CN108445861A - 一种基于卷积神经网络算法的转辙机故障检测方法及*** - Google Patents

一种基于卷积神经网络算法的转辙机故障检测方法及*** Download PDF

Info

Publication number
CN108445861A
CN108445861A CN201810110082.3A CN201810110082A CN108445861A CN 108445861 A CN108445861 A CN 108445861A CN 201810110082 A CN201810110082 A CN 201810110082A CN 108445861 A CN108445861 A CN 108445861A
Authority
CN
China
Prior art keywords
convolutional neural
neural networks
goat
fault detection
power
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.)
Pending
Application number
CN201810110082.3A
Other languages
English (en)
Inventor
张艳青
孙迪钢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201810110082.3A priority Critical patent/CN108445861A/zh
Publication of CN108445861A publication Critical patent/CN108445861A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于卷积神经网络算法的转辙机故障检测方法及***，是对之前基于人工特征工程的转辙机故障检测***的改进。卷积神经网络是一种深度学习模型，将转辙机功率曲线图输入到卷积神经网络中，利用卷积神经网络的特征学习能力，可以自动提取特征，实现高精度的故障类型检测。

Description

一种基于卷积神经网络算法的转辙机故障检测方法及***
技术领域
本发明涉及轨道交通中的转辙机故障检测技术领域，特别涉及一种基于卷积神经网络算法的转辙机故障智能检测方法及***。
背景技术
转辙机的动作过程一般包括启动、解锁、转换、锁闭和表示几个阶段。正常状态下，转辙机动作过程中的每个阶段的功率曲线都具有不同的特征；同时，在不同故障模式下，功率曲线也具有不同的特征。因此，转辙机的功率曲线与工作状态存在着直接的关联，可以通过功率曲线来识别故障类型。目前的转辙机故障检测都需要通过专门的特征工程来提取功率曲线的特征，然而特征的质量对算法的泛化性能有至关重要的影响，即使是专家，要想设计出高质量的特征也并非易事。深度学习则可理解为“特征学习”或“表示学习”。通过多层处理，逐渐将初始的“低层”特征表示转化为“高层”特征表示后，用“简单模型”即可完成复杂的分类等学习任务。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于卷积神经网络算法的转辙机故障检测方法，无需人工提取故障特征且检测精度更高。
本发明的另一目的在于提供一种基于卷积神经网络算法的转辙机故障检测***。
本发明的目的通过以下的技术方案实现：
一种基于卷积神经网络算法的转辙机故障检测方法，包括：
第一步、收集功率数据，并将数据序列与故障类型建立关联，构成带标签的数据集用于模型训练和验证；
第二步、将数据集分为训练数据集和验证数据集；对卷积神经网络进行训练和评估，选择检测性能最好的模型并保存；
第三步、采集轨道上正式运行的转辙机功率数据，生成功率曲线图，输入所选择的模型中，模型输出对应的故障类型；
第四步、设备维护人员对设备进行维护后，根据设备真正的故障类型，对模型输出的结果进行反馈。
具体的，带标签数据的收集可以有两种方式：一种是收集过去处理过的故障所对应的功率数据；一种是使用专门的转辙机，人为模拟故障，收集功率数据。
一种基于卷积神经网络算法的转辙机故障检测***，包括：转辙机功率数据采集单元(1)、功率曲线图生成单元(2)、基于卷积神经网络算法的故障检测单元(3)和人机交互单元(4)；转辙机功率数据采集单元(1)、功率曲线图生成单元(2)、基于卷积神经网络的故障检测单元(3)、人机交互单元(4)具有逻辑上的先后次序，将功率数据生成曲线图，再将曲线图输入到卷积神经网络对转辙机的状态进行智能判断，输出当前状态所对应的故障类型。
优选的，转辙机功率数据采集单元(1)，采集转辙机一次动作过程中的功率数据，包括启动、解锁、转换、锁闭和表示阶段。
优选的，功率曲线图生成单元(2)根据转辙机功率数据采集单元(1)获取的功率数据，生成一张固定大小的曲线图，作为卷积神经网络的输入。
优选的，基于卷积神经网络算法的故障检测单元(3)采用卷积神经网络算法对功率曲线图进行处理，通过卷积操作自动提取特征，通过全连接网络根据特征进行故障检测。
优选的，人机交互单元(4)将卷积神经网络的检测结果进行展示。
具体的，操作人员可以人机交互单元(4)进行反馈，反馈操作包括接受、修正检测结果；反馈的结果可以作为标注数据，用于卷积神经网络的进一步训练，提高检测的准确性。
本发明与现有技术相比，具有如下优点和有益效果：
(1)无需人工提取故障特征。现有的转辙机故障检测技术都需要通过专门的特征工程来提取故障特征，然而即使是行业专家，要想设计出高质量的特征也并非易事。卷积神经网络具有特征学习能力，无需领域相关的专业知识，并且训练数据越丰富，特征学习能力越强。
(2)检测精度更高。传统故障检测***分为特征提取和故障检测两个阶段，而卷积神经网络可以实现端到端的故障检测，训练过程中的误差可以反向传播到卷积部分，从而优化特征的提取，实现更高精度的检测。
