CN108345863B - 一种基于深度学习的计轴器故障监测方法 - Google Patents
一种基于深度学习的计轴器故障监测方法 Download PDFInfo
- Publication number
- CN108345863B CN108345863B CN201810179920.2A CN201810179920A CN108345863B CN 108345863 B CN108345863 B CN 108345863B CN 201810179920 A CN201810179920 A CN 201810179920A CN 108345863 B CN108345863 B CN 108345863B
- Authority
- CN
- China
- Prior art keywords
- signal
- axle counter
- fault
- wheel pulse
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种基于深度学习的计轴器故障监测方法,包括以下步骤:S1、获取计轴器发出的信号,经过处理,得到轮脉冲监视信号;S2、通过通信***将轮脉冲监视信号发送给计算机;S3、通过计算机对获取轮脉冲监视信号,进行处理,得到高频细节信号的包络谱图;S4、通过深度卷积神经网络对输入的包络谱图进行分类,并输出分类结果;S5、判断深度卷积神经网络的输出分类结果与设定的故障分类是否有相同项,若相同,进入步骤S6;若不相同,返回步骤S2;S6、在计算机端显示计轴器的故障分类。本发明提供的计轴器故障监测方法,降低了对工人经验知识的依赖,对计轴器健康状况进行实时监测,并对计轴器的故障类型进行预判断,提高率计轴器的维护效率。
Description
技术领域
本发明属于计轴器故障监测技术领域,具体涉及一种基于深度学习的计轴器故障监测方法。
背景技术
计轴器是用于完成计算车辆进出区段的轮轴数,分析计算区段是否有车占用的一种技术设备,计轴器能够实现高精度定位发送计轴脉冲。由于强电干扰、磁头受到金属物干扰、通过监测点时车速过低、计轴器自身故障灯原因,计轴设备故障在所难免。地铁运营过程中,列车运行间隔小,当场解决计轴设备故障难度较大,很有可能降低基于通信的列车自动控制***(CBTC)可用性。为确保地铁工程列车或CBTC列车在无线通信故障情况下仍能确保列车安全运行,普遍采用计轴器作为备用列车占用/空闲检测设备,计轴器故障检测技术难点在于故障种类较多,并且在维护过程中对人员有一定要求,维修效率低。目前,当计轴器不能正确的监测轮脉冲信号时,不能完成计轴工作时,***会报错,但是不会显示故障类型,需要维修人员花费大量时间进行故障类型判断;并且当出现电压问题和磁场干扰时,因短时间不影响计轴器的正常工作,目前的计轴器监测***不会报障。
发明内容
针对现有技术中的上述不足,本发明提供的基于深度学习的计轴器故障监测方法解决了现有计轴器故障监测过程中无法对计轴器故障类型进行预判断的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于深度学习的计轴器故障监测方法,包括以下步骤:
S1、获取计轴器发出的信号,并将其处理为轮脉冲监视信号;
S2、通过通信***将轮脉冲监视信号发送给计算机;
S3、通过计算机对轮脉冲监视信号进行小波分解与重构,得到高频细节信号的包络谱图;
S4、通过深度卷积神经网络对输入的包络谱图进行分类,并输出分类结果;
S5、判断分类结果与设定的故障分类是否有相同项,若是则进入步骤S6;否则返回步骤S2;
S6、在计算机端显示计轴器的故障分类。
进一步地,所述步骤S1中计轴器包括两套有源磁钢和一个集成电路板;
每套所述有源磁钢均包括一个发送磁头和一个接收磁头;
将计轴器发出的信号处理为轮脉冲监视信号的方法具体为:
S1-1、通过集成电路板驱动两个发送磁头在空间内产生交变磁场;
S1-2、通过接收磁头感应空间磁场的变化,并输出正弦感应信号;
S1-3、通过集成电路板接收并处理正弦感应信号,并通过DSP采样分析,产生轮脉冲监视信号。
进一步地,所述步骤S2中的通信***为CBTC通信***。
进一步地,所述步骤S3中小波分解与重构运用MATLAB软件中的小波工具箱完成,具体方法为:
S3-1、对获取的轮脉冲监视信号采用db10小波函数,进行尺度为1到5的信号分解计算,得到每层信号相应的高频系数和低频系数;其中db10小波表示阶数为10的小波;
S3-2、对分解后每层高频系数进行阈值量化处理,其中阈值为MATLAB软件中的默认阈值;
