CN105260595A - 道岔动作电流曲线的特征提取方法及道岔故障诊断方法 - Google Patents

Abstract

本发明一种道岔动作电流曲线的特征提取方法，包括如下步骤：获取道岔动作的电流数据生成道岔动作电流曲线，将道岔动作电流曲线转换到投影坐标系，确定所述投影坐标系下各道岔动作区段的分段，输出各电流值区间的开始点与结束点。本方法简单高效，所提取的特征可以为诊断模型特征集提取提供依据，经选择的特征即可作为模型的输入参数。应用本发明特征提取方法的道岔故障诊断方法，不仅能在道岔发生故障时及时准确的提供维修信息，指导现场维护人员有针对性的对故障道岔进行维修，降低维修成本，提高道岔的使用效率，还能降低发生故障后带来的各种不利影响，压缩故障延时，进一步减少运输延误，对于提高运输***安全和效率也有重要的现实意义。

Description

道岔动作电流曲线的特征提取方法及道岔故障诊断方法

技术领域

本发明涉及铁路领域里道岔故障诊断方法，特别涉及一种利用值投影及柱状图的道岔动作电流曲线的特征提取方法，以及利用该特征提取方法进行道岔故障诊断的方法。

背景技术

道岔的主要作用是引导车轮的运行方向以实现列车的转线和跨线运行，是保障铁路运输安全与效率的关键设备之一。

我国铁路网规模庞大，覆盖地域辽阔，气候条件复杂多样，不同的运营模式和列车装备条件等都对道岔的应用形成了巨大的挑战。加之铁路线路运输繁忙，道岔转换频繁，在长时间的使用过程中会产生磨损，并且由于道岔处于露天使用状态，很容易出现异物堵塞等情况，其机械状态也易发生变化，造成道岔的误动作，不动作或不完全动作，引发列车脱轨、挤岔等事故。长期以来，我国对道岔设备的维修方式仍采用传统的故障修和周期修的方式，主要依靠维护人员定期浏览微机监测采集到的道岔转辙机动作电流、电压曲线，通过与正常运行道岔的监测数据作对比，来识别道岔故障。这种人工定期维修方式对维护人员的工作经验依赖较高，容易出现误判和漏判等情况，严重影响维修效率，不能满足铁路运输发展的需求。因此，迫切需要改变传统的道岔故障诊断及维护方式，采用新的智能诊断方法，实现从基于故障修和周期修的维修模式向状态修模式的转变。

智能故障诊断面临的难题之一是如何发现故障特征知识。道岔工作机理复杂，在道岔转换过程中，道岔转辙机的动作电流及道岔转换阻力等的变化特性存在很大的不确定性，如何基于道岔动作电流曲线来提取故障特征并实现故障诊断是极具挑战的难题。

发明内容

为提高铁路运输***安全和效率，解决道岔故障诊断问题中故障特征知识的发现和识别问题，本发明提供一种道岔动作电流曲线的特征提取方法及道岔故障诊断方法，具体如下：

一种道岔动作电流曲线的特征提取方法，包括如下步骤：

S310：获取道岔动作的电流数据，以道岔动作时间为横坐标，离散的电流数据为纵坐标，生成道岔动作电流曲线；

S320：将道岔动作电流曲线转换到投影坐标系，投影坐标系横轴为电流值区间，投影坐标系的纵轴为道岔动作电流曲线上各电流值区间内所包含的离散点的数量；

S330：在所述道岔动作电流曲线上包括三个道岔动作区段，分别为解锁区、转换区、锁闭区；确定所述投影坐标系下各道岔动作区段的分段；

S340：输出各电流值区间的开始点与结束点。

进一步地，S330包括如下步骤：

S331，确定投影坐标系下的极大值柱状图区间；

S332，确定投影坐标系下的转换区的左右两个边界；

S333，确定解锁区的结束点和锁闭区的起始点。

进一步地，步骤S331：确定投影坐标系下的极大值柱状图区间：采用遗传优化算法，将分段间隔、分段数量作为遗传算法要优化的目标，采用遗传算法寻找最优的分段参数，使得所述道岔动作电流曲线中电流值变化平缓的区域内的电流数据均落入一个电流值区间内形成极大值柱状图区间，投影后得到所述投影坐标系下的极大值柱状图区间。

或者，步骤S331：比较与极大值柱状图区间相邻两个区间的柱状图的大小，如果极大值柱状图区间的相邻的两个电流值区间所包含的离散点数量与极大值柱状图区间所包含的离散值的绝对值之差小于设定门限值，则认为转换区没有完全落入极大值柱状图区间，继续调整电流值区间的分段数量与分段间隔，直到极大值柱状图区间的相邻的两个电流值区间所包含的离散点数量与极大值柱状图区间所包含的离散值的绝对值之差大于设定门限值，确定出极大值柱状图区间。

