CN110441629B - 基于道岔转辙机动作电流曲线的故障诊断方法及装置 - Google Patents
基于道岔转辙机动作电流曲线的故障诊断方法及装置 Download PDFInfo
- Publication number
- CN110441629B CN110441629B CN201910689553.5A CN201910689553A CN110441629B CN 110441629 B CN110441629 B CN 110441629B CN 201910689553 A CN201910689553 A CN 201910689553A CN 110441629 B CN110441629 B CN 110441629B
- Authority
- CN
- China
- Prior art keywords
- current curve
- current
- stage
- sample
- fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003745 diagnosis Methods 0.000 title claims abstract description 57
- 230000009471 action Effects 0.000 claims description 29
- 238000012216 screening Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000007621 cluster analysis Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L5/00—Local operating mechanisms for points or track-mounted scotch-blocks; Visible or audible signals; Local operating mechanisms for visible or audible signals
- B61L5/06—Electric devices for operating points or scotch-blocks, e.g. using electromotive driving means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Electric Motors In General (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明实施例提供了一种基于道岔转辙机动作电流曲线的故障诊断方法及装置，预先存储有标记了故障类型的电流曲线样本对应的特征数据，对欲进行故障诊断的道岔转辙机，获取其动作电流曲线的目标特征数据，根据目标特征数据和各标记了故障类型的电流曲线样本对应的特征数据从电流曲线样本中筛选出与电流曲线相似的目标电流曲线样本，根据各目标电流曲线样本对应的故障类型确定目标故障类型，该目标故障类型即为道岔转辙机存在故障的故障类型。通过与已经标记故障类型的电流曲线样本的对比实现了对转辙机故障的自动识别，提高了故障识别的准确率，降低了漏判和误判的可能性，提高了故障识别效率。
Description
技术领域
本发明涉及转辙机维护技术领域，尤其是涉及一种基于道岔转辙机动作电流曲线的故障诊断方法及装置。
背景技术
城市轨道信号设备故障是干扰铁路正常运输秩序的主要因素之一，轨道信号设备故障如果可以快速处理并恢复是可以极大降低对地铁运输乘客秩序的影响。道岔转辙机(例如，ZDJ9型道岔转辙机)是轨道电务部门所维护的室外三大件(室外三大件包括道岔转辙机设备、轨道电路和信号机)之一，是实现信号联锁关系的基础设备。据统计，道岔转换设备已经是电务部门故障率最高的设备，而且有故障率上升的态势，道岔转换设备故障已经影响到了轨道列车运行效率，并造成旅客列车晚点等不良的影响。转辙机如果出现异常，很可能导致脱线、脱轨、追尾等重大事故，危及行车安全。
目前轨道信号***维修方式一直采用故障修和定期维修相结合。故障修是指设备突发故障后进行故障处理维修。定期维修是基于材料寿命分析与估计的故障诊断维修方式，定期维修是指以零件的磨损规律或零件的使用寿命为基础建立设备维修作业制度，维修作业制度是在现场天窗点时间范围内进行的有计划维修作业，根据现场调查定期维修又分为信号设备养护和检修。检修是对设备进行检验和修理，它涵盖了养护的全部内容，目的是为使设备达到检修技术标准所规定的技术参数、技术条件允许偏差的程度。养护是保养与修理，使设备维持良好的状态。
现有的对转辙机的故障识别和定位主要通过比较曲线面积比、平均电流值比以及维护人员的理论知识和现场经验，故障识别时间较长、效率低，且误判、漏判现象时有出现。并且对道岔转辙机的检修方式也需要大量的人力和时间成本存在漏判或者误判的可能，
在实际应用过程中，发明人发现现有的对道岔转辙机故障的识别主要依靠人工参与，漏判和误判的可能性大，故障识别的效率低。
发明内容
本发明实施例提供一种基于道岔转辙机动作电流曲线的故障诊断方法及装置，用以解决现有技术中的对道岔转辙机故障的识别主要依靠人工参与，漏判和误判的可能性大，故障识别的效率低的问题。
针对以上技术问题，第一方面，本发明的实施例提供了一种基于道岔转辙机动作电流曲线的故障诊断方法，包括：
获取欲进行故障诊断的道岔转辙机动作电流曲线，提取所述电流曲线的特征数据，作为目标特征数据；
根据所述目标特征数据和预先标记了故障类型的电流曲线样本对应的特征数据筛选出与所述电流曲线的相似度大于预设相似度的电流曲线样本，作为目标电流曲线样本；
根据各目标电流曲线样本对应的故障类型确定与所述电流曲线对应的目标故障类型，所述道岔转辙机存在故障的故障类型为所述目标故障类型。
第二方面，本发明的实施例提供了一种基于道岔转辙机动作电流曲线的故障诊断装置，包括：
提取模块，用于获取欲进行故障诊断的道岔转辙机动作电流曲线，提取所述电流曲线的特征数据，作为目标特征数据；
筛选模块，用于根据所述目标特征数据和预先标记了故障类型的电流曲线样本对应的特征数据筛选出与所述电流曲线的相似度大于预设相似度的电流曲线样本，作为目标电流曲线样本；
诊断模块，用于根据各目标电流曲线样本对应的故障类型确定与所述电流曲线对应的目标故障类型，所述道岔转辙机存在故障的故障类型为所述目标故障类型。
第三方面，本发明的实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上任一项所述的基于道岔转辙机动作电流曲线的故障诊断方法的步骤。
第四方面，本发明的实施例提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以上任一项所述的基于道岔转辙机动作电流曲线的故障诊断方法的步骤。