S3-3、根据原始输入图像分解后的第5层的低频系数和经阈值量化处理的每层对应的高频系数,运用重构算法进行信号重构,得到轮脉冲信号高频细节信号的包络谱图。
进一步地,所述步骤S3-3中高频细节信号的包络谱图的图像分辨率为227×227×3。
进一步地,所述步骤S4的深度卷积神经网络为经过训练的网络参数固定的深度卷积神经网络;
所述输入深度卷积神经网络的若干张高频细节信号的包络谱图图像包括训练集和测试集,所述训练集和测试集占比均为1/2。
进一步地,所述深度卷积神经网络包括3层卷积层、Avpool层和softmax分类层;
每层所述卷积层之间均设置有Batch Normorlization结构和Relu激活函数。
进一步地,所述步骤S5中包络谱图对应的设定的故障分类包括:
磁头误触:包络谱图幅值高、持续时间短;
板卡故障:包络谱图脉冲信号紊乱,无法有效监测轮脉冲;
电磁干扰:包络谱图幅值低,持续时间不确定;
电源故障:包络谱图幅值低,持续整个周期;
通信故障:无脉冲信号输出;
其中板卡为计轴器内的集成电路板。
本发明的有益效果为:本发明提供的计轴器故障监测方法,降低了对工人经验知识的依赖,对计轴器健康状况进行实时监测,并对计轴器的故障类型进行预判断,提高率计轴器的维护效率。
附图说明
图1为发明提供的实施例中基于深度学习的计轴器故障监测方法实现流程图。
图2为本发明提供的实施例中获取计轴器发出信号方法实现流程图。
图3为本发明提供的实施例中的对轮脉冲监视信进行小波分解与重构处理方法实现流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
在本发明的一个实施例中,如图1至图3所示,一种基于深度学习的计轴器故障监测方法,包括以下步骤:
S1、获取计轴器发出的信号,并将其处理为轮脉冲监视信号。
其中,计轴器包括两套有源磁钢和一个集成电路板;每套有源磁钢均包括一个发送磁头和一个接收磁头。
将计轴器发出的信号处理为轮脉冲监视信号的方法具体为:
S1-1、通过集成电路板驱动两个发送磁头在空间内产生交变磁场。
S1-2、通过接收磁头感应空间磁场的变化,并输出正弦感应信号。
S1-3、通过集成电路板接收并处理正弦感应信号,并通过DSP采样分析,产生轮脉冲监视信号。
S2、通过通信***将轮脉冲监视信号发送给计算机。
其中,通信***为CBTC通信***。
S3、通过计算机对轮脉冲监视信号进行小波分解与重构,得到高频细节信号的包络谱图。
其中,小波分解与重构运用MATLAB软件中的小波工具箱完成,其采样频率根据计轴器频率所调整,一般选用200Hz,采样点为1024个。对输入轮脉冲监视信号进行小波分解与重构的具体方法为:
S3-1、对获取的轮脉冲监视信号采用db10小波函数,进行尺度为1到5的信号分解计算,得到每层信号相应的高频系数和低频系数;其中db10小波表示阶数为10的小波。
S3-2、对分解后每层高频系数进行阈值量化处理,其中阈值为MATLAB软件中的默认阈值。
S3-3、根据原始输入图像分解后的第5层的低频系数和经阈值量化处理的每层对应的高频系数,运用重构算法进行信号重构,得到轮脉冲信号高频细节信号的包络谱图。
在上述步骤S3-3中高频细节信号的包络谱图的图像分辨率为227×227×3,经过小波分解与重构处理后的信号在后续输入神经网络进行分类时,其分类效果较原始轮脉冲监视信号直接输入进行分类的效果有显著提升。
S4、通过深度卷积神经网络对输入的包络谱图进行分类,并输出分类结果。
其中,深度卷积神经网络为经过训练的网络参数固定的深度卷积神经网络;输入深度卷积神经网络的若干张高频细节信号的包络谱图图像包括训练集和测试集,训练集和测试集占比均为1/2。
上述深度卷积神经网络包括三个卷积层、Avpool层和softmax分类层,每个卷积层包括对应的卷积层、激活函数和BN层,此三层完成信号包络谱图的卷积过程,提高计轴器故障分类的准确率,三层卷积层中的每个卷积核视为一种滤波器,其中,第二层卷积层和第三层卷积层都有192个卷积核,随着待处理图片尺寸的减小,其中的训练参数也相应的减少,之后的图片进入Avpool层,进行卷积处理后的图像特征的整合;最后输入softmax分类层进行故障分类。需要说明的是,softmax分类层前有平均池化层的处理,以提高神经网络反向传播速度,满足轨道交通监测***的即时性要求。
S5、判断输出分类结果与设定的故障分类是否有相同项,若是则进入步骤S6;若则返回步骤S2。
其中,包络谱图对应的设定的故障分类包括:
磁头误触:包络谱图幅值高、持续时间短。
板卡故障:包络谱图脉冲信号紊乱,无法有效监测轮脉冲;其中板卡为计轴器内的集成电路板。
电磁干扰:包络谱图幅值低,持续时间不确定。