进一步地，

步骤S332：在确定了极大值柱状图区间后，选择电流数据的离散点对应的时间的5％～95％的部分作为转换区以减少波动值及噪声对分段的影响，

步骤S333：确定解锁区的结束点和锁闭区的起始点：转换区开始点为解锁区的结束点，转换区结束点作为锁闭区的起始点。

进一步地，道岔动作电流曲线上的每个离散点的电流值和动作时间均被记录在数据库中，从而使得在所述投影坐标系下的每个电流数据均能与原道岔动作电流曲线上的电流值相对应。

一种道岔故障诊断方法，包括步骤：

S100：从铁路相关部门的微机监测***中获取需要的道岔的工作电流曲线；

S200：选取正常道岔和故障道岔的工作电流曲线作为样本，用以后续步骤的诊断模型训练；

S300：利用上述的道岔动作电流曲线的特征提取方法，区分道岔动作电流曲线的动作过程，进行特征提取，提取每个道岔动作过程的特征；

S400：采用基于ReliefF的特征选择算法选择对于区分故障有意义的特征，得到高效简约的特征空间；

S500：利用S400得到的特征空间训练诊断模型以区分道岔故障；

S600：利用S500得到的诊断模型，对实时或历史的道岔动作电流曲线进行诊断，得到道岔的工作状态。

进一步地，步骤S500采用五层前馈模糊神经网络来实现。

进一步地，步骤S500的五层前馈模糊神经网络步骤如下：

S510：利用模糊理论将输入的故障症兆信息模糊化，形成故障训练样本输入网络；

S520：改变网络的权值与阈值，使得网络具有更强的表达能力，数据处理能力及稳定的推理能力；

S530：根据各个区段的不同特征以及设定的规则，给出故障诊断情况的输出，提示道岔的运行状态。

本发明的有益效果：

道岔转换过程大致分为解锁、转换及锁闭三个阶段，对应于这三个阶段道岔动作电流曲线呈现不同特征；道岔工作过程中出现的主要故障在道岔动作电流曲线上也有较为明显的表示。然而，由于不同道岔的性能差异以及现场应用环境的不确定性，直接从道岔动作电流曲线的时域特征来进行转换阶段划分十分困难，进而影响后续的故障诊断的准确性。本发明首先通过值投影的方法对道岔动作电流曲线进行处理，极大简化了道岔转换阶段划分及后续的故障模式识别工作，大大降低了故障诊断的计算复杂度，并将最终极大提高诊断正确性，为提高道岔监测与维护工作的效率奠定了坚实基础。

本发明的道岔故障诊断方法，不仅能在道岔发生故障时及时准确的提供维修信息，指导现场维护人员有针对性的对故障道岔进行维修，降低维修成本，提高道岔的使用效率，还能够降低其发生故障后带来的各种不利影响，压缩故障延时，进一步减少运输延误，对于提高运输***安全和效率也有重要的现实意义。本发明的道岔故障诊断方法，对现场的微机监测得到的道岔动作情况进行实时监测，得到了较好的诊断效果，诊断准确率能够达到99.04。

附图说明

下面结合附图及实施方式对本发明作进一步详细的说明：

图1a是本发明一个实施例的道岔正常工作状态下的电流曲线样本。

图1b是本发明一个实施例的道岔卡阻故障状态下的电流曲线样本。

图1c是本发明一个实施例的道岔卡阻故障状态下的电流曲线样本。

图1d是本发明一个实施例的道岔异常状态回操故障一状态下的电流曲线样本。

图1e是本发明一个实施例的道岔异常状态回操故障二状态下的电流曲线样本。

图1f是本发明一个实施例的道岔异常阻力故障一状态下的电流曲线样本。

图1g是本发明一个实施例的道岔异常阻力故障二状态下的电流曲线样本。

图1h是本发明一个实施例的道岔卡缺口故障状态下的电流曲线样本。

图2是本发明一个实施例的特征选择的过程。

图3是本发明一个实施例的Relief算法流程图。

图4是本发明一个实施例按时间值固定间隔分段方法的特征选择结果。

图5是本发明一个实施例按电流值固定间隔分段方法的特征选择结果。

图6a是本发明一个实施例道岔正常状态下的电流曲线投影图。

图6b是本发明一个实施例道岔卡阻故障模式下的电流曲线投影图。

图6c是本发明一个实施例道岔卡阻故障模式下的电流曲线投影图。

图6d是本发明一个实施例道岔异常状态回操故障一状态下的电流曲线投影图。

图6e是本发明一个实施例道岔异常状态回操故障二状态下的电流曲线投影图。

图6f是本发明一个实施例道岔异常阻力故障一状态下的电流曲线投影图。

图6g是本发明一个实施例道岔异常阻力故障二状态下的电流曲线投影图。

图6h是本发明一个实施例道岔卡缺口故障状态下的电流曲线投影图。

图7是本发明一个实施例的道岔动作电流曲线值投影及柱状图的特征提取方法流程图。

图8是本发明一个实施例的按动作阶段分段方法的特征选择结果。

图9是本发明一个实施例的一个诊断模型五层模糊神经网络。

具体实施方式

下面将结合附图，对本发明所述的道岔动作电流曲线的特征提取方法做进一步说明。

道岔的工作过程可概括为：切断表示电流-解锁-转换-锁闭-接通表示电流。微机监测***能够记录道岔动作过程的电流值(即道岔转辙机的工作电流值)，如想获得道岔转换时工作电流的数据，可通过连接微机监测的通信接口实时接收采集机发送的道岔转换数据来实现，也可直接从微机监测***中拷贝工作电流的历史数据。