附图说明
图1为实施例***结构示意图。
图2为转辙机功率曲线图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
卷积神经网络(CNN)是一种深度学习模型，将功率曲线图输入到卷积神经网络中，利用卷积神经网络的特征学习能力自动提取特征，进而实现故障的检测。
一种基于卷积神经网络算法的转辙机故障检测***，包括转辙机功率数据采集单元(1)、功率曲线图生成单元(2)、基于卷积神经网络算法的故障检测单元(3)、人机交互单元(4)；转辙机功率数据采集单元(1)、功率曲线图生成单元(2)、基于卷积神经网络的故障检测单元(3)、人机交互单元(4)具有逻辑上的先后次序，将功率数据生成曲线图，再将曲线图输入到卷积神经网络对转辙机的状态进行智能判断，输出当前状态所对应的故障类型。***结构如附图1所示。
转辙机功率数据采集单元(1)，采集转辙机一次动作过程(包括启动、解锁、转换、锁闭和表示五个阶段)中的功率数据。
功率曲线图生成单元(2)根据转辙机功率数据采集单元(1)获取的功率数据，生成一张固定大小的曲线图，作为卷积神经网络的输入。曲线图如附图2所示。
基于卷积神经网络算法的故障检测单元(3)采用卷积神经网络算法对功率曲线图进行处理，通过卷积操作自动提取特征，通过全连接网络根据特征进行故障检测。
人机交互单元(4)将卷积神经网络的检测结果进行展示。操作人员可以进行反馈，反馈操作包括接受、修正检测结果。反馈的结果可以作为标注数据，用于卷积神经网络的进一步训练，提高检测的准确性。
具体实施案例：广州地铁四号线新造站转辙机故障检测***。
第一步、收集功率数据，并将数据序列与故障类型建立关联，构成带标签的数据集用于模型训练和验证。带标签数据的收集可以有两种方式。一种是收集过去处理过的故障所对应的功率数据；一种是使用专门的转辙机，人为模拟故障，收集功率数据。
第二步、将数据集分为训练数据集和验证数据集。对卷积神经网络进行训练和评估，选择检测性能最好的模型并保存。
第三步、采集轨道上正式运行的转辙机功率数据，生成功率曲线图，输入所选择的模型中，模型输出对应的故障类型。
第四步、设备维护人员对设备进行维护后，根据设备真正的故障类型，对模型输出的结果进行反馈，反馈操作包括接受、修正检测结果。反馈的结果将纳入数据集，用于进一步的模型训练，提高模型的精度和鲁棒性。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于卷积神经网络算法的转辙机故障检测方法，其特征在于，包括：
第一步、收集功率数据，并将数据序列与故障类型建立关联，构成带标签的数据集用于模型训练和验证；
第二步、将数据集分为训练数据集和验证数据集；对卷积神经网络进行训练和评估，选择检测性能最好的模型并保存；
第三步、采集轨道上正式运行的转辙机功率数据，生成功率曲线图，输入所选择的模型中，模型输出对应的故障类型；
第四步、设备维护人员对设备进行维护后，根据设备真正的故障类型，对模型输出的结果进行反馈。
2.根据权利要求1所述的基于卷积神经网络算法的转辙机故障检测方法，其特征在于，带标签数据的收集可以有两种方式：一种是收集过去处理过的故障所对应的功率数据；一种是使用专门的转辙机，人为模拟故障，收集功率数据。
3.一种基于卷积神经网络算法的转辙机故障检测***，其特征在于，包括：转辙机功率数据采集单元(1)、功率曲线图生成单元(2)、基于卷积神经网络算法的故障检测单元(3)和人机交互单元(4)；转辙机功率数据采集单元(1)、功率曲线图生成单元(2)、基于卷积神经网络的故障检测单元(3)、人机交互单元(4)具有逻辑上的先后次序，将功率数据生成曲线图，再将曲线图输入到卷积神经网络对转辙机的状态进行智能判断，输出当前状态所对应的故障类型。
4.根据权利要求3所述的基于卷积神经网络算法的转辙机故障检测***，其特征在于，转辙机功率数据采集单元(1)，采集转辙机一次动作过程中的功率数据，包括启动、解锁、转换、锁闭和表示阶段。
5.根据权利要求3所述的基于卷积神经网络算法的转辙机故障检测***，其特征在于，功率曲线图生成单元(2)根据转辙机功率数据采集单元(1)获取的功率数据，生成一张固定大小的曲线图，作为卷积神经网络的输入。
6.根据权利要求3所述的基于卷积神经网络算法的转辙机故障检测***，其特征在于，基于卷积神经网络算法的故障检测单元(3)采用卷积神经网络算法对功率曲线图进行处理，通过卷积操作自动提取特征，通过全连接网络根据特征进行故障检测。
7.根据权利要求3所述的基于卷积神经网络算法的转辙机故障检测***，其特征在于，人机交互单元(4)将卷积神经网络的检测结果进行展示。
8.根据权利要求3所述的基于卷积神经网络算法的转辙机故障检测***，其特征在于，操作人员可以人机交互单元(4)进行反馈，反馈操作包括接受、修正检测结果；反馈的结果可以作为标注数据，用于卷积神经网络的进一步训练，提高检测的准确性。
CN201810110082.3A 2018-02-05 2018-02-05 一种基于卷积神经网络算法的转辙机故障检测方法及*** Pending CN108445861A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810110082.3A CN108445861A (zh) 2018-02-05 2018-02-05 一种基于卷积神经网络算法的转辙机故障检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810110082.3A CN108445861A (zh) 2018-02-05 2018-02-05 一种基于卷积神经网络算法的转辙机故障检测方法及***