电源故障:包络谱图幅值低,持续整个周期。
通信故障:无脉冲信号输出。
S6、在计算机端显示计轴器的故障分类。
在本发明的一个实施例中,上述深度卷积神经网络包括3层卷积层、Avpool层和softmax分类层;每层卷积层之间均设置有Batch Normorlization结构和Relu激活函数;Batch Normorlization结构是将神经网络中每个隐藏层的输出结果进行标准化后再送入下一层;Relu函数用于解决Sigmoid函数造成的梯度消失问题。
本发明提供的计轴器故障监测方法,降低了对工人经验知识的依赖,对计轴器健康状况进行实时监测,并对计轴器的故障类型进行预判断,提高率计轴器的维护效率。
Claims (7)
1.一种基于深度学习的计轴器故障监测方法,其特征在于,包括以下步骤:
S1、获取计轴器发出的信号,并将其处理为轮脉冲监视信号;
S2、通过通信***将轮脉冲监视信号发送给计算机;
S3、通过计算机对轮脉冲监视信号进行小波分解与重构,得到高频细节信号的包络谱图;
S4、通过深度卷积神经网络对输入的包络谱图进行分类,并输出分类结果;
S5、判断分类结果与设定的故障分类是否有相同项,若是则进入步骤S6;否则返回步骤S2;
S6、在计算机端显示计轴器的故障分类;
所述步骤S3中小波分解与重构运用MATLAB软件中的小波工具箱完成,具体方法为:
S3-1、对获取的轮脉冲监视信号采用db10小波函数,进行尺度为1到5的信号分解计算,得到每层信号相应的高频系数和低频系数;其中db10小波表示阶数为10的小波;
S3-2、对分解后每层高频系数进行阈值量化处理,其中阈值为MATLAB软件中的默认阈值;
S3-3、根据原始输入图像分解后的第5层的低频系数和经阈值量化处理的每层对应的高频系数,运用重构算法进行信号重构,得到轮脉冲信号高频细节信号的包络谱图。
2.根据权利要求1所述的基于深度学习的计轴器故障监测方法,其特征在于,所述步骤S1中计轴器包括两套有源磁钢和一个集成电路板;
每套所述有源磁钢均包括一个发送磁头和一个接收磁头;
将计轴器发出的信号处理为轮脉冲监视信号的方法具体为:
S1-1、通过集成电路板驱动两个发送磁头在空间内产生交变磁场;
S1-2、通过接收磁头感应空间磁场的变化,并输出正弦感应信号;
S1-3、通过集成电路板接收并处理正弦感应信号,并通过DSP采样分析,产生轮脉冲监视信号。
3.根据权利要求1所述的基于深度学习的计轴器故障监测方法,其特征在于,所述步骤S2中的通信***为CBTC通信***。
4.根据权利要求1所述的基于深度学习的计轴器故障监测方法,其特征在于,所述步骤S3-3中高频细节信号的包络谱图的图像分辨率为227×227×3。
5.根据权利要求1所述的基于深度学习的计轴器故障监测方法,其特征在于,所述步骤S4的深度卷积神经网络为经过训练的网络参数固定的深度卷积神经网络;
所述输入深度卷积神经网络的若干张高频细节信号的包络谱图图像包括训练集和测试集,所述训练集和测试集占比均为1/2。
6.根据权利要求1-5任一所述的基于深度学习的计轴器故障监测方法,其特征在于,所述深度卷积神经网络包括3层卷积层、Avpool层和softmax分类层;
每层所述卷积层之间均设置有Batch Normorlization结构和Relu激活函数。
7.根据权利要求1所述的基于深度学习的计轴器故障监测方法,其特征在于,所述步骤S5中包络谱图对应的设定的故障分类包括:
磁头误触:包络谱图幅值高、持续时间短;
板卡故障:包络谱图脉冲信号紊乱,无法有效监测轮脉冲;
电磁干扰:包络谱图幅值低,持续时间不确定;
电源故障:包络谱图幅值低,持续整个周期;
通信故障:无脉冲信号输出;
其中板卡为计轴器内的集成电路板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810179920.2A CN108345863B (zh) | 2018-03-05 | 2018-03-05 | 一种基于深度学习的计轴器故障监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810179920.2A CN108345863B (zh) | 2018-03-05 | 2018-03-05 | 一种基于深度学习的计轴器故障监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108345863A CN108345863A (zh) | 2018-07-31 |
CN108345863B true CN108345863B (zh) | 2020-06-30 |