道岔动作电流曲线是一条以电流为纵轴、时间为横轴，以一定测量时间间隔的各电流值逐点连接绘制而成的曲线，蕴涵了道岔转换过程中的电气特性和机械特性。道岔动作电流曲线是反映道岔运用质量的一个重要指标，可为现场工作人员提供每组道岔详细的动作电流信息，因此对道岔的动作电流曲线进行计算、分析，便可随时掌握道岔的运行情况，发现道岔转换过程中存在的不良反应，可以有效地预防故障发生和消除不良隐患。

道岔动作电流曲线(在本发明中也称为“动作电流曲线”或“电流曲线”)大致可分为3个阶段，如图1a所示，分别为道岔启动阶段(图中区域A)，道岔动作阶段(图中区域B)及缓放阶段(图中区域C)。在道岔启动阶段(图中区域A)，启动的瞬间，电机需克服较大阻力带动转辙机的传动装置运转，因此其启动电路中形成的电流较大，电流值骤升并形成一个尖峰，完成道岔的解锁过程，将此过程对应的电流曲线部分称为解锁区；在道岔动作阶段(图中区域B)，道岔三相动作电流一般在4A到5A之间，此时若道岔工作状态正常，则道岔转辙机平稳的推动尖轨移动，至与基本轨密贴并将尖轨锁闭，该阶段的动作时间接近6S左右，将此过程对应的电流曲线部分称为转换区，此时在道岔动作电流曲线上的电流值变化较平缓；锁闭后道岔控制电路切断电源，电流曲线迅速下落，处于道岔继电器缓放阶段(图中区域C)，该阶段应该有由两相电流曲线组成的“小台阶”，“小台阶”的形成是由锁闭后接通的回路产生的，该回路接通道岔转辙机两相电源端子，加之继电器的缓放特性，微机监测会继续对道岔的电流曲线进行采集，若表示电路正常，这个“小台阶”电流大概在0.5～0.6A之间，将此过程对应的电流曲线部分称为“缓放区”或者锁闭区。

利用值投影及柱状图的道岔动作电流曲线的特征提取方法对道岔进行故障诊断的步骤如下：

S100：从铁路相关部门的微机监测***中获取需要的道岔的工作电流曲线；

S200：选取正常道岔和故障道岔的工作电流曲线作为样本，用以后续步骤的诊断模型训练；

S300：利用值投影及柱状图的道岔动作电流曲线的特征提取方法(即本发明所述的道岔动作电流曲线的特征提取方法)，区分道岔动作电流曲线的动作过程(即解锁->转换->锁闭)，进行特征提取，提取每个道岔动作过程的特征。

S400：采用基于ReliefF的特征选择算法选择对于区分故障有意义的特征，得到高效简约的特征空间；

S500：利用S400得到的特征空间训练诊断模型以区分道岔故障；

S600：利用S500得到的诊断模型，对实时或历史的道岔动作电流曲线进行诊断，得到道岔的工作状态。

下面对上述步骤，特别是S300特征提取及S400特征选择形成特征空间进行详细说明。

1)特征提取与特征选择概述

1.1道岔电流曲线的特征提取

智能故障诊断面临的一个难题之一是故障特征知识的发现问题，而道岔更具特殊性，由于其在转换过程中电流，电压及转换阻力的不稳定性，在要求不丢失道岔转换信息、实时诊断的情况下，如何获取有效的故障特征有效样例更为困难，因此，道岔的分区及特征提取也是本发明重点内容之一。在特征提取时，最简单直接的方法是直接使用其原始数据构造训练样本，为了保证输入向量维数相同，可通过对数据进行插值延长拓展的方式或对样本通过抽样的方式进行长度裁剪，设定特征向量维度固定，对于长度小于该特征向量维度的样本，通过插值方式延拓为同样的长度，而对于超出该长度的样本采用抽样的方式至长度为指定值，同时在特征向量中保存其原始长度。由于微机监测采集数据的周期为0.04s，正常情况下道岔一次转换时间在6.4s左右，包含约160个数据点；而卡阻时其转换时间能够达到30s之多，即600个数据点，两者相差约450个数据点，因此如果直接对整条曲线进行特征提取，用于训练的输入特征向量的维度往往会达到600左右，这将大大增加训练难度，某些时间长度较短的故障特征也会被忽略，给定向量维度后的数据不能完全反映道岔曲线的全部特征。另外，由于道岔之间的差异，同一道岔在同一工作模式下其曲线也可能表现出不尽相同的形态，而不同道岔在同一工作模式下曲线形态也会有所不同，所以如果以整条曲线的所有离散点作为判断故障的依据，不但影响诊断效果，输入向量的维度也不好确定，输入向量维数大时，训练时间延长，诊断效率减低。

因此，本发明使用了道岔动作电流曲线的“值投影及柱状图”的方法首先将道岔动作电流曲线分为解锁、转换、锁闭三个阶段，然后利用特征提取方法获取道岔运行曲线的几何与统计参数，经过特征提取后的特征，有些是对分类有用的特征，有些是对分类无用的特征，即在各个工作模式下无用特征差异并不大，不足以区分道岔的工作模式，因此，在特征提取的下一步，本发明通过特征选择方法，对提取的特征进行选择，选取对故障有很好区分作用的特征，即对于区分道岔故障最有意义的特征，从而得到高效简约的特征空间，利用这样的特征空间训练模型以区分道岔故障，能够防止一些对分类作用不大的特征对诊断模型性能及正确率的影响。