本发明的实施例提供了一种基于道岔转辙机动作电流曲线的故障诊断方法及装置，预先存储有标记了故障类型的电流曲线样本对应的特征数据，对欲进行故障诊断的道岔转辙机，获取其动作电流曲线的目标特征数据，根据目标特征数据和各标记了故障类型的电流曲线样本对应的特征数据从电流曲线样本中筛选出与电流曲线相似的目标电流曲线样本，根据各目标电流曲线样本对应的故障类型确定目标故障类型，该目标故障类型即为道岔转辙机存在故障的故障类型。通过与已经标记故障类型的电流曲线样本的对比实现了对转辙机故障的自动识别，提高了故障识别的准确率，降低了漏判和误判的可能性，提高了故障识别效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的一种基于道岔转辙机动作电流曲线的故障诊断方法的流程示意图；
图2是本发明另一个实施例提供的未出现故障的道岔转辙机的某一类别的电流曲线示意图；
图3是本发明另一个实施例提供的未出现故障的道岔转辙机的另一类别的电流曲线示意图；
图4是本发明另一个实施例提供的存在故障的道岔转辙机的某一类别的电流曲线示意图；
图5是本发明另一个实施例提供的存在故障的道岔转辙机的另一类别的电流曲线示意图；
图6是本发明另一个实施例提供的对存在故障的道岔转辙机的某一类别的电流曲线进行三相还原示意图；
图7是本发明另一个实施例提供的存在故障的道岔转辙机的另一类别的电流曲线进行三相还原示意图；
图8是本发明另一个实施例提供的道岔转辙机动作电流故障诊断流程示意图；
图9是本发明另一个实施例提供的基于道岔转辙机动作电流曲线的故障诊断方法装置的结构框图；
图10是本发明另一个实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本实施例提供的一种基于道岔转辙机动作电流曲线的故障诊断方法的流程示意图，参见图1，该方法包括：
101：获取欲进行故障诊断的道岔转辙机动作电流曲线，提取所述电流曲线的特征数据，作为目标特征数据；
102：根据所述目标特征数据和预先标记了故障类型的电流曲线样本对应的特征数据筛选出与所述电流曲线的相似度大于预设相似度的电流曲线样本，作为目标电流曲线样本；
103：根据各目标电流曲线样本对应的故障类型确定与所述电流曲线对应的目标故障类型，所述道岔转辙机存在故障的故障类型为所述目标故障类型。
本实施例提供的方法由安装有执行上述步骤101-103的设备执行，该设备可以是终端或者服务器，本实施例对此不做具体限制。道岔转辙机的电流曲线指的是转辙机进行由正位到反位的动作，或者进行由反位到正位的动作时生成的电流随时间变化的曲线。由于转辙机的电流曲线是转辙机是否处于正常工作状态的反应，因此本实施例将根据道岔转辙机动作时生成的电流曲线对道岔转辙机存在故障的故障类型进行识别。
电流曲线是欲进行故障诊断的道岔转辙机由正位到反位或者由反位到正位的过程中生成的电流随动作实现变化的曲线。目标特征数据是从电流曲线中提取的能够反应电流曲线特征的数据集合。通过目标特征数据和预先标记了故障类型的电流曲线样本对应的特征数据可以计算出电流曲线和各电流曲线样本之间的相似度，获取相似度较大的几条电流曲线样本作为目标电流曲线样本，根据各目标电流曲线样本对应的故障类型确定道岔转辙机对应的目标故障类型。
由于转辙机采取的是三相电供电，由于三相的电流曲线形状基本相同，因此本实施例提供的方法可以通过某一相电流曲线对转辙机进行故障类型识别，也可以根据三相的电流曲线对转辙机进行故障类型识别。例如，当电流曲线仅为某一相的电流曲线时，目标特征数据为仅从该相电流曲线中提取的特征，在计算和电流曲线样本的相似度时，提取的电流曲线样本的特征数据也是仅从电流曲线样本的某一相电流曲线中提取特征数据。当电流曲线仅为三相的电流曲线时，目标特征数据为从该三电流曲线中提取的特征，在计算和电流曲线样本的相似度时，提取的电流曲线样本的特征数据也是从电流曲线样本的三相电流曲线中提取特征数据。
本实施例提供了一种基于道岔转辙机动作电流曲线的故障诊断方法，预先存储有标记了故障类型的电流曲线样本对应的特征数据，对欲进行故障诊断的道岔转辙机，获取其动作电流曲线的目标特征数据，根据目标特征数据和各标记了故障类型的电流曲线样本对应的特征数据从电流曲线样本中筛选出与电流曲线相似的目标电流曲线样本，根据各目标电流曲线样本对应的故障类型确定目标故障类型，该目标故障类型即为道岔转辙机存在故障的故障类型。通过与已经标记故障类型的电流曲线样本的对比实现了对转辙机故障的自动识别，提高了故障识别的准确率，降低了漏判和误判的可能性，提高了故障识别效率。
此处提供一种具体的对转辙机(例如，ZDJ9型道岔转辙机)进行故障类型识别的方法，该方法预先针对原始运维数据无类型标签的特点先进行无监督学习分析，利用聚类算法提取表现道岔转辙机亚健康和故障的电流曲线作为训练样本集。进行故障类型分析时，对地铁线运维产生的道岔转辙机动作电流数据进行特征提取，对故障样本数据集利用KNN分类器对运维产生的电流数据进行故障诊断分析，并返回故障类型。实现方法可以包括以下几个步骤：
步骤(1)转辙机动作电流曲线特征向量的提取；
步骤(2)获取利用聚类算法对运维数据进行聚类分析提取出的亚健康和故障类型的数据样本，增加故障数据样本集数量；
步骤(3)利用KNN分类器对新数据进行故障诊断分析，并返回故障类型。
进一步地，在上述实施例的基础上，所述获取欲进行故障诊断的道岔转辙机动作电流曲线，提取所述电流曲线的特征数据，作为目标特征数据，包括：
获取欲进行故障诊断的道岔转辙机动作电流曲线，将每一相的电流曲线均划分为第一阶段生成的电流曲线、第二阶段生成的电流曲线、第三阶段生成的电流曲线和第四阶段生成的电流曲线；
对每一相的电流曲线，均在第一阶段生成的电流曲线中提取第一阶段特征值，在第二阶段生成的电流曲线中提取第二阶段特征值，在第三阶段生成的电流曲线中提取第三阶段特征值，在第四阶段生成的电流曲线中提取第四阶段特征值，并根据每一相的电流曲线在第二阶段生成的电流曲线提取包含了三相电流曲线之间关系的三相特征值；
将所述第一阶段特征值、所述第二阶段特征值、所述第三阶段特征值、所述第四阶段特征值、所述三相特征值和道岔转辙机的动作时间作为所述目标特征数据；
其中，对每一相的电流曲线，按照生成电流曲线的时间顺序，将在第一时间点之前生成的电流曲线中电流最大值所在位置作为第一阶段生成的电流曲线和第二阶段生成的电流曲线的分界点，将在第二时间点之前生成的电流曲线中电流值由上升变为下降的位置作为第二阶段生成的电流曲线和第三阶段生成的电流曲线的分界点，将在第三时间点之前生成的电流曲线中电流标准差由大变小的位置作为第三阶段生成的电流曲线和第四阶段生成的电流曲线的分界点；对每一相的电流曲线，开始生成电流曲线的起始时间点和所述第一时间点之间的时长占电流曲线总时长的比值为第一比值，所述起始时间点和所述第二时间点之间的时长占所述总时长的比值为第二比值，所述起始时间点和所述第三时间点之间的时长占所述总时长的比值为第三比值。
进一步地，所述第一比值为10％，所述第二比值为80％，所述第三比值为82％。
本实施例提供的方法通过道岔转辙机动作的三相电流曲线来对转辙机故障的故障类型进行识别。将每一相的电流曲线均划分为4个阶段，针对每一阶段分别提取特征数据，再针对各相电流曲线的第二阶段提取表示三相电流之间关系的特征数据，将提取的这些数据和转辙机动作时间作为目标特征数据。目标特征数据反应了转辙机电流曲线特征，通过目标特征数据和各电流曲线样本的特征数据能够准确计算该电流曲线和各电流曲线样本的相似度，为故障类型的识别奠定了基础。
