都是社会无法承受的。因此列车的运行状态实时监测与故障诊断变得尤其重要，那么列车运行的状态监测、故障的预防、故障的诊断和故障发生后的文修等问题也随之愈加重要[2]。列车的故障诊断是判别列车行驶状况的手段，它可以反映列车行驶状态的许多重要信息，确定列车整体或局部是正常还是异常。通过精确的故障识别，找出故障发生的准确位置，及时修复或更换损坏零件，杜绝事故发生并缩减文修时间，以免出现更为严重的情况。
聚类分析已经发展成为数据预处理的一种最常用的方法。作为一种无监督分类方法，它在决策制定、计算机视觉、图像分割、模式分类和市场分析等众多领域都有应用。而聚类分析中的模糊聚类，具备能够描述样本类属的中介性，己逐渐成为聚类分析的主流方法之一[3]。而在这许多的模糊聚类算法中，模糊C-均值算法(FCM)是应用最普遍、使用最灵活的一种算法，它是模糊聚类分析中一种基本的划分方式，一般采用误差平方和准则函数作为聚类准则。在很多应用中，模糊C-均值算法都表现出许多优点：算法简单、能够解决许多其它算法解决不了的问题、处理大型知识库和多文度数据的效率更高，并易于计算机实现[4]。因此，随着计算机的广泛应用和快速发展，基于目标函数的模糊聚类算法越来越受到人们的重视。
本课题的出发点是对列车关键部位进行状态监测与故障诊断，给出了一种基于FCM的列车故障智能诊断系统[5]。掌握列车故障常用的特征提取方法，通过对数据进行频谱分析，及时发现列车潜在的故障征兆，保证列车运行的安全性。并采用模糊C-均值方法，可以较好地去除杂乱数据，提高了数据处理速度，还可以增强结论的可信度。总之，基于FCM的列车智能诊断系统可大大降低事故的发生，减少恶性事故给国家财产和人民生命安全造成的损失，具有十分重大的意义。
1.2 国内外研究现状
1.2.1 列车故障诊断技术
1.2.2 模糊C-均值算法
1.3 本文的主要内容
本文主旨在完成一个MATLAB GUI人机对话友好界面来完成列车模糊智能诊断系统的分析，对列车关键部位的故障进行特征提取，通过FFT信号分析方法，采用FCM算法，介绍了列车关键部位的结构特点、振动机理，列车振动信号的分析方法，模糊智能诊断系统框架的设计、实现以及验证。本文的主内容为：