1.2基于ReliefF算法的道岔统计特征选择

特征选择也叫特征子集选择(FSS，FeatureSubsetSelection)，是在原有的特征集合中选择对目标概念最相关的特征子集使得***的特定指标最优化，即从原始特征中选择出一些最有效特征以降低数据集维度的过程，目的是筛选出对于分类来说最相关有效的特征，一个合适、有效的特征选择算法可以在数据预处理阶段降低特征维数，减少建立模型的训练时间，提高模型诊断性能及正确率。

特征选择对于不同的实际问题，有基于不同数学描述及针对不同目的的特征选择算法。图2的特征选择框架是一个特征选择流程。本发明选择ReliefF算法作为特征选择方法进行研究，它是一种特征权重算法，根据特征对于同类样本和不同类别样本的区分能力赋予各特征不同的权重，若该特征与同类样本特征的距离小于该特征与不同类样本特征的距离，则该特征对于区分不同类别的样本是有益的，增加其权重；反之，该特征是无益的，降低其权重；最后把特征按照权值按由大到小的方式进行排序，再设定门限来判定特征的有效性，或选择M个权值最大的特征，去除其他特征来完成特征选择。

在计算特征距离时，本发明选择欧氏距离做为评价标准，它是一种空间上的距离定义，如果不同类别之间的距离越大，表明类别的可分性越大，分类的错误率就越低，对于特征选择来说，就是选择那些使类间距离最大的特征子集，欧式距离计算公式如下：

$dis\tan ce\left(j\right)=\sqrt{\underset{i=1}{\overset{L_d}{\Σ}}(R_i-H_j)}$ 式(1)

$dis\tan ce\left(j\right)=\sqrt{\underset{i=1}{\overset{L_d}{\Σ}}(R_i-M_j)}$ 式(2)

其中i是特征数据的个数，H_j表示与R同类的第j个样本，M_j表示与R不同类的第j个样本；设特征数据集为D，抽样m次，即选择m个用于评估特征有效性的样本个数，得到各特征权重T。

权重修改公式为：

$W\left(A\right)=W\left(A\right)-\underset{j=1}{\overset{k}{\mathrm{\Σ}}}diff(A,R,H_j)/\left(mk\right)+\underset{j=1}{\overset{k}{\mathrm{\Σ}}}diff(A,R,M_j)/\left(mk\right)$ 式(3)

运算结果得到各特征的平均权重。权重越大，特征的分类能力越强，反之，该特征分类能力越弱。Relief算法的运行效率非常高，具体算法流程如图3所示。

Relief算法比较简单，但运行效率高，并且结果也比较令人满意，但是其局限性在于只能处理两类别数据，因此作为其拓展，ReliefF算法可以处理多类别分类的问题，ReliefF算法在处理多类问题时，从同类样本及每个不同类样本中各取k个邻近样本后更新特征权重，与Relief的权值更新公式不同，因为ReliefF是从每个不同类的样本中选择k个样本，所以权值更新其公式为：

$W\left(A\right)=W\left(A\right)-\underset{j=1}{\overset{k}{\Σ}}diff(A,R,H_j)/\left(mk\right)+\underset{C\≠class\left(R\right)}{\Σ}\[\frac{p\left(C\right)}{1-p\left(Class\right(R))}\underset{j=1}{\overset{k}{\Σ}}diff(A,R,M_j(C))\]/\left(mk\right)$ 式(4)

上式中，P(C)表示类的分布概率，Class(R)表示R所属的类别，表示样本R与H_j在特征A上的差，M_j(C)表示类C中的第j个最近邻样本，其计算公式如下式所示：

$diff(A,R_1,R_2)=\left\{\begin{array}{cc}\frac{\[R_1\[A\]-R_2\[A\]\]}{\max \left(A\right)-\min \left(A\right)}& ifAiscontinuous\\ 0& ifAisdiscrete{R}_1\[A\]=R_2\[A\]\\ 1& ifAisdiscrete{R}_1\[A\]\≠R_2\[A\]\end{array}\right.$ 式(5)

R₁，R₂是两个样本，R₁[A]、R₂[A]指样本A上第R个特征值，求出各个特征与类的相关性权值后，按照阈值选择特征就构成最后的特征子集，得到有效特征，Relief系列算法运行效率高，对数据类型没有限制，属于一种特征权重算法，算法会赋予所有和类别相关性高的特征较高的权重，所以算法的局限性在于不能有效的去除冗余特征。

2)值投影及柱状图的特征提取方法

道岔的转换过程大致分为解锁(图1a中的区域A)，转换(图1a中的区域B)，及缓放(图1a中的区域C)三个阶段，现场维护时，维修人员根据不同阶段出现的异常，判断故障原因并采取维修策略，因此，根据道岔的转换特点及转换曲线电流特点，如果在特征提取前先对道岔的动作曲线按照启动，转换及锁闭三个阶段进行分段考虑，再对每个区段分别提取特征，效果更好。

值投影特征提取方法是将道岔的电流值和时间值投影到另一个坐标轴上，在新的投影坐标下，横坐标代表电流值区间，纵坐标为道岔动作电流曲线上各电流值区间内所包含的离散点，即用于统计该电流值区间的离散点的个数，将道岔动作电流曲线对Y轴进行投影，其投影图如图6a至图6g所示，根据实际道岔数据的情况来看，通常情况下道岔转换区电流值平稳，转换区时间占整个道岔动作的90％左右且保持在1.8A-2.0A左右，那么柱状图的极大值点就几乎包括了转换区所有的电流值，本发明选取极大值柱状图时间值的5％-95％作为转换区段(即极大值柱状图区间)，转换区开始点作为解锁区结束点，从转换区结束点向右搜索获得均值较小区间作为缓放区(即锁闭区)，这样就完成了道岔动作电流曲线上的道岔动作区段的分段处理，道岔动作区段的分段算法流程图如图7所示。