Publications (1)

Publication Number Publication Date
CN108445861A true CN108445861A (zh) 2018-08-24

Family

ID=63191616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810110082.3A Pending CN108445861A (zh) 2018-02-05 2018-02-05 一种基于卷积神经网络算法的转辙机故障检测方法及***

Country Status (1)

Country Link
CN (1) CN108445861A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359702A (zh) * 2018-12-14 2019-02-19 福州大学 基于卷积神经网络的光伏阵列故障诊断方法
CN109655259A (zh) * 2018-11-23 2019-04-19 华南理工大学 基于深度解耦卷积神经网络的复合故障诊断方法及装置
CN109677448A (zh) * 2018-12-29 2019-04-26 广州铁科智控有限公司 一种基于转辙机功率的道岔故障分析方法
WO2020185475A1 (en) * 2019-03-12 2020-09-17 Microsoft Technology Licensing, Llc Automated detection of code regressions from time-series data
CN112668715A (zh) * 2020-12-28 2021-04-16 卡斯柯信号有限公司 一种基于机器学习的道岔转辙机异常诊断方法及***
CN113219942A (zh) * 2021-04-23 2021-08-06 浙江大学 基于加权联合分布适配神经网络的高炉故障诊断方法
CN114091319A (zh) * 2020-10-20 2022-02-25 广东毓秀科技有限公司 一种通过机器学习进行转辙机健康度评估的方法
CN114254017A (zh) * 2021-12-22 2022-03-29 河北省科学院应用数学研究所 一种基于时间序列的转辙机功率曲线特征提取应用方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101893667A (zh) * 2010-05-26 2010-11-24 广州市地下铁道总公司 交流道岔转辙机故障检测***及方法
CN105787511A (zh) * 2016-02-26 2016-07-20 清华大学 基于支持向量机的道岔故障诊断方法及***
CN106650919A (zh) * 2016-12-23 2017-05-10 国家电网公司信息通信分公司 一种基于卷积神经网络的信息***故障诊断方法及装置
CN106740990A (zh) * 2016-12-12 2017-05-31 中国神华能源股份有限公司 道岔动作功率曲线识别方法及***
WO2017216615A1 (en) * 2016-06-16 2017-12-21 Qatar University Method and apparatus for performing motor-fault detection via convolutional neural networks
CN107526853A (zh) * 2016-06-22 2017-12-29 北京航空航天大学 基于层叠卷积网络的滚动轴承故障模式识别方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101893667A (zh) * 2010-05-26 2010-11-24 广州市地下铁道总公司 交流道岔转辙机故障检测***及方法
CN105787511A (zh) * 2016-02-26 2016-07-20 清华大学 基于支持向量机的道岔故障诊断方法及***
WO2017216615A1 (en) * 2016-06-16 2017-12-21 Qatar University Method and apparatus for performing motor-fault detection via convolutional neural networks
CN107526853A (zh) * 2016-06-22 2017-12-29 北京航空航天大学 基于层叠卷积网络的滚动轴承故障模式识别方法及装置
CN106740990A (zh) * 2016-12-12 2017-05-31 中国神华能源股份有限公司 道岔动作功率曲线识别方法及***
CN106650919A (zh) * 2016-12-23 2017-05-10 国家电网公司信息通信分公司 一种基于卷积神经网络的信息***故障诊断方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李酉戌: "基于卷积神经网络的网络故障诊断模型", 《软件导刊》 *
樊重俊 等: "《大数据分析与应用》", 31 January 2016, 立信会计出版社 *
王丽华 等: "基于卷积神经网络的异步电机故障诊断", 《振动、测试与诊断》 *
王铁军 等: "基于BP神经网络的道岔智能故障诊断方法", 《铁道运营技术》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109655259A (zh) * 2018-11-23 2019-04-19 华南理工大学 基于深度解耦卷积神经网络的复合故障诊断方法及装置
CN109359702A (zh) * 2018-12-14 2019-02-19 福州大学 基于卷积神经网络的光伏阵列故障诊断方法
CN109677448A (zh) * 2018-12-29 2019-04-26 广州铁科智控有限公司 一种基于转辙机功率的道岔故障分析方法
WO2020185475A1 (en) * 2019-03-12 2020-09-17 Microsoft Technology Licensing, Llc Automated detection of code regressions from time-series data
US11720461B2 (en) 2019-03-12 2023-08-08 Microsoft Technology Licensing, Llc Automated detection of code regressions from time-series data
CN114091319A (zh) * 2020-10-20 2022-02-25 广东毓秀科技有限公司 一种通过机器学习进行转辙机健康度评估的方法
CN112668715A (zh) * 2020-12-28 2021-04-16 卡斯柯信号有限公司 一种基于机器学习的道岔转辙机异常诊断方法及***
CN113219942A (zh) * 2021-04-23 2021-08-06 浙江大学 基于加权联合分布适配神经网络的高炉故障诊断方法
CN113219942B (zh) * 2021-04-23 2022-10-25 浙江大学 基于加权联合分布适配神经网络的高炉故障诊断方法
CN114254017A (zh) * 2021-12-22 2022-03-29 河北省科学院应用数学研究所 一种基于时间序列的转辙机功率曲线特征提取应用方法
CN114254017B (zh) * 2021-12-22 2024-04-30 河北省科学院应用数学研究所 一种基于时间序列的转辙机功率曲线特征提取应用方法