本实施例提供了一种基于道岔转辙机动作电流曲线的故障诊断方法，按照电流曲线的特征将电流曲线划分为4个阶段，便于快速通过这4个阶段的电流曲线提取特征数据。
进一步地，在上述各实施例的基础上，所述对每一相的电流曲线，均在第一阶段生成的电流曲线中提取第一阶段特征值，在第二阶段生成的电流曲线中提取第二阶段特征值，在第三阶段生成的电流曲线中提取第三阶段特征值，在第四阶段生成的电流曲线中提取第四阶段特征值，并根据每一相的电流曲线在第二阶段生成的电流曲线提取包含了三相电流曲线之间关系的三相特征值，包括：
对任一第一相的电流曲线，从第一阶段生成的电流曲线中获取第一电流最大值、第一电流平均值和第一电流标准差，作为所述第一阶段特征值；
对第一相的电流曲线，从第二阶段生成的电流曲线中获取第二电流最大值、第一电流最小值、第二电流平均值和第二电流标准差，作为所述第二阶段特征值；
对第一相的电流曲线，从第三阶段生成的电流曲线中获取第三电流最大值、第二电流最小值、第三电流平均值和第三电流标准差，作为所述第三阶段特征值；
对第一相的电流曲线，从第四阶段生成的电流曲线中获取第四电流最大值、第三电流最小值、第四电流平均值和第四电流标准差，作为所述第四阶段特征值；
对第二相的电流曲线，从第二阶段生成的电流曲线中获取第五电流平均值，且对第三相的电流曲线，从第二阶段生成的电流曲线中获取第六电流平均值，计算所述第二电流平均值与所述第五电流平均值的第一差值，所述第二电流平均值与所述第六电流平均值的第二差值，所述第五电流平均值与所述第六电流平均值的第三差值，将所述第一差值、所述第二差值和所述第三差值作为所述三相特征值。
本实施例提供了目标特征数据中各特征值的获取方法，对每一相的电流曲线均在划分的第一阶段提取第一电流最大值、第一电流平均值和第一电流标准差这3个特征值，均在划分的第二阶段提取第二电流最大值、第一电流最小值、第二电流平均值和第二电流标准差这4个特征值，均在划分的第三阶段提取第三电流最大值、第二电流最小值、第三电流平均值和第三电流标准差这4个特征值，均在划分的第四阶段提取第四电流最大值、第三电流最小值、第四电流平均值和第四电流标准差这4个特征值。再加上3个三相特征值和转辙机动作时间，共3*(3+4+4+4)+3+1＝49个特征值。这49个特征值组成矩阵，与从各电流曲线样本采用相同方法提取的49个特征值进行计算，得到该电流曲线和每一电流曲线样本的相似度。其中，每一阶段的电流标准差等于该阶段内各采样点的电流与该阶段内电流平均值的离差平方的算术平均数的平方根。
本实施例提供了一种基于道岔转辙机动作电流曲线的故障诊断方法，单独根据各阶段电流曲线实现了对特征数据的提取，通过较为简单的计算提取了反应三相电流曲线的特征的数据。
对上述步骤(1)，以ZDJ9型道岔转辙机为例，在提取特征数据时，以电流曲线各时间阶段中道岔转换时状态信息提取特征向量。其中，电流曲线按照转换时间序列可以分为解锁－转换－锁闭－缓放四个时间阶段。图2为本实施例提供的未出现故障转辙机的某一类别的电流曲线示意图，图3为本实施例提供的未出现故障转辙机的另一类别的电流曲线示意图。如图2和图3所示，道岔解锁阶段，电机启动时，具有很大的启动电流，产生一个峰值后，道岔很快进入解锁状态，随着设备的运行，道岔解锁完成后，阻力迅速变小，电流曲线也迅速回落，道岔进入转换过程。
ZDJ9转辙机动作电流曲线的形态能够准确表现转辙机动作过程，因此在提取电流曲线特征前需要将其划分为4个阶段对应转辙机动作的时间序列。每个阶段的切换点对应转辙机4个动作的时间阶段的转换点。将动作电流曲线按照时间划分为4个时间区段后，在每个时间区段内提取特征值组建特征向量，这样就可以准确的捕捉到每个时间段相对于整个电流数据样本来说差别比较微弱的故障特征值。通过现场技术专家的咨询以及从运营数据的抽样分析发现：正常动作电流的采样周期为40ms且形态大致相同，动作总时间在5.5s-6.5s。
对上述步骤(1)，确定4个阶段的过程如下：
a、取电流数据的前10％(即第一时间点之前生成的电流曲线)，通过比较确定其电流最大值所在位置为第一阶段和第二阶段的划分点。取电流数据的前80％(即在第二时间点之前生成的电流曲线)，通过比较确定电流值突然下降的位置为第二阶段和第三阶段的转换点。取电流数据的前82％(即在第三时间点之前生成的电流曲线)，分析第二个转化点之后的数据，通过比较标准差，由大变小之后的位置确定为第三阶段和第四阶段的转换点。
b、对每一相电流曲线，提取第一阶段内电流数据的最大值、平均值和标准差作为第一阶段的特征值，提取第二阶段内电流数据的最大值、最小值、平均值和标准差作为第二阶段的特征值，提取第三阶段内电流数据的最大值、最小值、平均值和标准差作为第三阶段的特征值，提取第四阶段内电流数据的最大值、最小值、平均值和标准差作为第四阶段的特征值，提取三相电流曲线中第二阶段电流平均值的两两作差的值作为特征值，并提取动作电流数据的持续时间作为特征值；
c、将每个动作电流的三相的电流曲线四个阶段的特征值、根据三相的电流曲线第二阶段计算的电流平均值的差值和动作时间共49个特征值组成转辙机动作电流曲线的特征数据(即目标特征数据)。
进一步地，在上述各实施例的基础上，所述根据所述目标特征数据和预先标记了故障类型的电流曲线样本对应的特征数据筛选出与所述电流曲线的相似度大于预设相似度的电流曲线样本，作为目标电流曲线样本，包括：
预先获取道岔转辙机动作的任一相的电流曲线，作为电流曲线样本，对获取的若干电流曲线样本进行聚类分析，得到由数量小于预设数量的电流曲线样本组成的聚类，作为故障样本聚类，标记出所述故障样本聚类中的每一电流曲线样本对应的故障类型；
对每一标记了故障类型的电流曲线样本，由所述电流曲线样本对应的三相电流曲线得到所述电流曲线样本对应的特征数据，根据所述目标特征数据和各电流曲线样本对应的特征数据计算所述电流曲线与各标记了故障类型的电流曲线样本之间的欧式距离，筛选出欧式距离小于预设欧式距离的电流曲线样本，作为目标电流曲线样本。
进一步地，在上述各实施例的基础上，所述预先获取道岔转辙机动作的任一相的电流曲线，作为电流曲线样本，对获取的若干电流曲线样本进行聚类分析，得到由数量小于预设数量的电流曲线样本组成的聚类，作为故障样本聚类，包括：
预先获取道岔转辙机动作的任一相的电流曲线，作为的电流曲线样本，从每一电流曲线样本中提取特征数据，根据提取的特征数据通过K-means算法对获取的若干电流曲线样本进行聚类分析，得到由数量小于预设数量的电流曲线样本组成的聚类，作为故障样本聚类。
进一步地，在上述各实施例的基础上，所述标记出所述故障样本聚类中的每一电流曲线样本对应的故障类型，包括：
根据转辙机已发故障的故障类型和已发故障时的电流曲线分析所述故障样本聚类中的每一电流曲线样本对应的故障类型，标记出所述故障样本聚类中的每一电流曲线样本对应的故障类型。
需要说明的是，通过K-means算法进行聚类分析时，可以对从每一电流曲线样本的单相电流曲线中提取的特征数据进行聚类分析，也可以从每一电流曲线样本的三相电流曲线中提取的特征数据进行聚类分析，本实施例对此不做具体限制。
从单相电流曲线中提取特征数据包括：将该单相电流曲线分为上述四个阶段生成的电流曲线，然后分别从各阶段生成的电流曲线中提取电流最大值、电流最小值、电流平均值和电流标准差，与道岔转辙机的动作时间一起作为进行聚类分析的特征数据。
从三相电流曲线中提取特征数据包括：将该电流曲线的每一相电流曲线均分为上述四个阶段生成的电流曲线，对每一相电流曲线，从第一阶段提取电流最大值、电流平均值和电流标准差，从其它三个阶段分别提取电流最大值、电流最小值、电流平均值和电流标准差，然后再根据各相电流曲线的第二阶段的电流平均值，计算任意两相第二阶段电流平均值的差值，将提取的电流最大值、电流最小值、电流平均值、电流标准差、三个差值和道岔转辙机的动作时间一起作为进行聚类分析的特征数据。
进一步地，根据道岔转辙机已发故障的故障类型和已发故障时的电流曲线分析所述故障样本聚类中的每一电流曲线样本对应的故障类型，包括：对任一电流曲线样本，若经专家分析该电流曲线样本的特征与某一已发故障时的电流曲线具有相同故障类型，则根据该故障类型标记该电流曲线样本。也就是说，本实施例中对故障样本聚类中电流曲线样本的标记可以结合技术专家分析故障类型来贴标签，通过重复此工作来增加故障类型数据量。
道岔转辙机存在3种状态，分别是正常情况、亚健康情况和故障情况。本实施例对如何获取非正常情况(即亚健康情况和故障情况，本文将这两种情况统称为转辙机存在故障的情况)的电流曲线进行介绍，由于转辙机的三相动作电流曲线的形态基本一致，因而在提取非正常状态的电流曲线时，仅用某一相的电流曲线进行分析。
在进行聚类分析获取故障样本聚类时，通过提取的各电流曲线样本的特征数据进行聚类运算，提取的各电流曲线样本的特征数据的方法包括：
将每一电流曲线样本划分为第一阶段生成的电流曲线、第二阶段生成的电流曲线、第三阶段生成的电流曲线和第四阶段生成的电流曲线，从第一阶段生成的电流曲线中获取电流最大值、电流平均值和电流标准差，从第二阶段生成的电流曲线中获取电流最大值、电流最小值、电流平均值和电流标准差，从第三阶段生成的电流曲线中获取电流最大值、电流最小值、电流平均值和电流标准差，从第四阶段生成的电流曲线中获取电流最大值、电流最小值、电流平均值和电流标准差，再获取转辙机动作时间，将从各阶段获取的特征值和转辙机动作时间作为从电流曲线样本中提取的特征数据。
其中，对电流曲线样本进行阶段划分的方法与上述对电流曲线进行阶段划分的方法相同，在此不再赘述。
每一电流曲线样本均对对应一组特征数据，对各电流曲线样本对应的特征数据进行聚类计算(例如，计算各组特征数据之间的欧式距离，欧式距离较近的电流曲线样本聚集为一个聚类)。由于大多数情况下转辙机处于正常运行的情况，因此由数量较多的电流曲线样本形成的聚类认定为是无故障的转辙机生成的电流曲线，将数量较少的电流曲线样本形成的聚类认定为存在故障的转辙机生成的电流曲线。图4为本实施例提供的存在故障的转辙机的某一类别的电流曲线示意图，图5为本实施例提供的存在故障的转辙机的另一类别的电流曲线示意图。如图4和图5所示，无故障的转辙机形成的电流曲线数量较多，故障的转辙机生成的电流曲线较少，将由少数的电流曲线样本聚集的聚类作为故障样本聚类。对故障样本聚类中的每一电流曲线样本进行故障类型的标注，以用于后续分析。
本实施例采用K-means算法进行聚类分析，原因为：对于常见的三种聚类算法(谱聚类、DBSCAN和K-means)以轮廓系数作为衡量标准进行比较，发现三种聚类算法的轮廓系数值基本处于同一标准。但是谱聚类算法时间复杂度较高，算法训练过程时间较长，而DBSCAN有两个参数需要选择，调节参数过程较为复杂，因此本实施例确定通过K-means算法进行聚类对故障的转辙机的电流曲线进行筛选。
具体来说，对于上述步骤(2)，以其中一台道岔转辙机2个月的12万条运维数据进行聚类分析为例，通过K-means算法得到故障样本聚类后，将故障样本聚类中的电流曲线对应的故障类型划分为37个类别。
由于是通过三相的电流曲线来计算某一电流曲线和各电流曲线样本相似度，在进行相似度计算之前，需对标记了故障类型的电流曲线样本进行三相还原。图6为本实施例提供的对存在故障的转辙机的某一类别的电流曲线进行三相还原示意图，其中，上面的图某一类别的电流曲线进行三相还原后的三相电流曲线，下面的图为某一类别的电流曲线进行三相还原前某一相的电流曲线。图7为本实施例提供的存在故障的转辙机的另一类别的电流曲线进行三相还原示意图，其中，上面的图为对该类别的电流曲线进行三相还原后的三相电流曲线，下面的图为对该类别的电流曲线进行三相还原前某一相的电流曲线。如图6和图7所示，转辙机动作时间在2.7秒，转动时功率无明显增高，监测***上显示为断显示。图7中，转辙机AC相持续时间为0.8秒，B相断相电流为0A，转动时功率无明显增高，监测***上显示为断显示。
本实施例提供了一种基于道岔转辙机动作电流曲线的故障诊断方法，通过聚类确定用来进行故障诊断的电流曲线样本，通过电流曲线样本的特征数据和目标特征数据之间欧式距离的计算，确定与目标特征数据较为相似的多条电流曲线样本，作为电流曲线样本，为后续故障类型的分析奠定了基础。
进一步地，在上述各实施例的基础上，
所述根据各目标电流曲线样本对应的故障类型确定与所述电流曲线对应的目标故障类型，所述道岔转辙机存在故障的故障类型为所述目标故障类型，包括：
对各目标电流曲线样本对应的故障类型，统计每一故障类型对应的目标电流曲线样本的数量占目标电流曲线样本总数量的第四比值，将最大的第四比值对应的故障类型作为所述目标故障类型，所述道岔转辙机存在故障的故障类型为所述目标故障类型。
该步骤可以通过K近邻算法KNN来实现。其中，KNN是一个简单而经典的机器学习算法，通过度量“待分类数据”和“类别已知样本数据”距离对样本进行分类。算法流程为：计算未知类别的样本点到已知类别点的距离；按照所计算的距离排序；统计K个点中各个类别的个数，并将K个样本点中出现频率最高的作未知样本数据的类别。KNN算法中最重要的超参数就是K值。本发明专利K值通过常用的网格搜索方法确定。因为参数只有一个因此调参过程简单快速。确定K值之后既可以输入转辙机动作电流数据进行故障分类诊断
具体来说，对上述步骤(3)，例如，各电流曲线样本对应的故障类型中，故障类型为A的占50％，故障类型为B的占20％，故障类型为C的占10％，故障类型为D的占20％，则目标故障类型为A。
图8为本实施例提供的转辙机动作电流故障诊断流程示意图，参见图8，先通过转辙机运维数据和人造故障数据得到用于进行故障诊断的电流曲线样本。当输入新数据(电流曲线)时，通过KNN分类器，即可分析新数据所属的故障类型。
本实施例提供的基于道岔转辙机动作电流曲线的故障诊断方法确定有效且高效的聚类算法(K-means)对原始数据进行聚类分析,通过聚类分析提取故障类型数据，重复此工作收集故障类型数据样本，引入机器学习中的K近邻算法从数学的角度对转辙机动作电流曲线进行分类，划分其属于的正常或者故障类别，实现转辙机动作电流曲线的故障诊断分析。其改变了目前转辙机室外故障的“故障修”的维修方式，减少了维修故障的人力成本。简化了现场运维人员对转辙机的故障分析流程，对故障点位能够精准的定位，提升道岔转辙机的运维效率，减少故障维修的资源浪费，提高经济效益。
图9为本实施例提供的基于道岔转辙机动作电流曲线的故障诊断装置的结构框图，参见图9，该装置包括提取模块901、筛选模块902和诊断模块903，其中，
提取模块901，用于获取欲进行故障诊断的道岔转辙机动作电流曲线，提取所述电流曲线的特征数据，作为目标特征数据；
筛选模块902，用于根据所述目标特征数据和预先标记了故障类型的电流曲线样本对应的特征数据筛选出与所述电流曲线的相似度大于预设相似度的电流曲线样本，作为目标电流曲线样本；
诊断模块903，用于根据各目标电流曲线样本对应的故障类型确定与所述电流曲线对应的目标故障类型，所述道岔转辙机存在故障的故障类型为所述目标故障类型。
本实施例提供的基于道岔转辙机动作电流曲线的故障诊断装置适用于上述实施例中的基于道岔转辙机动作电流曲线的故障诊断方法，在此不再赘述。
本实施例提供了一种基于道岔转辙机动作电流曲线的故障诊断装置，预先存储有标记了故障类型的电流曲线样本对应的特征数据，对欲进行故障诊断的道岔转辙机，获取其动作电流曲线的目标特征数据，根据目标特征数据和各标记了故障类型的电流曲线样本对应的特征数据从电流曲线样本中筛选出与电流曲线相似的目标电流曲线样本，根据各目标电流曲线样本对应的故障类型确定目标故障类型，该目标故障类型即为道岔转辙机存在故障的故障类型。通过与已经标记故障类型的电流曲线样本的对比实现了对转辙机故障的自动识别，提高了故障识别的准确率，降低了漏判和误判的可能性，提高了故障识别效率。
图10是本实施例提供的电子设备的结构框图。
参照图10，所述电子设备包括：处理器(processor)1010、通信接口(Communications Interface)1020、存储器(memory)1030和通信总线1040，其中，处理器1010，通信接口1020，存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储器1030中的逻辑指令，以执行如下方法：获取欲进行故障诊断的道岔转辙机动作电流曲线，提取所述电流曲线的特征数据，作为目标特征数据；根据所述目标特征数据和预先标记了故障类型的电流曲线样本对应的特征数据筛选出与所述电流曲线的相似度大于预设相似度的电流曲线样本，作为目标电流曲线样本；根据各目标电流曲线样本对应的故障类型确定与所述电流曲线对应的目标故障类型，所述道岔转辙机存在故障的故障类型为所述目标故障类型。
此外，上述的存储器1030中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行如下方法：获取欲进行故障诊断的道岔转辙机动作电流曲线，提取所述电流曲线的特征数据，作为目标特征数据；根据所述目标特征数据和预先标记了故障类型的电流曲线样本对应的特征数据筛选出与所述电流曲线的相似度大于预设相似度的电流曲线样本，作为目标电流曲线样本；根据各目标电流曲线样本对应的故障类型确定与所述电流曲线对应的目标故障类型，所述道岔转辙机存在故障的故障类型为所述目标故障类型。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如，包括：获取欲进行故障诊断的道岔转辙机动作电流曲线，提取所述电流曲线的特征数据，作为目标特征数据；根据所述目标特征数据和预先标记了故障类型的电流曲线样本对应的特征数据筛选出与所述电流曲线的相似度大于预设相似度的电流曲线样本，作为目标电流曲线样本；根据各目标电流曲线样本对应的故障类型确定与所述电流曲线对应的目标故障类型，所述道岔转辙机存在故障的故障类型为所述目标故障类型。
以上所描述的电子设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。
Claims (8)
1.一种基于道岔转辙机动作电流曲线的故障诊断方法，其特征在于，包括：
获取欲进行故障诊断的道岔转辙机动作电流曲线，提取所述电流曲线的特征数据，作为目标特征数据；目标特征数据是从电流曲线中提取的能够反应电流曲线特征的数据集合；
根据所述目标特征数据和预先标记了故障类型的电流曲线样本对应的特征数据筛选出与所述电流曲线的相似度大于预设相似度的电流曲线样本，作为目标电流曲线样本；
根据各目标电流曲线样本对应的故障类型确定与所述电流曲线对应的目标故障类型，所述道岔转辙机存在故障的故障类型为所述目标故障类型；
其中，所述获取欲进行故障诊断的道岔转辙机动作电流曲线，提取所述电流曲线的特征数据，作为目标特征数据，包括：
获取欲进行故障诊断的道岔转辙机动作电流曲线，将每一相的电流曲线均划分为第一阶段生成的电流曲线、第二阶段生成的电流曲线、第三阶段生成的电流曲线和第四阶段生成的电流曲线；
对每一相的电流曲线，均在第一阶段生成的电流曲线中提取第一阶段特征值，在第二阶段生成的电流曲线中提取第二阶段特征值，在第三阶段生成的电流曲线中提取第三阶段特征值，在第四阶段生成的电流曲线中提取第四阶段特征值，并根据每一相的电流曲线在第二阶段生成的电流曲线提取包含了三相电流曲线之间关系的三相特征值；
将所述第一阶段特征值、所述第二阶段特征值、所述第三阶段特征值、所述第四阶段特征值、所述三相特征值和道岔转辙机的动作时间作为所述目标特征数据；
其中，对每一相的电流曲线，按照生成电流曲线的时间顺序，将在第一时间点之前生成的电流曲线中电流最大值所在位置作为第一阶段生成的电流曲线和第二阶段生成的电流曲线的分界点，将在第二时间点之前生成的电流曲线中电流值由上升变为下降的位置作为第二阶段生成的电流曲线和第三阶段生成的电流曲线的分界点，将在第三时间点之前生成的电流曲线中电流标准差由大变小的位置作为第三阶段生成的电流曲线和第四阶段生成的电流曲线的分界点；对每一相的电流曲线，开始生成电流曲线的起始时间点和所述第一时间点之间的时长占电流曲线总时长的比值为第一比值，第一比值为10％，所述起始时间点和所述第二时间点之间的时长占所述总时长的比值为第二比值，第二比值为80％，所述起始时间点和所述第三时间点之间的时长占所述总时长的比值为第三比值，第三比值为82％；
其中，所述根据所述目标特征数据和预先标记了故障类型的电流曲线样本对应的特征数据筛选出与所述电流曲线的相似度大于预设相似度的电流曲线样本，作为目标电流曲线样本，包括：
预先获取道岔转辙机动作的任一相的电流曲线，作为电流曲线样本，对获取的若干电流曲线样本进行聚类分析，得到由数量小于预设数量的电流曲线样本组成的聚类，作为故障样本聚类，标记出所述故障样本聚类中的每一电流曲线样本对应的故障类型；
对每一标记了故障类型的电流曲线样本，由所述电流曲线样本对应的三相电流曲线得到所述电流曲线样本对应的特征数据，根据所述目标特征数据和各电流曲线样本对应的特征数据计算所述电流曲线与各标记了故障类型的电流曲线样本之间的欧式距离，筛选出欧式距离小于预设欧式距离的电流曲线样本，作为目标电流曲线样本。
2.根据权利要求1所述的基于道岔转辙机动作电流曲线的故障诊断方法，其特征在于，所述对每一相的电流曲线，均在第一阶段生成的电流曲线中提取第一阶段特征值，在第二阶段生成的电流曲线中提取第二阶段特征值，在第三阶段生成的电流曲线中提取第三阶段特征值，在第四阶段生成的电流曲线中提取第四阶段特征值，并根据每一相的电流曲线在第二阶段生成的电流曲线提取包含了三相电流曲线之间关系的三相特征值，包括：
对任一第一相的电流曲线，从第一阶段生成的电流曲线中获取第一电流最大值、第一电流平均值和第一电流标准差，作为所述第一阶段特征值；