三个道岔动作区段(简称区段)分别为解锁区，转换区，锁闭区，提取各个区段的特征值，从各个被诊断对象和区域提取的特征分别是，整条曲线长度特征P₁，解锁区：第一高峰值点的值P₂，均值P₃，方差P₄，包含的数据点数P₅；转换区：最大值P₆，均值P₇，方差P₈，数据点个数P₉，锁闭区：最大值P₁₀，均值P₁₁，方差值P₁₂，区间点数P₁₃。

设一条样本的数据集合为P，L是经过上述公式计算过的曲线的长度，HP代表解锁区的数据集合，BP是转换区的数据集合，TP是锁闭区数据集合，P为一条样本的特征向量，那么P由如下部分组成：

HP_k＝{(h,t)|(h,t)∈HP_k}HPrepresentsSectionP.head式(17)

P_1k＝L_pLislengthofcurve式(18)

$\begin{array}{cc}{P}_{2k}=\underset{(h,t)\∈{\mathrm{HP}}_k}{\max }h& k=1,2,3...N\end{array}$ 式(19)

$\begin{array}{cc}{P}_{3k}=\frac{1}{N_k}\underset{(h,t)\∈{\mathrm{HP}}_k}{\mathrm{\Σ}}h& N_{k}isthecountofpo\mathrm{int}sin{\mathrm{HP}}_k,k=1,2,3...N\end{array}$ 式(20)

$\begin{array}{cc}{P}_{4k}=\sqrt{\frac{1}{N_k}\underset{(h,t)\∈{\mathrm{HP}}_k}{\Σ}{(h_k-P_{3k})}^2}& k=1,2,3...N\end{array}$ 式(21)

P_5k＝N_k式(22)

上式中HP_k代表第k条曲线的解锁区，h，t是解锁区的电流值和时间值的集合，N代表样本数；

BP_k＝{(b,t)|(b,t)∈BP_k}BPrepresentsSectionP.body式(23)

$\begin{array}{cc}{P}_{6k}=\underset{(b,t)\∈{\mathrm{BP}}_k}{max}b& k=1,2,3...N\end{array}$ 式(24)

$\begin{array}{cc}{P}_{7k}=\frac{1}{N_k}\underset{(b,t)\∈{\mathrm{BP}}_k}{\mathrm{\Σ}}b& N_{k}isthecountofpo\mathrm{int}sin{\mathrm{BP}}_k,k=1,2,3...N\end{array}$ 式(25)

$\begin{array}{cc}{P}_{8k}=\sqrt{\frac{1}{N_k}\underset{(b,t)\∈{\mathrm{HP}}_k}{\Σ}{(b-P_{7k})}^2}& k=1,2,3...N\end{array}$ 式(26)

P_9k＝N_kk＝1,2,3...N式(27)

其中BP_k代表第k条曲线的转换区，b，t是解锁区的电流值和时间值的集合，N代表样本数；

TP_k＝{(v,t)|(v,t)∈TP_k}TPrepresentsSectionP.tail式(28)

$\begin{array}{cc}{P}_{10k}=\underset{(v,t)\∈{\mathrm{TP}}_k}{max}v& k=1,2,3...N\end{array}$ 式(29)

$\begin{array}{cc}{P}_{11k}=\frac{1}{N_k}\underset{(v,t)\∈{\mathrm{HP}}_k}{\mathrm{\Σ}}v& N_{k}isthecountofpo\mathrm{int}sin{\mathrm{TP}}_k,k=1,2,3...N\end{array}$ 式(30)

$\begin{array}{cc}{P}_{12k}=\sqrt{\frac{1}{N_k}\underset{(v,t)\∈{\mathrm{HP}}_k}{\Σ}{(v-P_{13k})}^2}& k=1,2,3...N\end{array}$ 式(31)

P_13k＝N_kk＝1,2,3...N式(32)

TP_k代表第k条曲线的转换区，v，t是解锁区的电流值和时间值的集合，N代表样本数；最后每个样本得到1*13维特征向量，所有特征向量集合为N*13。

按照解锁，转换，锁闭分区的方法对道岔动作电流曲线进行分段处理，按照公式(17)-(32)提取曲线的特征值。

以下对S300的道岔动作电流曲线的特征提取方法的具体实施方式进行详细说明，

S300的道岔动作电流曲线的特征提取方法包括以下步骤：

S310：从铁路相关部门的微机监测***获取道岔动作的电流数据，以道岔动作时间为横坐标，离散的电流数据(即电流值，也简称离散点)为纵坐标，生成道岔动作电流曲线(简称动作电流曲线)。