Family
ID=62957009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810179920.2A Active CN108345863B (zh) | 2018-03-05 | 2018-03-05 | 一种基于深度学习的计轴器故障监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108345863B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819253A (zh) * | 2010-04-20 | 2010-09-01 | 湖南大学 | 一种基于概率神经网络的容差电路故障诊断方法 |
CN102407867A (zh) * | 2011-08-09 | 2012-04-11 | 河南辉煌科技股份有限公司 | 城市轨道交通信号维护支持*** |
CN102901630A (zh) * | 2012-10-29 | 2013-01-30 | 宣化钢铁集团有限责任公司 | 基于自适应冗余提升小波降噪分析的轴承故障识别方法 |
CN103900816A (zh) * | 2014-04-14 | 2014-07-02 | 上海电机学院 | 一种风力发电机组轴承故障诊断方法 |
CN205034134U (zh) * | 2015-10-10 | 2016-02-17 | 三峡大学 | 一种基于dspic的新型铁路信号计轴装置 |
WO2016146365A1 (de) * | 2015-03-17 | 2016-09-22 | Siemens Aktiengesellschaft | Verfahren sowie vorrichtung zur automatischen beeinflussung spurgebundener fahrzeuge |
CN106428113A (zh) * | 2016-10-27 | 2017-02-22 | 上海自仪泰雷兹交通自动化***有限公司 | 计轴在线监测*** |
CN107329933A (zh) * | 2017-07-14 | 2017-11-07 | 北京知觉科技有限公司 | 基于光纤传感振动信号的故障检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1498336B1 (de) * | 2003-07-18 | 2005-09-07 | Alcatel | Verfahren und Zählpunkt zur Ermittlung des Belegungszustandes eines Gleisabschnittes |
-
2018
- 2018-03-05 CN CN201810179920.2A patent/CN108345863B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819253A (zh) * | 2010-04-20 | 2010-09-01 | 湖南大学 | 一种基于概率神经网络的容差电路故障诊断方法 |
CN102407867A (zh) * | 2011-08-09 | 2012-04-11 | 河南辉煌科技股份有限公司 | 城市轨道交通信号维护支持*** |
CN102901630A (zh) * | 2012-10-29 | 2013-01-30 | 宣化钢铁集团有限责任公司 | 基于自适应冗余提升小波降噪分析的轴承故障识别方法 |
CN103900816A (zh) * | 2014-04-14 | 2014-07-02 | 上海电机学院 | 一种风力发电机组轴承故障诊断方法 |
WO2016146365A1 (de) * | 2015-03-17 | 2016-09-22 | Siemens Aktiengesellschaft | Verfahren sowie vorrichtung zur automatischen beeinflussung spurgebundener fahrzeuge |
CN205034134U (zh) * | 2015-10-10 | 2016-02-17 | 三峡大学 | 一种基于dspic的新型铁路信号计轴装置 |
CN106428113A (zh) * | 2016-10-27 | 2017-02-22 | 上海自仪泰雷兹交通自动化***有限公司 | 计轴在线监测*** |
