摘 要

本文的研究目的和意义是开发出高铁站场设备故障诊断系统来使高铁站场设备无故障、工作可靠，发挥最大效益；确保能够及时的监测和诊断出高铁站场设备即将产生的故障和已存在的故障，并对故障设备正确地进行维修处理。

高铁站场设备故障诊断系统主要利用了决策树为各设备的样例进行数据筛选实现实时在线监测功能。使用BP算法完成对大量的样本数据进行训练学习，创建出对应的模板，系统会根据该模板对实时数据进行分类处理进而来诊断高铁站场设备中所存在的故障。使用SQLit完成对数据库的创建以及对数据库中数据的各项操作。

研究结果表明该系统运行稳定功能完整，用户可以通过管理员获取权限，利用客户端浏览器完成对设备故障的诊断以及对设备的维修，也可以对后台数据库进行操作。在发生故障后，系统能够在短时间内检测到故障且误报率和漏报率较小。

关键词：设备故障诊断系统；BP神经网络算法；数据库技术；javaWeb技术

Abstract

The purpose and significance of this study is to develop a high-speed rail station equipment fault diagnosis system to make high-speed rail station equipment trouble-free, reliable, and maximize efficiency; to ensure timely monitoring and diagnosis of high-speed rail station equipment is about to produce faults and There is a fault, and the faulty equipment is properly repaired.

The high-speed railway station equipment fault diagnosis system mainly uses the decision tree to carry on the data screening for each kind of equipment to realize the real-time on-line monitoring function. Using the BP algorithm to complete the training of a large number of sample data to learn to create the corresponding template, the system will be based on the template for real-time data classification and then to diagnose high-speed rail station equipment in the fault. Use SQLit to complete the creation of the database and the data in the database operations.

The results show that the system is stable and functional, the user can obtain the authority through the administrator, the use of client browser to complete the diagnosis of equipment failure and equipment maintenance, you can also operate the background database. In the event of failure, the system can detect faults in a short time and the false alarm rate and false negative rate is small.

Key Words：Equipment fault diagnosis system; BP neural network algorithm; database technology; javaWeb technology

目 录

第1章 绪论 1

1.1国外的研究发展状况 1

1.2国内的研究发展状况 1

1.3本文研究的内容及目标 2

1.4本文的章节安排 2

2.1 关于实现高铁站场设备故障诊断系统的关键技术 3

2.2 BP神经网络与BP算法 3

2.3 SQLite 4

2.4 数据库技术在高铁站场设备故障诊断系统中的应用 4

2.4.1 后台数据库的选择 4

2.4.2 数据需求分析 5

2.4.3功能需求分析 5

2.5本章小结 5

第3章 系统的总体结构和设计方案 6

3.1 系统的总体功能分析 6

3.2系统的结构模式设计 6

3.3数据库的结构设计 7

3.4本章小结 10

第4章 系统的设计与实现 11

4.1实时在线诊断系统的实现 11

4.2数据库服务器的实现 12

4.3 BP神经网络的设计与实现 12

4.4用户界面与后台交互的实现 14

4.5本章小结 17

第5章 系统总结与展望 18

5.1 论文的工作总结 18

5.2对系统的未来展望 18

第6章 致谢词 19

参考文献 20

第1章 绪论

随着社会生活和科学技术的发展，高铁站场设备发展的一个明显趋势是工作强度不断增加，自动化程度愈来愈高，各部分结构越来越复杂，各部分之间的联系也更加紧密，这样就会出现由于设备的某一部分发生故障而产生“多米诺骨牌”效应的情形，导致整个设备甚至与该设备有关联的其他设备都遭受不同程度的的损伤或损坏，这样不仅可能会使高铁站场工作停滞下来造成不必要的经济损失，而且人们的生命安全也得不到保障，进而造成严重的后果。为此在现代化的高铁站场中人们普遍使用一种高效适用的技术—设备故障诊断技术来对设备进行有效的管理。由于Java编程语言具有跨平台使用等众多优点以及BP神经网络算法在人工智能的处理数据的方面具有其独特的优势，能够解决模式识别、模糊控制并且按照人们满意解的原则进行优化组合，从而被人们广泛的运用。人们在此基础上开发了一些关于设备诊断的专用系统。

1.1国外的研究发展状况

1989年美国珀杜大学的Venkat Venkatasubramanian等人将人工神经网络应用于设备故障诊断系统中。他们所进行诊断的对象是一个流化态催化裂化单元的故障，实验取得了满意的成果，能够正确的诊断出94%-98%的故障原因。但是其中也有让人不满意的地方，包括训练时间过长以及训练时没有往设备中输入的实时的数据。即使有一些让人不如意的问题出现，但这是人们第一次在设备故障诊断系统中使用人工神经网络技术。无独有偶，也是同一年，美国的德克萨斯大学的Hoskins和Himmelblau等人将BP神经网络算法应用于设备故障诊断系统中，并且在应用时采用连续变量作为输入的数据。他们根据一个标量决策函数采用人工神经网络对输入的数据模式进行分类，采用BP神经网络的算法讨论了隐层节点数对效率的影响。1991年北卡罗来纳州立大学的M.Chow和S.O.Yee等人用人工神经网络对交流感应电动机进行了设备故障诊断，解决了传统的设备故障诊断方法中存在的一些问题。实验结果显示，此方法的准确率超过95%。从此以后，神经网络方法在设备故障诊断系统中得到了广泛的应用。

1.2国内的研究发展状况