S320：特征提取的首要目的是对动作电流曲线进行分段，将动作电流曲线分解为解锁区、转换区、锁闭区三个阶段进行考虑，采用将道岔动作电流曲线转换到投影坐标系的方法，投影坐标系横轴为电流值区间(所述电流值区间是在道岔动作电流曲线上对纵轴的划分)，投影坐标系的纵轴为道岔动作电流曲线上各电流值区间内所包含的离散点(即离散的电流数据)的数量。即将动作电流曲线纵轴的电流值划分为n个电流值区间，作为投影坐标系下的横轴，统计每个电流值区间内的离散点个数，作为投影坐标系下的纵轴，以柱状图直观地表示了各个电流值区间的离散点的多少。整个投影过程为：道岔动作电流曲线向其Y轴进行投影，将落在Y轴每个电流值区间的个数统计出来，画出柱状图形式的分布曲线。参考曲线的均值、方差、极值点、拐点、奇异值等统计信息，对曲线进行分段处理。

进一步地，道岔动作电流曲线上的每个离散点的电流值和动作时间均被记录在数据库中，从而使得在所述投影坐标系下的每个电流数据均能与原道岔动作电流曲线上的电流值相对应。

S330：确定所述投影坐标系下各道岔动作区段的分段。即在上述投影坐标系下将所述道岔动作电流曲线上包括的三个道岔动作区段(对应三个道岔动作过程)——解锁区、转换区、锁闭区加以区分、确定边界。该过程需要完成三部分工作：S331，确定投影坐标系下的极大值柱状图区间；S332，确定投影坐标系下的转换区的两个边界；S333，确定解锁区的结束点和锁闭区的起始点。

在进行S331时，即确定极大值柱状图区间时，有多种方式，比如：比较与极大值柱状图区间相邻两个区间的柱状图的大小，如果极大值柱状图区间的相邻的两个电流值区间所包含的离散点数量与极大值柱状图区间所包含的离散值的绝对值之差小于设定的门限值(所述门限值范围通常为100～300)，则认为转换区没有完全落入极大值柱状图区间，因此继续调整电流值区间的分段数量与分段间隔，直到极大值柱状图区间的相邻的两个电流值区间所包含的离散点数量与极大值柱状图区间所包含的离散值的绝对值之差大于设定的门限值，从而确定出极大值柱状图区间；

还可以利用遗传优化算法：设计一个电流值区间的分段公式，公式中电流值区间的分段间隔，分段数量为待定，采用遗传优化算法，将分段间隔、分段数量作为遗传算法要优化的目标，然后采用遗传算法来寻找最优的分段参数，使得所述道岔动作电流曲线中电流值变化平缓的区域内的电流数据均落入一个电流值区间内形成唯一的极大值柱状图区间，投影后得到投影坐标系下的柱状图。借鉴生物进化论，遗传算法模拟自然选择和生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，每次迭代过程都保留一组候选解，并按设定的指标从解群中选取优秀的个体，利用遗传算子(选择、交叉、变异)对这些个体进行组合，产生新一代候选值，增加适应度函数值高的解，淘汰适应度函数值低的解，这样进化N代直到满足某种收敛指标为止，从而进化出适应度函数值很高的个体，也就是我们得到的最优解。

该情况下，要求转换区的电流数据的离散点的数量最多，在所述的投影坐标系下形成极大值柱状图区间。其中，所述“使得在所述道岔动作电流曲线中电流值变化平缓的区域内的电流数据均落入极大柱状图范围内”的方式很多，由于铁路现场道岔发生故障的情况很少，所以收集到的道岔故障曲线数量较少，我们采用软件模拟故障曲线的方法，通过对故障曲线的分析，在对电流值进行分段时，当分段值为6时，能够使转换区所有离散点落入投影坐标系的极大值柱状图区间内，为了使得分段值更准确，我们可以比较与极大值柱状图区间相邻两个区间的柱状图的大小，如果极大值柱状图区间的相邻的两个电流值区间所包含的离散点数量与极大值柱状图区间所包含的离散值的绝对值之差小于100，则认为转换区没有完全落入极大值柱状图区间，因此继续调整电流值区间的分段数量(即n的大小)与分段间隔，直到极大值柱状图区间的相邻的两个电流值区间所包含的离散点数量与极大值柱状图区间所包含的离散值的绝对值之差大于100，从而确定出极大值柱状图区间。

S332，确定投影坐标系下的转换区的两个边界：此过程也可以采用上述S330提到的遗传算法优化参数的方法，将动作电流曲线的最大、最小电流值、电流均值、电流时间长度作为输入参数，电流值分段参数和分段间隔的范围作为搜索区间，在该区间内通过不断计算分段参数和分段间隔的适应度函数，直至得到最优的电流值区间的分段间隔和分段数量，以在新的投影坐标系下得到唯一的极大值柱状图。由于在对数据处理的过程中，我们使用了插值法，因此，在确定了极大之柱状图区间后，选择电流数据的离散点对应的时间的5％～95％的部分作为转换区以减少波动值及噪声对分段的影响，比如极大柱状图所包含的离散电流值中，最小时间为1s，最大时间为5s，则转换区起始时间为1.2s到4.8s。

S333：确定解锁区的结束点和锁闭区的起始点。转换区开始点为解锁区的结束点，则从动作时间开始至1.2s的动作电流数据的离散点属于解锁区，类似的，转换区结束点作为锁闭区的起始点，即缓放区，所以4.8s之后的电流数据处于“锁闭区”。