对第一相的电流曲线，从第二阶段生成的电流曲线中获取第二电流最大值、第一电流最小值、第二电流平均值和第二电流标准差，作为所述第二阶段特征值；
对第一相的电流曲线，从第三阶段生成的电流曲线中获取第三电流最大值、第二电流最小值、第三电流平均值和第三电流标准差，作为所述第三阶段特征值；
对第一相的电流曲线，从第四阶段生成的电流曲线中获取第四电流最大值、第三电流最小值、第四电流平均值和第四电流标准差，作为所述第四阶段特征值；
对第二相的电流曲线，从第二阶段生成的电流曲线中获取第五电流平均值，且对第三相的电流曲线，从第二阶段生成的电流曲线中获取第六电流平均值，计算所述第二电流平均值与所述第五电流平均值的第一差值，所述第二电流平均值与所述第六电流平均值的第二差值，所述第五电流平均值与所述第六电流平均值的第三差值，将所述第一差值、所述第二差值和所述第三差值作为所述三相特征值。
3.根据权利要求1所述的基于道岔转辙机动作电流曲线的故障诊断方法，其特征在于，所述根据各目标电流曲线样本对应的故障类型确定与所述电流曲线对应的目标故障类型，所述道岔转辙机存在故障的故障类型为所述目标故障类型，包括：
对各目标电流曲线样本对应的故障类型，统计每一故障类型对应的目标电流曲线样本的数量占目标电流曲线样本总数量的第四比值，将最大的第四比值对应的故障类型作为所述目标故障类型，所述道岔转辙机存在故障的故障类型为所述目标故障类型。
4.根据权利要求1所述的基于道岔转辙机动作电流曲线的故障诊断方法，其特征在于，所述预先获取道岔转辙机动作的任一相的电流曲线，作为电流曲线样本，对获取的若干电流曲线样本进行聚类分析，得到由数量小于预设数量的电流曲线样本组成的聚类，作为故障样本聚类，包括：
预先获取道岔转辙机动作的任一相的电流曲线，作为的电流曲线样本，从每一电流曲线样本中提取特征数据，根据提取的特征数据通过K-means算法对获取的若干电流曲线样本进行聚类分析，得到由数量小于预设数量的电流曲线样本组成的聚类，作为故障样本聚类。
5.根据权利要求1所述的基于道岔转辙机动作电流曲线的故障诊断方法，其特征在于，所述标记出所述故障样本聚类中的每一电流曲线样本对应的故障类型，包括：
根据道岔转辙机已发故障的故障类型和已发故障时的电流曲线分析所述故障样本聚类中的每一电流曲线样本对应的故障类型，标记出所述故障样本聚类中的每一电流曲线样本对应的故障类型。
6.一种基于道岔转辙机动作电流曲线的故障诊断装置，其特征在于，包括：
提取模块，用于获取欲进行故障诊断的道岔转辙机动作电流曲线，提取所述电流曲线的特征数据，作为目标特征数据；目标特征数据是从电流曲线中提取的能够反应电流曲线特征的数据集合；
筛选模块，用于根据所述目标特征数据和预先标记了故障类型的电流曲线样本对应的特征数据筛选出与所述电流曲线的相似度大于预设相似度的电流曲线样本，作为目标电流曲线样本；
诊断模块，用于根据各目标电流曲线样本对应的故障类型确定与所述电流曲线对应的目标故障类型，所述道岔转辙机存在故障的故障类型为所述目标故障类型；
所述提取模块具体用于：
获取欲进行故障诊断的道岔转辙机动作电流曲线，将每一相的电流曲线均划分为第一阶段生成的电流曲线、第二阶段生成的电流曲线、第三阶段生成的电流曲线和第四阶段生成的电流曲线；
对每一相的电流曲线，均在第一阶段生成的电流曲线中提取第一阶段特征值，在第二阶段生成的电流曲线中提取第二阶段特征值，在第三阶段生成的电流曲线中提取第三阶段特征值，在第四阶段生成的电流曲线中提取第四阶段特征值，并根据每一相的电流曲线在第二阶段生成的电流曲线提取包含了三相电流曲线之间关系的三相特征值；
将所述第一阶段特征值、所述第二阶段特征值、所述第三阶段特征值、所述第四阶段特征值、所述三相特征值和道岔转辙机的动作时间作为所述目标特征数据；
其中，对每一相的电流曲线，按照生成电流曲线的时间顺序，将在第一时间点之前生成的电流曲线中电流最大值所在位置作为第一阶段生成的电流曲线和第二阶段生成的电流曲线的分界点，将在第二时间点之前生成的电流曲线中电流值由上升变为下降的位置作为第二阶段生成的电流曲线和第三阶段生成的电流曲线的分界点，将在第三时间点之前生成的电流曲线中电流标准差由大变小的位置作为第三阶段生成的电流曲线和第四阶段生成的电流曲线的分界点；对每一相的电流曲线，开始生成电流曲线的起始时间点和所述第一时间点之间的时长占电流曲线总时长的比值为第一比值，第一比值为10％，所述起始时间点和所述第二时间点之间的时长占所述总时长的比值为第二比值，第二比值为80％，所述起始时间点和所述第三时间点之间的时长占所述总时长的比值为第三比值，第三比值为82％；
所述筛选模块具体用于：
预先获取道岔转辙机动作的任一相的电流曲线，作为电流曲线样本，对获取的若干电流曲线样本进行聚类分析，得到由数量小于预设数量的电流曲线样本组成的聚类，作为故障样本聚类，标记出所述故障样本聚类中的每一电流曲线样本对应的故障类型；
对每一标记了故障类型的电流曲线样本，由所述电流曲线样本对应的三相电流曲线得到所述电流曲线样本对应的特征数据，根据所述目标特征数据和各电流曲线样本对应的特征数据计算所述电流曲线与各标记了故障类型的电流曲线样本之间的欧式距离，筛选出欧式距离小于预设欧式距离的电流曲线样本，作为目标电流曲线样本。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的基于道岔转辙机动作电流曲线的故障诊断方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于道岔转辙机动作电流曲线的故障诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910689553.5A CN110441629B (zh) | 2019-07-29 | 2019-07-29 | 基于道岔转辙机动作电流曲线的故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910689553.5A CN110441629B (zh) | 2019-07-29 | 2019-07-29 | 基于道岔转辙机动作电流曲线的故障诊断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110441629A CN110441629A (zh) | 2019-11-12 |
| CN110441629B true CN110441629B (zh) | 2022-02-15 |
Family
ID=68431955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910689553.5A Active CN110441629B (zh) | 2019-07-29 | 2019-07-29 | 基于道岔转辙机动作电流曲线的故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110441629B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110927497B (zh) * | 2019-12-09 | 2022-03-08 | 交控科技股份有限公司 | 一种转辙机故障检测方法及装置 |
| CN110988557B (zh) * | 2019-12-20 | 2022-06-10 | 中国人民解放军陆军军医大学第一附属医院 | 一种基于实时电流检测的设备故障检测装置 |
| CN110988560A (zh) * | 2019-12-20 | 2020-04-10 | 中国人民解放军陆军军医大学第一附属医院 | 一种基于实时电流的医疗设备故障检测***及方法 |
| CN111907562A (zh) * | 2020-06-24 | 2020-11-10 | 中铁第一勘察设计院集团有限公司 | 一种铁路通信的状态实时监测和控制*** |
| CN111881950B (zh) * | 2020-07-10 | 2024-05-21 | 交控科技股份有限公司 | 道岔转辙机电流时间序列的特征表示方法及装置 |
| CN112214634B (zh) * | 2020-09-24 | 2024-04-23 | 交控科技股份有限公司 | 一种道岔转换声音的处理方法及*** |
| CN112213579A (zh) * | 2020-09-24 | 2021-01-12 | 交控科技股份有限公司 | 道岔转辙机故障识别方法及装置 |
| CN112319554B (zh) * | 2020-10-30 | 2022-12-16 | 交控科技股份有限公司 | 多点牵引道岔同步故障监测方法、装置和电子设备 |
| CN113534776B (zh) * | 2021-07-16 | 2022-08-26 | 珠海丽珠试剂股份有限公司 | 数据处理方法、装置和流水线*** |
| CN113581253B (zh) * | 2021-07-26 | 2023-10-03 | 中国铁路兰州局集团有限公司 | 电空道岔转辙机的状态确定方法和装置 |
| CN113859304B (zh) * | 2021-09-23 | 2024-01-02 | 通号城市轨道交通技术有限公司 | 道岔监控和控制方法及装置 |
| CN114325188A (zh) * | 2021-12-28 | 2022-04-12 | 国网河北省电力有限公司经济技术研究院 | 故障检测方法、装置及服务器 |
| CN114655285B (zh) * | 2022-02-25 | 2024-01-19 | 北京全路通信信号研究设计院集团有限公司 | 转辙机健康度评测方法、装置、终端设备和存储介质 |
| CN114692969B (zh) * | 2022-03-29 | 2023-05-12 | 西门子交通技术(北京)有限公司 | 转辙机故障预测方法、装置、电子设备和存储介质 |
| CN116482457B (zh) * | 2023-03-24 | 2024-05-14 | 四川众合智控科技有限公司 | 一种基于继电联锁的道岔智能诊断方法 |
| CN116628446A (zh) * | 2023-05-24 | 2023-08-22 | 成都工业职业技术学院 | 基于聚类算法的道岔健康度标准值智能分析方法及*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09145772A (ja) * | 1995-11-20 | 1997-06-06 | Furukawa Electric Co Ltd:The | 送配電線故障区間標定方法及びその装置 |
| CN104280668A (zh) * | 2014-11-05 | 2015-01-14 | 广东电网有限责任公司佛山供电局 | 配电网故障类型识别方法和*** |
| CN104360262A (zh) * | 2014-10-29 | 2015-02-18 | 国家电网公司 | 基于特征点的断路器操作机构分合闸线圈电流比对方法 |
| CN105184084A (zh) * | 2015-09-14 | 2015-12-23 | 深圳供电局有限公司 | 一种电力计量自动化终端故障类型预测方法和*** |
| CN106896323A (zh) * | 2017-04-17 | 2017-06-27 | 天津商业大学 | 开关磁阻电机不对称半桥型功率变换器主开关故障检测法 |
| CN107203746A (zh) * | 2017-05-12 | 2017-09-26 | 同济大学 | 一种道岔故障识别方法 |
| CN107590506A (zh) * | 2017-08-17 | 2018-01-16 | 北京航空航天大学 | 一种基于特征处理的复杂设备故障诊断方法 |
| CN108416362A (zh) * | 2018-01-29 | 2018-08-17 | 同济大学 | 一种道岔异常预警与故障诊断方法 |
| CN108761226A (zh) * | 2018-04-02 | 2018-11-06 | 浙江众合科技股份有限公司 | 一种实现三相交流五线制转辙机模拟仿真的电路及方法 |
-
2019
- 2019-07-29 CN CN201910689553.5A patent/CN110441629B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09145772A (ja) * | 1995-11-20 | 1997-06-06 | Furukawa Electric Co Ltd:The | 送配電線故障区間標定方法及びその装置 |
| CN104360262A (zh) * | 2014-10-29 | 2015-02-18 | 国家电网公司 | 基于特征点的断路器操作机构分合闸线圈电流比对方法 |
| CN104280668A (zh) * | 2014-11-05 | 2015-01-14 | 广东电网有限责任公司佛山供电局 | 配电网故障类型识别方法和*** |
| CN105184084A (zh) * | 2015-09-14 | 2015-12-23 | 深圳供电局有限公司 | 一种电力计量自动化终端故障类型预测方法和*** |
| CN106896323A (zh) * | 2017-04-17 | 2017-06-27 | 天津商业大学 | 开关磁阻电机不对称半桥型功率变换器主开关故障检测法 |
| CN107203746A (zh) * | 2017-05-12 | 2017-09-26 | 同济大学 | 一种道岔故障识别方法 |
| CN107590506A (zh) * | 2017-08-17 | 2018-01-16 | 北京航空航天大学 | 一种基于特征处理的复杂设备故障诊断方法 |
| CN108416362A (zh) * | 2018-01-29 | 2018-08-17 | 同济大学 | 一种道岔异常预警与故障诊断方法 |
| CN108761226A (zh) * | 2018-04-02 | 2018-11-06 | 浙江众合科技股份有限公司 | 一种实现三相交流五线制转辙机模拟仿真的电路及方法 |
Non-Patent Citations (4)
| Title |
|---|
| HYBRID FAULT DIAGNOSIS OF RAILWAY SWITCHES BASED ON THE SEGMENTATION OF MONITORING CURVES;Ou DX etc.;《EKSPLOATACJA I NIEZAWODNOSC-MAINTENANCE AND RELIABILITY》;20180402;第20卷(第4期);514-522 * |
| 基于动作电流波形树表达的道岔转辙机状态检测方法;杨云国等;《上海铁道大学学报》;19990630;第20卷(第6期);32-37 * |
| 基于弗雷歇距离的道岔故障诊断方法;黄世泽等;《同济大学学报（自然科学版）》;20181231;第46卷(第12期);1690-1695 * |
| 电动道岔动作电流曲线特性及分析;周旋;《鄂钢科技》;20110915(第3期);56-58 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110441629A (zh) | 2019-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110441629B (zh) | 基于道岔转辙机动作电流曲线的故障诊断方法及装置 | |
| CN107203746B (zh) | 一种道岔故障识别方法 | |
| CN107274105B (zh) | 基于线性判别分析的多属性决策树电网稳定裕度评估方法 | |
| CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
| CN109633369B (zh) | 一种基于多维数据相似性匹配的电网故障诊断方法 | |
| CN104331710B (zh) | 开关状态识别*** | |
| CN105260595A (zh) | 道岔动作电流曲线的特征提取方法及道岔故障诊断方法 | |
| CN110726898B (zh) | 一种配电网故障类型识别方法 | |
| CN110543907A (zh) | 一种基于微机监测功率曲线的故障分类方法 | |
| 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 | |
| CN116308300B (zh) | 一种电力设备状态监测评价与指挥方法及*** | |
| CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
| CN115186694A (zh) | 道岔故障专家知识库、建立方法、故障检测方法、诊断方法及装置 | |
| CN111157850A (zh) | 一种基于均值聚类的电网线路故障识别方法 | |
| CN110927497B (zh) | 一种转辙机故障检测方法及装置 | |
| CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
| CN110968703A (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*** | |
| CN112101125B (zh) | 一种快递货物堆积程度的检测方法及装置 | |
| CN110598750B (zh) | 一种基于转辙机动作曲线相似度特征的工况识别方法 | |
| CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及*** | |
| Firos et al. | Fault detection in power transmission lines using AI model | |
| CN106022950B (zh) | 一种配电网二次设备类型识别方法及*** | |
| CN109471854B (zh) | 一种大数据能耗在线监测***所采集数据的验证方法 | |
| CN114021602A (zh) | 一种转辙机故障诊断模型中数据处理方法和*** | |
| CN112036505B (zh) | 道岔转辙机的设备状态确定方法、装置和电子设备 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Gao Chunhai Inventor after: Zhang Xuan Inventor after: Liu Feng Inventor after: Yang Xinchao Inventor before: Gao Chunhai |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230721 Address after: No.2 and No.3 building, Beijing headquarters international, No.6 Haiying Road, science and Technology Park, Fengtai District, Beijing 100070 Patentee after: TRAFFIC CONTROL TECHNOLOGY Co.,Ltd. Patentee after: Beijing Yunjie Technology Co.,Ltd. Address before: No.2 and No.3 building, Beijing headquarters international, No.6 Haiying Road, science and Technology Park, Fengtai District, Beijing 100070 Patentee before: TRAFFIC CONTROL TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240511 Address after: 102488 No.18 Jianshe Road, Kaixuan street, Liangxiang, Fangshan District, Beijing -d1687 Patentee after: Beijing Yunjie Technology Co.,Ltd. Country or region after: China Address before: No.2 and No.3 building, Beijing headquarters international, No.6 Haiying Road, science and Technology Park, Fengtai District, Beijing 100070 Patentee before: TRAFFIC CONTROL TECHNOLOGY Co.,Ltd. Country or region before: China Patentee before: Beijing Yunjie Technology Co.,Ltd. |