Similar Documents

Publication Publication Date Title
CN108445861A (zh) 一种基于卷积神经网络算法的转辙机故障检测方法及***
CN111709244B (zh) 一种用于矛盾纠纷事件因果关系识别的深度学习方法
CN110674189B (zh) 一种智能变电站二次状态监测与故障定位的方法
WO2016029570A1 (zh) 一种面向电网调度的智能告警分析方法
CN111342997A (zh) 一种深度神经网络模型的构建方法、故障诊断方法及***
CN109501834A (zh) 一种道岔转辙机故障预测方法及装置
CN107451004A (zh) 一种基于定性趋势分析的道岔故障诊断方法
CN112217674B (zh) 基于因果网络挖掘和图注意力网络的告警根因识别方法
CN104679828A (zh) 一种基于规则的电网故障诊断智能***
CN104732322B (zh) 电力通信网机房移动运维方法
CN107909118A (zh) 一种基于深度神经网络的配电网工况录波分类方法
CN103886030B (zh) 基于代价敏感决策树的信息物理融合***数据分类方法
CN102495919A (zh) 一种生态***碳交换影响因素提取方法及***
CN106503439A (zh) 一种基于数据挖掘的采集故障预警***的方法
CN105974356B (zh) 一种电力计量自动化检定流水线故障诊断方法
CN104616092A (zh) 一种基于分布式日志分析的行为模式处理方法
CN107340766A (zh) 基于相似度的电力调度告警信号文本归类及故障诊断方法
CN109188502A (zh) 一种基于自编码器的束流位置监测器异常检测方法及装置
CN113641486B (zh) 一种基于边缘计算网络架构的道岔智能故障诊断方法
CN108549914A (zh) 基于Apriori算法的异常SER/SOE事件识别方法
CN109002753B (zh) 一种基于卷积神经网络级联的大场景监控图像人脸检测方法
CN115293383A (zh) 融合博弈论的变压器风险致因分析方法
CN110968703B (zh) 基于lstm端到端抽取算法的异常计量点知识库构建方法及***
CN112882899B (zh) 一种日志异常检测方法及装置
CN110266513A (zh) 低压集抄***物理拓扑的解析方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180824