S340：输出各道岔动作区段的开始点与结束点。

3)特征选择方法得到简约的特征空间

以下具体实施方式介绍S400步骤：采用基于ReliefF的特征选择算法选择对于区分故障有意义的特征，得到高效简约的特征空间。

利用ReliefF算法计算各个特征的权重，样本集如图3所示流程采集，抽样次数为10次，运行次数为20，每类样本中选择8个与R最近邻的样本，计算后得到每个特征每次运行的权重及权重均值，图8为ReliefF算法的计算结果。

特征6，7，27，23，5，10等特征的平均权值相对较大，在0.2以上，其中特征6为转换区长度，特征7为转换区的数值积分，即转换区面积，特征27为小台阶区段的面积，特征5为解锁区段的面积，特征23为缓放区长度，几个特征能够大致反映道岔的工作状态，如转换区面积过大、长度过长，此时若缓放区长度过短，则说明道岔很可能发生了空转的故障。特征6、特征7对于区分故障一、故障四两种故障比较有效，特征27、23同样能够区分故障一与其他故障，特征5在故障三发生的情况下，其值小于其他故障。

综上，通过ReliefF算法对各特征提取方法提取的特征进行特征选择，能够得到各个特征的权重，再根据相同特征在不同工作状态下的值的情况，得出对于区分道岔各类工作状态有效的特征，特征选择能够降低特征维数，降维后的特征都是可测性指标并具有实在的意义，因为它不对变量进行组合，而是通过计算特征权值从原始的特征向量集合中挑选一些权值较高的特征重新组合成一个特征集合，这些特征正是对分类较有效果的特征，可以为诊断模型特征集提取提供依据，经选择的特征即可作为以下道岔故障诊断模型的输入参数。

4)训练诊断模型区分道岔故障

道岔故障诊断模型采用一个五层前馈模糊神经网络来实现，其基本结构如图9所示。其中，χ₁,χ₂,…χ_k是输入变量，F₁,F₂,F₃,F₄是***输出的置信度，MF_ij是第i个输入变量的第j个隶属函数，R_j表示第j条模糊规则，是第j个归一化节点，ω_j是第j个规则的结果参数或连接权。

第一层为输入层，它可将预先选择的道岔运行数据特征传递到网络的第二层，结点的个数N等于特征向量的长度；

第二层是量化输入层，通过隶属度函数将输入变量模糊化，这一层的节点数是3*N，每个节点代表一个模糊集合，用于计算输入分量属于各个模糊集合的隶属度值，***输入变量的隶属度函数选择高斯型隶属度：

式(33)

其中P代表输入参数，σ_ij，d_ij为函数中心参数d_ij及每个中心的宽度σ_ij，二者可以取随机值，但为了提高运算效率，我们分别计算各个输入特征向量的整体均值和方差作为隶属度函数的中心参数d_ij及每个中心的宽度σ_ij。

第三层是规则层，该层每个神经元代表一条模糊规则，用来匹配模糊规则前件，计算每条激活度的算法如下：

式(34)

其中表示第k条规则的3个输入模糊量。R为模糊规则数量，对于给定的网络输入，只有在输入点附近的模糊语言变量才有较大的隶属度值，而相对来说远离输入点的模糊语言变量的隶属度值很小，近似接近于0，后面将介绍如何对规则层进行动态调整。

第四层是归一化运算，使得所有规则的激活度之和为1，该层的节点数与模糊规则节点数相等。第k个节点的输出为:

$\begin{array}{cc}\stackrel{-}{r_k}=r_k/\underset{i=1}{\overset{R}{\Σ}}{r}_i& k=1,2,...,R\end{array}$ 式(35)

第五层为网络的输出，在前面四层网络的基础上计算道岔故障的可信度值，最后得到道岔运行状态情况。

$\begin{array}{cc}{F}_j=\underset{k=1}{\overset{R}{\Σ}}{c}_{jk}\stackrel{-}{r_k}& j=1,2,...,M,k=1,2,...,N\end{array}$ 式(36)

上式中c_jk是F_j的第k个语言值隶属度函数的中心值，c_jk∈[0,1]，且F＝{F₁,F₂,F₃,F₄}^T

$C=\left(\begin{array}{cccc}{c}_{11}& c_{12}& ...& c_{1R}\\ c_{21}& c_{22}& ...& c_{2R}\\ c_{31}& c_{32}& ...& c_{3R}\\ c_{41}& c_{42}& ...& c_{4R}\end{array}\right)$

该算法是一种模糊加权平均算子FWA(FuzzyWeightedAveragingOperator)算法。

该模糊神经网络诊断模型的训练和使用步骤如下：

Step1：利用模糊理论将输入的故障症兆信息模糊化，形成故障训练样本输入网络。

Step2：改变网络的权值与阈值，使得网络具有更强的表达能力，数据处理能力及稳定的推理能力。

Step3：根据各个区段的不同特征以及设定的规则，给出故障诊断情况的输出，提示道岔的运行状态。

经过上述的数据收集、特征提取、特征选择、得到特征向量空间、训练诊断模型等步骤，最后将实时或历史的道岔动作电流曲线放入该诊断模型进行诊断，得到道岔的工作状态或故障类型。具体而言，是将实时或历史的道岔动作电流曲线通过上述步骤S300、S400得到简约的特征空间，将该特征空间输入诊断模型并训练模型直至模型诊断误差满足要求，并将经过训练的模型用于道岔的工作状态或故障类型的判断。

本发明的道岔故障诊断方法，实验条件下，经过2000次训练后的诊断模型的诊断误差趋近0.01并趋于稳定，利用155条测试样本(包含正常样本和四种故障类型样本)对模型的诊断效果进行测试，诊断准确率能够达到96.77％，由于值投影及柱状图的方法是按照道岔的动作阶段进行分区后再分别提取各个区段的特征，这样各个区段特征的差异就可以作为区分故障的标准，并减少各个区段间的相互干扰，得到的诊断效果较好。

将该算法应用于铁路现场的道岔故障诊断软件***中，对现场的微机监测得到的道岔动作情况进行实时监测，得到了较好的诊断效果，诊断准确率能够达到99.04。

本发明的道岔故障诊断方法，不仅能在道岔发生故障时及时准确的提供维修信息，指导现场维护人员有针对性的对故障道岔进行维修，降低维修成本，提高道岔的使用效率，还能够降低其发生故障后带来的各种不利影响，压缩故障延时，进一步减少运输延误，对于提高运输***安全和效率也有重要的现实意义。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变形属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变形在内。

当然，本发明并不仅限于上述具体实施方式。所有本领域技术人员能够想到的能实现上述的功能效果的具体实施方式均在本发明的保护范围之内。

Claims (9)

1.一种道岔动作电流曲线的特征提取方法，包括如下步骤：

S310：获取道岔动作的电流数据，以道岔动作时间为横坐标，离散的电流数据为纵坐标，生成道岔动作电流曲线；

S320：将道岔动作电流曲线转换到投影坐标系，投影坐标系横轴为电流值区间，投影坐标系的纵轴为道岔动作电流曲线上各电流值区间内所包含的离散点的数量；

S330：在所述道岔动作电流曲线上包括三个道岔动作区段，分别为解锁区、转换区、锁闭区；确定所述投影坐标系下各道岔动作区段的分段；

S340：输出各电流值区间的开始点与结束点。

2.根据权利要求1所述的道岔动作电流曲线的特征提取方法，其特征在于，S330包括如下步骤：

S331，确定投影坐标系下的极大值柱状图区间；

S332，确定投影坐标系下的转换区的左右两个边界；

S333，确定解锁区的结束点和锁闭区的起始点。

3.根据权利要求2所述的道岔动作电流曲线的特征提取方法，其特征在于，

步骤S331：确定投影坐标系下的极大值柱状图区间：采用遗传优化算法，将分段间隔、分段数量作为遗传算法要优化的目标，采用遗传算法寻找最优的分段参数，使得所述道岔动作电流曲线中电流值变化平缓的区域内的电流数据均落入一个电流值区间内形成极大值柱状图区间，投影后得到所述投影坐标系下的极大值柱状图区间。

4.根据权利要求2所述的道岔动作电流曲线的特征提取方法，其特征在于，

步骤S331：比较与极大值柱状图区间相邻两个区间的柱状图的大小，如果极大值柱状图区间的相邻的两个电流值区间所包含的离散点数量与极大值柱状图区间所包含的离散值的绝对值之差小于设定门限值，则认为转换区没有完全落入极大值柱状图区间，继续调整电流值区间的分段数量与分段间隔，直到极大值柱状图区间的相邻的两个电流值区间所包含的离散点数量与极大值柱状图区间所包含的离散值的绝对值之差大于设定门限值，确定出极大值柱状图区间。

5.根据权利要求2所述的道岔动作电流曲线的特征提取方法，其特征在于，

步骤S332：在确定了极大值柱状图区间后，选择电流数据的离散点对应的时间的5％～95％的部分作为转换区以减少波动值及噪声对分段的影响，

步骤S333：确定解锁区的结束点和锁闭区的起始点：转换区开始点为解锁区的结束点，转换区结束点作为锁闭区的起始点。

6.根据权利要求1至5之一所述的道岔动作电流曲线的特征提取方法，其特征在于，道岔动作电流曲线上的每个离散点的电流值和动作时间均被记录在数据库中，从而使得在所述投影坐标系下的每个电流数据均能与原道岔动作电流曲线上的电流值相对应。

7.一种道岔故障诊断方法，包括步骤：

S100：从铁路相关部门的微机监测***中获取需要的道岔的工作电流曲线；

S200：选取正常道岔和故障道岔的工作电流曲线作为样本，用以后续步骤的诊断模型训练；

S300：利用权利要求1至6之一所述的道岔动作电流曲线的特征提取方法，区分道岔动作电流曲线的动作过程，进行特征提取，提取每个道岔动作过程的特征；

S400：采用基于ReliefF的特征选择算法选择对于区分故障有意义的特征，得到高效简约的特征空间；

S500：利用S400得到的特征空间训练诊断模型以区分道岔故障；

S600：利用S500得到的诊断模型，对实时或历史的道岔动作电流曲线进行诊断，得到道岔的工作状态。

8.根据权利要求7所述的道岔故障诊断方法，其特征在于，步骤S500采用五层前馈模糊神经网络来实现。

9.根据权利要求8所述的道岔故障诊断方法，其特征在于，步骤S500的五层前馈模糊神经网络步骤如下：

S510：利用模糊理论将输入的故障症兆信息模糊化，形成故障训练样本输入网络；

S520：改变网络的权值与阈值，使得网络具有更强的表达能力，数据处理能力及稳定的推理能力；

S530：根据各个区段的不同特征以及设定的规则，给出故障诊断情况的输出，提示道岔的运行状态。