CN107329933A (zh) * | 2017-07-14 | 2017-11-07 | 北京知觉科技有限公司 | 基于光纤传感振动信号的故障检测方法及装置 |
Non-Patent Citations (5)
Title |
---|
A fault Detection and Diagnosis Method for Speed Distance Units of High-speed Train Control Systems;Liu Jiang et al.;《Proceedings of the 35th Chinese Control Conference》;20160829;全文 * |
AzLM型计轴远程诊断***;杨再兴;《铁道通信信号》;20131031;第49卷(第10期);全文 * |
基于BP神经网络的地铁信号设备故障预测;苏航;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20140515(第05期);全文 * |
基于深度学习理论的轴承状态识别研究;郭亮等;《振动与冲击》;20160628;第35卷(第12期);第167-169页 * |
计轴***特殊故障的分析与解决方案;张宏强;《城市轨道交通研究》;20160210;第19卷(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108345863A (zh) | 2018-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107703920B (zh) | 基于多元时间序列的列车制动***的故障检测方法 | |
KR100729107B1 (ko) | 부분방전 원인 자동 추론용 신경망 회로의 입력벡터생성방법 | |
CN110308002B (zh) | 一种基于地面检测的城轨列车悬挂***故障诊断方法 | |
CN107547150B (zh) | Btm在线检测方法及其装置 | |
CN108052628B (zh) | 道岔启动电流检测方法、***及终端设备 | |
CN107222362A (zh) | 一种整车can网络自动化测试平台及其优化方法 | |
CN103901882A (zh) | 一种列车动力***在线监控故障诊断的***及其方法 | |
US20160335391A1 (en) | Method and system for interacting rail transit vehicle commissioning task information | |
CN108363952A (zh) | 诊断装置 | |
CN104748960A (zh) | 一种行车横梁在线应力监测与故障诊断***及方法 | |
CN107423692A (zh) | 一种基于小波包能量熵的钢轨波磨故障检测方法 | |
CN105806637A (zh) | 一种轨道车辆通用的测试*** | |
CN103207091A (zh) | 汽车仪表检测装置及方法 | |
CN116338608B (zh) | 微波雷达探测角度调整方法、装置、设备及存储介质 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及*** | |
CN102749916B (zh) | 一种列车牵引***控制单元的自动测试装置 | |
CN202995451U (zh) | 一种车载控制器的自动测试装置 | |
CN115127652A (zh) | 一种基于智能算法的高精度窄条式车辆动态称重***及其称重方法 | |
CN111742462A (zh) | 用于基于音频和振动的功率分配装备状况监测的***和方法 | |
CN112710871A (zh) | 一种定位测速***主机的测试方法和装置 | |
CN108345863B (zh) | 一种基于深度学习的计轴器故障监测方法 | |
CN115078912A (zh) | 车顶高压电缆接头异常实时检测方法、***及列车 | |
CN112729884B (zh) | 基于大数据的设备故障诊断方法及装置 | |
Onischenko et al. | Development a simulation model of automatic locomotive signaling continuous type of action | |
CN112067056A (zh) | 接触网检测设备、方法、装置及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |