CN110927497A - 一种转辙机故障检测方法及装置 - Google Patents
一种转辙机故障检测方法及装置 Download PDFInfo
- Publication number
- CN110927497A CN110927497A CN201911251325.6A CN201911251325A CN110927497A CN 110927497 A CN110927497 A CN 110927497A CN 201911251325 A CN201911251325 A CN 201911251325A CN 110927497 A CN110927497 A CN 110927497A
- Authority
- CN
- China
- Prior art keywords
- current signal
- historical
- current
- segmented
- vector
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明实施例公开了一种转辙机故障检测方法及装置,所述转辙机故障检测方法包括:获取当前转辙机的实时电流信号,通过滑窗算法对所述实时电流信号进行分段处理,得到所述实时电流信号对应的多个分段电流信号;通过局部连续自编码器将每个分段电流信号编码为低维编码向量,并获取所述每个分段电流信号未编码之前对应的方差信息;基于所述每个分段电流信号未编码之前对应的方差信息,及每个低维编码向量,生成所述实时电流信号对应的向量;基于所述实时电流信号对应的向量,通过异常检测算法判断所述当前转辙机是否处于故障状态。采用本发明可以提高列车的运行安全和运行效率,减少人力资源的消耗。
Description
技术领域
本发明涉及轨道交通技术领域,具体涉及一种转辙机故障检测方法及装置。
背景技术
转辙机是道岔的转换装置,可以通过转换道岔或锁闭道岔,实现列车从一股轨道转入另一股轨道。转辙机故障会直接影响到列车的运行安全和效率,故而,对转辙机进行故障判断也变得尤为重要。
现阶段,通常由技术人员根据转辙机的电流曲线判断转辙机是否故障。具体的,针对某条线路,可以实时采集该线路中各个转辙机的电流信号,并可以基于历次采集的各个转辙机的电流信息,按照采集时刻的先后顺序生成各个转辙机对应的电流曲线。然后,技术人员可以根据前述各个转辙机对应的电流曲线的形态,判断各个转辙机是否处于故障状态。
现有技术中,转辙机故障状态的判断依赖于技术人员的专业知识水平,从而会导致转辙机故障判断结果的准确性较低,进而会影响到列车的运行安全和运行效率。
发明内容
由于现有方法存在上述问题,本发明实施例提出一种转辙机故障检测方法及装置。
第一方面,本发明实施例提出一种转辙机故障检测方法,包括:
获取当前转辙机的实时电流信号,通过滑窗算法对所述实时电流信号进行分段处理,得到所述实时电流信号对应的多个分段电流信号;
通过局部连续自编码器将每个分段电流信号编码为低维编码向量,并获取所述每个分段电流信号未编码之前对应的方差信息;
基于所述每个分段电流信号未编码之前对应的方差信息,及每个低维编码向量,生成所述实时电流信号对应的向量;
基于所述实时电流信号对应的向量,通过异常检测算法判断所述当前转辙机是否处于故障状态。
可选的,所述基于所述实时电流信号对应的向量,通过异常检测算法判断所述当前转辙机是否处于故障状态,包括:
基于当前转辙机的每条历史电流信号对应的向量训练异常检测算法,通过训练好的异常检测算法基于所述实时电流信号对应的向量,判断当前转辙机是否处于故障状态。
可选的,所述基于当前转辙机的每条历史电流信号对应的向量训练异常检测算法之前,还包括:
获取当前转辙机的历史电流信号,通过滑窗算法对当前历史电流信号进行分段处理,得到当前历史电流信号对应的多个历史分段电流信号;
通过局部连续自编码器将每个历史分段电流信号编码为历史低维编码向量,并获取所述每个历史分段电流信号未编码之前对应的方差信息;
基于所述每个历史分段电流信号未编码之前对应的方差信息,及每个历史低维编码向量,生成所述当前历史电流信号对应的向量。
可选的,所述通过局部连续自编码器将每个历史分段电流信号编码为历史低维编码向量,包括:
获取当前历史电流信号的前一电流信号和后一电流信号对应的历史分段电流信号,其中,所述前/后一电流信号指与当前历史电流信号的接收时刻的间隔时长最短的前/后一接收时刻对应的历史电流信号;
通过局部连接自编码器将所述当前历史电流信号对应的每个历史分段电流信号、所述前一电流信号对应的每个历史分段电流信号,及所述后一电流信号对应的每个历史分段电流信号,编码为低维编码向量;
所述获取所述每个历史分段电流信号未编码之前对应的方差信息,包括:
获取所述当前历史电流信号对应的每个历史分段电流信号未编码之前的第一方差信息、所述前一电流信号对应的每个历史分段电流信号未编码之前的第二方差信息,及所述后一电流信号对应的每个历史分段电流信号未编码之前的第三方差信息。
可选的,所述基于所述每个历史分段电流信号未编码之前对应的方差信息,及每个历史低维编码向量,生成所述当前历史电流信号对应的向量,包括:
获取预设分箱个数,基于所述预设分箱个数、所述第一方差信息、所述第二方差信息及所述第三方差信息,生成分段方差直方图;
基于所述分段方差直方图及每个历史低维编码向量,通过加权平均法生成所述当前历史电流信号对应的向量。
第二方面,本发明实施例还提出一种转辙机故障检测装置,包括分段处理模块、低维编码模块、向量生成模块和故障判断模块,其中:
所述分段处理模块,用于获取当前转辙机的实时电流信号,通过滑窗算法对所述实时电流信号进行分段处理,得到所述实时电流信号对应的多个分段电流信号;
所述低维编码模块,用于通过局部连续自编码器将每个分段电流信号编码为低维编码向量,并获取所述每个分段电流信号未编码之前对应的方差信息;
所述向量生成模块,用于基于所述每个分段电流信号未编码之前对应的方差信息,及每个低维编码向量,生成所述实时电流信号对应的向量;
所述故障判断模块,用于基于所述实时电流信号对应的向量,通过异常检测算法判断所述当前转辙机是否处于故障状态。
可选的,所述故障判断模块,用于:
基于当前转辙机的每条历史电流信号对应的向量训练异常检测算法,通过训练好的异常检测算法基于所述实时电流信号对应的向量,判断当前转辙机是否处于故障状态。
可选的,所述分段处理模块,用于:
获取当前转辙机的历史电流信号,通过滑窗算法对当前历史电流信号进行分段处理,得到当前历史电流信号对应的多个历史分段电流信号;
通过局部连续自编码器将每个历史分段电流信号编码为历史低维编码向量,并获取所述每个历史分段电流信号未编码之前对应的方差信息;
所述向量生成模块,还用于:
基于所述每个历史分段电流信号未编码之前对应的方差信息,及每个历史低维编码向量,生成所述当前历史电流信号对应的向量。
可选的,所述低维编码模块,用于:
获取当前历史电流信号的前一电流信号和后一电流信号对应的历史分段电流信号,其中,所述前/后一电流信号指与当前历史电流信号的接收时刻的间隔时长最短的前/后一接收时刻对应的历史电流信号;
通过局部连接自编码器将所述当前历史电流信号对应的每个历史分段电流信号、所述前一电流信号对应的每个历史分段电流信号,及所述后一电流信号对应的每个历史分段电流信号,编码为低维编码向量;
获取所述当前历史电流信号对应的每个历史分段电流信号未编码之前的第一方差信息、所述前一电流信号对应的每个历史分段电流信号未编码之前的第二方差信息,及所述后一电流信号对应的每个历史分段电流信号未编码之前的第三方差信息。
可选的,所述向量生成模块,用于:
获取预设分箱个数,基于所述预设分箱个数、所述第一方差信息、所述第二方差信息及所述第三方差信息,生成分段方差直方图;
基于所述分段方差直方图及每个历史低维编码向量,通过加权平均法生成所述当前历史电流信号对应的向量。
由上述技术方案可知,本发明实施例通过对电流信号进行分段处理,通过局部连续自编码器将每个分段电流信号编码为低维编码向量,并基于每个分段电流信号未编码之前对应的方差信息和每个低维编码向量,生成电流信号对应的向量,以通过异常检测算法基于该向量,进行转辙机故障判断。这样,一方面,可以实现转辙机故障的自动判断,无需依赖技术人员的专业知识水平,从而可以有效提高转辙机故障判断结果的准确性,进而可以提高列车的运行安全和运行效率。另一方面,由于每条线路中通常会部署几十甚至几百个转辙机,若通过人工进行转辙机的故障判断则需要消耗大量的人力资源,而本发明实施例提供的方法可以实现转辙机故障的自动判断,从而还可以有效减少人力资源的消耗。
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作简单地介绍,显而易见地,下面描述中的附图仅仅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,还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的一种转辙机故障检测方法的流程示意图;
图2为本发明一实施例提供的一种局部连续自编码器的处理过程示意图;
图3为本发明一实施例提供的一种分段方差直方图的示意图;
图4为本发明一实施例提供的一种转辙机故障检测装置的结构示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
图1示出了本实施例提供的一种转辙机故障检测方法的流程示意图,包括:
S101,获取当前转辙机的实时电流信号,通过滑窗算法对实时电流信号进行分段处理,得到实时电流信号对应的多个分段电流信号。
其中,所述当前转辙机指需要进行故障检测的任意一个转辙机、
在实施中,可以对转辙机的电流信号进行分段处理,通过局部连续自编码器将每个分段电流信号编码为低维编码向量,并基于每个低维编码向量和每个分段电流信号的未编码之前的方差信息生成电流信号对应的向量,以通过异常检测算法基于该向量进行转辙机故障判断。具体的,首先,可以获取当前转辙机的实时电流信号。然后,可以通过滑窗算法对该实时电流信号进行分段处理,将该实时电流信号切分为多个子电流信号(可称为分段电流信号)。
S102,通过局部连续自编码器将每个分段电流信号编码为低维编码向量,并获取每个分段电流信号未编码之前对应的方差信息。
在实施中,在将当前转辙机的实时电流信号切分为多个分段电流信号之后,可以通过局部连续自编码器将每个分段电流信号编码为对应的低维编码向量,即每个分段电流信号对应一个低维编码向量。然后,可以获取前述每个分段电流信号在未编码之前对应的方差信息,以生成实时电流信号对应的向量。
S103,基于每个分段电流信号未编码之前对应的方差信息,及每个低维编码向量,生成实时电流信号对应的向量。
在实施中,在得到每个分段电流信号对应的低维编码向量,且获取到每个分段电流信号未编码之前对应的方差信息之后,可以基于前述每个分段电流信号对应的低维编码向量,以及前述每个分段电流信号未编码之前对应的方差信息,通过加权平均算法生成当前转辙机的实时电流信号对应的向量。
S104,基于实时电流信号对应的向量,通过异常检测算法判断当前转辙机是否处于故障状态。
在实施中,在生成当前转辙机的实时电流信号对应的向量之后,可以基于通过异常检测算法,基于前述当前转辙机的实时电流信号对应的向量进行识别,以识别出该实时电流信号对应的向量是否为异常向量,以确定当前转辙机是否处于故障状态。前述异常检测算法可以是LOF(Local Outlier Factor,局部异常因子算法)。可以理解,由于异常检测算法在训练时通常会剔除无效数据和异常数据,基于正常数据(即转辙机正常工作时的电流信号)进行训练,故而当异常检测算法检测前述实时电流信号对应的向量是异常向量时,即前述实时电流信号是异常信号,则可以认为当前转辙机处于故障状态。
由上述技术方案可知,本发明实施例通过对电流信号进行分段处理,通过局部连续自编码器将每个分段电流信号编码为低维编码向量,并基于每个分段电流信号未编码之前对应的方差信息和每个低维编码向量,生成电流信号对应的向量,以通过异常检测算法基于该向量,进行转辙机故障判断。这样,一方面,可以实现转辙机故障的自动判断,无需依赖技术人员的专业知识水平,从而可以有效提高转辙机故障判断结果的准确性,进而可以提高列车的运行安全和运行效率。另一方面,由于每条线路中通常会部署几十甚至几百个转辙机,若通过人工进行转辙机的故障判断则需要消耗大量的人力资源,而本发明实施例提供的方法可以实现转辙机故障的自动判断,从而还可以有效减少人力资源的消耗。
进一步地,在上述方法实施例的基础上,可以通过训练好的异常检测算法进行转辙机故障检测,相应的上述步骤S104的部分处理可以如下:基于当前转辙机的每条历史电流信号对应的向量训练异常检测算法,通过训练好的异常检测算法基于实时电流信号对应的向量,检测当前转辙机是否处于故障状态。
在实施中,在对当前转辙机进行故障检测之前,可以预先基于当前转辙机的历史电流信号训练异常检测算法。具体的,可以获取当前转辙机的历史电流信号,如可以是当前转辙机的所有历史电流信号,也可以是当前转辙机在过去某个时段内的历史电流数据。然后,可以将生成每条历史电流信号对应的向量,以基于每条历史电流信号对应的向量训练异常检测算法。之后,可以通过训练好的异常检测算法基于前述当前转辙机的实时电流信号检测当前转辙机是否处于故障状态。这样,通过基于转辙机历史电流信号训练好的异常检测算法,进行转辙机故障检测,可以进一步提高故障检测结果的准确性,进而进一步提高列车的运行安全和运行效率。
进一步地,在上述方法实施例的基础上,可以通过滑窗算法和局部连续自编码器生成每条历史电流信号对应的向量,相应的处理可以如下:获取当前转辙机的历史电流信号,通过滑窗算法对当前历史电流信号进行分段处理,得到当前历史电流信号对应的多个历史分段电流信号;通过局部连续自编码器将每个历史分段电流信号编码为历史低维编码向量,并获取每个历史分段电流信号未编码之前对应的方差信息;基于每个历史分段电流信号未编码之前对应的方差信息,及每个历史低维编码向量,生成当前历史电流信号对应的向量。
其中,所述当前历史电流信号指当前转辙机的历史电流信号中的任意一条电流信号。
在实施中,可以通过滑窗算法对每条历史电流信号进行分段处理,并通过局部连续自编码器对每个分段历史电流信号进行编码,以生成每条历史电流信号对应的向量。具体的,首先,可以获取当前转辙机的历史电流信号,并可以通过滑窗算法对当前历史电流信号进行分段处理,得到当前历史电流信号对应的多个历史分段电流信号。然后,可以通过局部连续自编码器对前述当前历史电流信号对应的每个历史分段电流信号进行编码,得到每个历史电流信号对应的历史低维编码向量。之后,可以获取前述每个历史分段电流信号在未编码之前对应的方差信息。然后,可以基于前述每个历史分段电流信号在未编码之前对应的方差信息,以及前述每个历史分段电流信号对应的历史低维编码向量,通过加权平均算法生成当前历史电流信号对应的向量。可以理解,可以对每条历史电流信号均进行上述操作,得到每条历史电流信号对应的向量。这样,将每条历史电流信号进行向量化,且是降维向量,可以提高后续数据处理速度,从而可以进一步减少转辙机故障检测耗时,进而可以进一步提高列车运行安全和效率。
上述对通过滑窗算法对历史电流信号进行分段处理的过程可以如下:首先,需要对当前转辙机对应的历史电流信号进行切分处理。假设当前转辙机对应的历史电流信号的数据集为其中,N表示历史电流信号的数量;代表每条历史电流信号的采样点的个数为|si|,即每条历史电流信号可能包含不同的样本点个数。然后,可以将每条历史电流信号si依据给定的滑动窗口大小Mloc划分成为多个历史分段电流信号。对于第i条历史电流信号si而言,其切分过后得到的数据集为:
其中,为每条历史电流信号经过切分后得到的窗口(即历史分段电流信号)的个数,对于切分后的第j段历史分段电流信号而言,其长度为在经过分段处理之后,每条历史电流信号都被切分成为了多个小分段(即历史分段电流信号)。
进一步地,在上述方法实施例的基础上,可以结合前一电流信号和后一电流信号生成当前历史电流信号对应的向量,相应的处理可以如下:获取当前历史电流信号的前一电流信号和后一电流信号对应的历史分段电流信号;通过局部连接自编码器将当前历史电流信号对应的每个历史分段电流信号、前一电流信号对应的每个历史分段电流信号,及后一电流信号对应的每个历史分段电流信号,编码为低维编码向量;此时,获取每个历史分段电流信号未编码之前对应的方差信息的处理可以是:获取当前历史电流信号对应的每个历史分段电流信号未编码之前的第一方差信息、前一电流信号对应的每个历史分段电流信号未编码之前的第二方差信息,及后一电流信号对应的每个历史分段电流信号未编码之前的第三方差信息。
其中,所述前一电流信号指与当前历史电流信号的接收时刻的间隔时长最短的前一接收时刻对应的历史电流信号;所述后一电流信号指与当前历史电流信号的接收时刻的间隔时长最短的后一接收时刻对应的历史电流信号。
在实施中,可以基于当前历史电流信号的前一电流信号和后一电流信号生成当前历史电流信号对应的向量。具体的,首先,可以确定当前历史电流信号对应的前一电流信号和后一电流信号,并可以获取前述前一电流信号对应的每个历史分段电流信号,以及后一电流信号对应的每个历史分段电流信号。然后,可以通过局部连接自编码器,分别对前述当前历史电流信号对应的每个历史分段电流信号、前一电流信号对应的每个历史分段电流信号、后一电流信号对应的每个历史分段电流信号进行编码,分别得到当前历史电流信号对应的每个历史分段电流信号对应的低维编码向量、前一电流信号对应的每个历史分段电流信号对应的低维编码向量、后一电流信号对应的每个历史分段电流信号对应的低维编码向量。相应的,此时获取所述每个历史分段电流信号未编码之前对应的方差信息时,也可以获取当前历史电流信号对应的每个历史分段电流信号未编码之前的方差信息(可称为第一方差信息)、前一电流信号对应的每个历史分段电流信号未编码之前的方差信息(可称为第二方差信息),及所述后一电流信号对应的每个历史分段电流信号未编码之前的方差信息(可称为第三方差信息)。这样,结合当前历史电流信号的前一电流信号和后一电流信号生成当前历史电流信号对应的向量,使得当前历史电流信号的低维编码向量还包括了前一电流信号和后一电流信号的信息,可以进一步提高生成的当前历史电流信号对应的向量的鲁棒性,进而可以进一步提高转辙机故障检测结果的准确性,提高列车运行安全和效率。
上述对当前历史电流信号、前一电流信号和后一电流信号进行编码处理的过程可以如下:在对当前历史电流信号、前一电流信号和后一电流信号分段处理之后,可以对每个历史分段电流信号进行编码。这样,一方面是可以对每个历史分段电流信号进行降维,压缩冗余信息;另一方面也可以借助每个历史分段电流信号前后的信息,更好的编码每个历史分段电流信号的信息,捕获每个历史分段电流信号的局部特征。在编码处理的过程中,可以通过局部连接自编码器的编码方法进行编码处理。具体的,对于同一历史电流信号的历史分段电流信号可以对第i条历史电流信号的第j个历史分段电流信号执行如下操作:
即对于第j个历史分段电流信号而言,对其前后两个历史分段电流信号与该历史分段电流信号执行逐元素相加的策略。然后,可以将执行公式(2)的处理后的历史分段电流信号作为自编码器的输入,而作为自编码器的输出,采用优化算法(如可以是adam优化算法),对自编码器的参数进行一次更新(训练),并且对于所有历史分段电流信号同样不断的重复前述训练过程,直到对于任意第i条历史电流信号的第j个历史分段电流信号而言,当自编码输入任意历史分段电流信号时,其输出尽量接近于此时可以将该训练后的自编码器确定为局部连续自编码器。参见图2(图中Hidden Layer表示隐藏层,OutputLayer表示输出层),图2示出了为局部连续自编码器对于历史分段电流信号的编码过程,其中代表经过编码后的新的表示,包含中绝大部分的重要信息,并且通常而言,的维度要低于的维度,即Mloc>Kloc,这样,获得的低维编码向量可以压缩原有的历史分段电流信号的向量表示,降低冗余信息的信息量。
进一步地,在上述方法实施例的基础上,可以基于分段方差直方图生成当前历史电流信号对应的向量,相应的处理可以如下:获取预设分箱个数,基于预设分箱个数、第一方差信息、第二方差信息及第三方差信息,生成分段方差直方图;基于分段方差直方图及每个历史低维编码向量,通过加权平均法生成当前历史电流信号对应的向量。
在实施中,在获取到上述当前历史电流信号对应的每个历史分段电流信号未编码之前的第一方差信息、前一电流信号对应的每个历史分段电流信号未编码之前的第二方差信息,及后一电流信号对应的每个历史分段电流信号未编码之前的第三方差信息之后,可以获取预设分箱个数,并可以基于该预设分箱个数、前述第一方差信息、第二方差信息和第三方差信息,生成分段方差直方图。然后,可以基于前述分段方差直方图,以及前述每个历史低维编码向量,通过加权平均法生成当前历史电流信号对应的向量。
上述生成分段方差直方图的处理可以如下:在获取到上述当前历史电流信号对应的每个历史分段电流信号未编码之前的第一方差信息、前一电流信号对应的每个历史分段电流信号未编码之前的第二方差信息,及后一电流信号对应的每个历史分段电流信号未编码之前的第三方差信息之后,可以构建方差的统计直方图(即分段方差直方图),作为后续将历史分段电流信号的低维编码向量变换为对应的历史电流信号的向量的依据。具体的,对于第i条历史电流信号分段后的历史分段电流信号集合对于其中的第j个历史分段电流信号包含了一系列的样本点。其历史分段电流信号的方差计算公式为:
其中,表示第i条历史电流信号的第j个历史分段电流信号的方差值,表示该历史分段电流信号的样本值的均值。假设第i条历史电流信号的历史分段电流信号的方差组成的样本方差集合为Σ={σ1,σ2,...,σN},其中,利用样本方差的分布,可以组成方差分布的直方图在生成方差直方图前,需要预设直方图参数的分箱个数p。依据分箱个数p,样本方差集合Σ被按照最大值最小值的范围等间隔分为多个分箱(Bins)。在分箱之后,每一个历史分段电流信号的方差值被映射到了一个分箱里,并对每个分箱的方差值的频率进行统计,可以得到分段方差直方图,如图3所示(图中横坐标Variance表示方差,纵坐标Bin Frequency表示频率)。
上述生成当前历史电流信号对应的向量的过程可以如下:在对每一个历史分段电流信号进行编码之后,能够获取每一个历史分段电流信号的压缩以后的低维编码向量,将第i条历史电流信号的历史分段电流信号的低维编码向量组成的分段集合设为在获取了历史分段电流信号的低维编码向量之后,需要将历史分段电流信号的低维编码向量组合成为最终的当前历史电流信号对应的向量。由于集合中是历史电流信号si中的每一个历史分段电流信号的编码后的低维编码向量,所以可以利用组合成si的向量,即将中的低维编码向量逐元素相加后进行平均,即:
如:可以基于加权平均法生成历史电流信号最终对应的向量。具体的,可以采用基于方差分布加权的策略,使用历史分段电流信号的方差作为分段信息量的依据是合理的。但是,由于若是信号受到较高的噪声的干扰,会导致其方差变大,但是其仍然属于正常的信号,故而使用方差作为判据仍然会存在问题,即方差的绝对大小并不能直接作为加权的依据。因此,可以采用基于分段方差直方图加权平均的方法,具体来说,每个历史分段电流信号的方差值将被映射到其样本方差分布直方图上,并根据其所处的分布的位置是否具有较高的频率,判断其信息量的大小。如图3所示,若是方差值在分段方差直方图上频率较高的位置,则说明其包含的信息量不大,因为大部分的历史分段电流信号的方差都处于这个值附近;若是在直方图频率较低的位置,则说明其可能包含一定的重要信息。因此,最终第i条信号的向量表示hi的公式是:
其中,表示第i条历史电流信号的第j个历史分段电流信号的方差值在分段方差直方图的上对应的频率的函数变换值。这样,可以最终形成转辙机历史电流信号对应的向量该向量可以被用来对历史电流信号进行分类,聚类与异常检测等处理。
图4示出了本实施例提供的一种转辙机故障检测装置,包括分段处理模块401、低维编码模块402、向量生成模块403和故障判断模块404,其中:
所述分段处理模块401,用于获取当前转辙机的实时电流信号,通过滑窗算法对所述实时电流信号进行分段处理,得到所述实时电流信号对应的多个分段电流信号;
所述低维编码模块402,用于通过局部连续自编码器将每个分段电流信号编码为低维编码向量,并获取所述每个分段电流信号未编码之前对应的方差信息;
所述向量生成模块403,用于基于所述每个分段电流信号未编码之前对应的方差信息,及每个低维编码向量,生成所述实时电流信号对应的向量;
所述故障判断模块404,用于基于所述实时电流信号对应的向量,通过异常检测算法判断所述当前转辙机是否处于故障状态。
可选的,所述故障判断模块404,用于:
基于当前转辙机的每条历史电流信号对应的向量训练异常检测算法,通过训练好的异常检测算法基于所述实时电流信号对应的向量,判断当前转辙机是否处于故障状态。
可选的,所述分段处理模块401,用于:
获取当前转辙机的历史电流信号,通过滑窗算法对当前历史电流信号进行分段处理,得到当前历史电流信号对应的多个历史分段电流信号;
通过局部连续自编码器将每个历史分段电流信号编码为历史低维编码向量,并获取所述每个历史分段电流信号未编码之前对应的方差信息;
所述向量生成模块403,还用于:
基于所述每个历史分段电流信号未编码之前对应的方差信息,及每个历史低维编码向量,生成所述当前历史电流信号对应的向量。
可选的,所述低维编码模块402,用于:
获取当前历史电流信号的前一电流信号和后一电流信号对应的历史分段电流信号,其中,所述前/后一电流信号指与当前历史电流信号的接收时刻的间隔时长最短的前/后一接收时刻对应的历史电流信号;
通过局部连接自编码器将所述当前历史电流信号对应的每个历史分段电流信号、所述前一电流信号对应的每个历史分段电流信号,及所述后一电流信号对应的每个历史分段电流信号,编码为低维编码向量;
获取所述当前历史电流信号对应的每个历史分段电流信号未编码之前的第一方差信息、所述前一电流信号对应的每个历史分段电流信号未编码之前的第二方差信息,及所述后一电流信号对应的每个历史分段电流信号未编码之前的第三方差信息。
可选的,所述向量生成模块403,用于:
获取预设分箱个数,基于所述预设分箱个数、所述第一方差信息、所述第二方差信息及所述第三方差信息,生成分段方差直方图;
基于所述分段方差直方图及每个历史低维编码向量,通过加权平均法生成所述当前历史电流信号对应的向量。
本实施例所述的转辙机故障检测装置可以用于执行上述方法实施例,其原理和技术效果类似,此处不再赘述。
以上所描述的装置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。
应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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各实施例技术方案的精神和范围。
Claims (10)
1.一种转辙机故障检测方法,其特征在于,包括:
获取当前转辙机的实时电流信号,通过滑窗算法对所述实时电流信号进行分段处理,得到所述实时电流信号对应的多个分段电流信号;
通过局部连续自编码器将每个分段电流信号编码为低维编码向量,并获取所述每个分段电流信号未编码之前对应的方差信息;
基于所述每个分段电流信号未编码之前对应的方差信息,及每个低维编码向量,生成所述实时电流信号对应的向量;
基于所述实时电流信号对应的向量,通过异常检测算法判断所述当前转辙机是否处于故障状态。
2.根据权利要求1所述的转辙机故障检测方法,其特征在于,所述基于所述实时电流信号对应的向量,通过异常检测算法判断所述当前转辙机是否处于故障状态,包括:
基于当前转辙机的每条历史电流信号对应的向量训练异常检测算法,通过训练好的异常检测算法基于所述实时电流信号对应的向量,检测当前转辙机是否处于故障状态。
3.根据权利要求2所述的转辙机故障检测方法,其特征在于,所述基于当前转辙机的每条历史电流信号对应的向量训练异常检测算法之前,还包括:
获取当前转辙机的历史电流信号,通过滑窗算法对当前历史电流信号进行分段处理,得到当前历史电流信号对应的多个历史分段电流信号;
通过局部连续自编码器将每个历史分段电流信号编码为历史低维编码向量,并获取所述每个历史分段电流信号未编码之前对应的方差信息;
基于所述每个历史分段电流信号未编码之前对应的方差信息,及每个历史低维编码向量,生成所述当前历史电流信号对应的向量。
4.根据权利要求3所述的转辙机故障检测方法,其特征在于,所述通过局部连续自编码器将每个历史分段电流信号编码为历史低维编码向量,包括:
获取当前历史电流信号的前一电流信号和后一电流信号对应的历史分段电流信号,其中,所述前/后一电流信号指与当前历史电流信号的接收时刻的间隔时长最短的前/后一接收时刻对应的历史电流信号;
通过局部连接自编码器将所述当前历史电流信号对应的每个历史分段电流信号、所述前一电流信号对应的每个历史分段电流信号,及所述后一电流信号对应的每个历史分段电流信号,编码为低维编码向量;
所述获取所述每个历史分段电流信号未编码之前对应的方差信息,包括:
获取所述当前历史电流信号对应的每个历史分段电流信号未编码之前的第一方差信息、所述前一电流信号对应的每个历史分段电流信号未编码之前的第二方差信息,及所述后一电流信号对应的每个历史分段电流信号未编码之前的第三方差信息。
5.根据权利要求4所述的转辙机故障检测方法,其特征在于,所述基于所述每个历史分段电流信号未编码之前对应的方差信息,及每个历史低维编码向量,生成所述当前历史电流信号对应的向量,包括:
获取预设分箱个数,基于所述预设分箱个数、所述第一方差信息、所述第二方差信息及所述第三方差信息,生成分段方差直方图;
基于所述分段方差直方图及每个历史低维编码向量,通过加权平均法生成所述当前历史电流信号对应的向量。
6.一种转辙机故障检测装置,其特征在于,包括分段处理模块、低维编码模块、向量生成模块和故障判断模块,其中:
所述分段处理模块,用于获取当前转辙机的实时电流信号,通过滑窗算法对所述实时电流信号进行分段处理,得到所述实时电流信号对应的多个分段电流信号;
所述低维编码模块,用于通过局部连续自编码器将每个分段电流信号编码为低维编码向量,并获取所述每个分段电流信号未编码之前对应的方差信息;
所述向量生成模块,用于基于所述每个分段电流信号未编码之前对应的方差信息,及每个低维编码向量,生成所述实时电流信号对应的向量;
所述故障判断模块,用于基于所述实时电流信号对应的向量,通过异常检测算法判断所述当前转辙机是否处于故障状态。
7.根据权利要求6所述的转辙机故障检测装置,其特征在于,所述故障判断模块,用于:
基于当前转辙机的每条历史电流信号对应的向量训练异常检测算法,通过训练好的异常检测算法基于所述实时电流信号对应的向量,判断当前转辙机是否处于故障状态。
8.根据权利要求7所述的转辙机故障检测装置,其特征在于,所述分段处理模块,用于:
获取当前转辙机的历史电流信号,通过滑窗算法对当前历史电流信号进行分段处理,得到当前历史电流信号对应的多个历史分段电流信号;
通过局部连续自编码器将每个历史分段电流信号编码为历史低维编码向量,并获取所述每个历史分段电流信号未编码之前对应的方差信息;
所述向量生成模块,还用于:
基于所述每个历史分段电流信号未编码之前对应的方差信息,及每个历史低维编码向量,生成所述当前历史电流信号对应的向量。
9.根据权利要求8所述的转辙机故障检测装置,其特征在于,所述低维编码模块,用于:
获取当前历史电流信号的前一电流信号和后一电流信号对应的历史分段电流信号,其中,所述前/后一电流信号指与当前历史电流信号的接收时刻的间隔时长最短的前/后一接收时刻对应的历史电流信号;
通过局部连接自编码器将所述当前历史电流信号对应的每个历史分段电流信号、所述前一电流信号对应的每个历史分段电流信号,及所述后一电流信号对应的每个历史分段电流信号,编码为低维编码向量;
获取所述当前历史电流信号对应的每个历史分段电流信号未编码之前的第一方差信息、所述前一电流信号对应的每个历史分段电流信号未编码之前的第二方差信息,及所述后一电流信号对应的每个历史分段电流信号未编码之前的第三方差信息。
10.根据权利要求9所述的转辙机故障检测装置,其特征在于,所述向量生成模块,用于:
获取预设分箱个数,基于所述预设分箱个数、所述第一方差信息、所述第二方差信息及所述第三方差信息,生成分段方差直方图;
基于所述分段方差直方图及每个历史低维编码向量,通过加权平均法生成所述当前历史电流信号对应的向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911251325.6A CN110927497B (zh) | 2019-12-09 | 2019-12-09 | 一种转辙机故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911251325.6A CN110927497B (zh) | 2019-12-09 | 2019-12-09 | 一种转辙机故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110927497A true CN110927497A (zh) | 2020-03-27 |
CN110927497B CN110927497B (zh) | 2022-03-08 |
Family
ID=69858493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911251325.6A Active CN110927497B (zh) | 2019-12-09 | 2019-12-09 | 一种转辙机故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110927497B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898661A (zh) * | 2020-07-17 | 2020-11-06 | 交控科技股份有限公司 | 道岔转辙机的工作状态监测方法及装置 |
CN112319554A (zh) * | 2020-10-30 | 2021-02-05 | 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 |
CN114692969A (zh) * | 2022-03-29 | 2022-07-01 | 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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0456675A (ja) * | 1990-06-26 | 1992-02-24 | Central Japan Railway Co | 転てつ器監視装置 |
CN102819829A (zh) * | 2012-07-17 | 2012-12-12 | 中国科学院地理科学与资源研究所 | 基于分形的超分辨率遥感影像的重建算法 |
CN105260595A (zh) * | 2015-04-02 | 2016-01-20 | 北京交通大学 | 道岔动作电流曲线的特征提取方法及道岔故障诊断方法 |
CN109501834A (zh) * | 2018-11-28 | 2019-03-22 | 交控科技股份有限公司 | 一种道岔转辙机故障预测方法及装置 |
CN109815983A (zh) * | 2018-12-10 | 2019-05-28 | 清华大学 | 基于混合深度学习的高铁道岔智能故障预测方法 |
CN109977810A (zh) * | 2019-03-12 | 2019-07-05 | 北京工业大学 | 基于helm并结合ptsne和lda特征融合的脑电分类方法 |
CN110441629A (zh) * | 2019-07-29 | 2019-11-12 | 交控科技股份有限公司 | 基于道岔转辙机动作电流曲线的故障诊断方法及装置 |
-
2019
- 2019-12-09 CN CN201911251325.6A patent/CN110927497B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0456675A (ja) * | 1990-06-26 | 1992-02-24 | Central Japan Railway Co | 転てつ器監視装置 |
CN102819829A (zh) * | 2012-07-17 | 2012-12-12 | 中国科学院地理科学与资源研究所 | 基于分形的超分辨率遥感影像的重建算法 |
CN105260595A (zh) * | 2015-04-02 | 2016-01-20 | 北京交通大学 | 道岔动作电流曲线的特征提取方法及道岔故障诊断方法 |
CN109501834A (zh) * | 2018-11-28 | 2019-03-22 | 交控科技股份有限公司 | 一种道岔转辙机故障预测方法及装置 |
CN109815983A (zh) * | 2018-12-10 | 2019-05-28 | 清华大学 | 基于混合深度学习的高铁道岔智能故障预测方法 |
CN109977810A (zh) * | 2019-03-12 | 2019-07-05 | 北京工业大学 | 基于helm并结合ptsne和lda特征融合的脑电分类方法 |
CN110441629A (zh) * | 2019-07-29 | 2019-11-12 | 交控科技股份有限公司 | 基于道岔转辙机动作电流曲线的故障诊断方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898661A (zh) * | 2020-07-17 | 2020-11-06 | 交控科技股份有限公司 | 道岔转辙机的工作状态监测方法及装置 |
CN112319554A (zh) * | 2020-10-30 | 2021-02-05 | 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 |
CN114692969A (zh) * | 2022-03-29 | 2022-07-01 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN110927497B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110927497B (zh) | 一种转辙机故障检测方法及装置 | |
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 | |
CN111967571B (zh) | 一种基于mhma的异常检测方法和设备 | |
CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
CN107451004B (zh) | 一种基于定性趋势分析的道岔故障诊断方法 | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN111931625B (zh) | 基于非对称损失神经网络的产品关键零件剩余寿命预测方法 | |
CN116308300B (zh) | 一种电力设备状态监测评价与指挥方法及*** | |
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 | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、***及介质 | |
CN103346797A (zh) | 一种用于齿轮故障信号的实时压缩方法 | |
CN116502164A (zh) | 基于对抗训练和频域改良自注意力机制的多维时序数据异常检测方法、设备及介质 | |
CN113485863A (zh) | 基于改进生成对抗网络生成异构不平衡故障样本的方法 | |
CN110598674B (zh) | 一种基于模式识别的转辙机故障识别方法 | |
CN111898446A (zh) | 基于多算法归一化分析的单相接地故障研判方法 | |
Shim et al. | Unsupervised anomaly detection for electric drives based on variational auto-encoder | |
CN114997749B (zh) | 电力人员智能调度方法和*** | |
CN116279672A (zh) | 一种道岔故障定位的方法、装置、设备及存储介质 | |
CN115856611A (zh) | 一种基于深度学习的高压断路器故障诊断方法 | |
CN112213561A (zh) | 主导负荷参数类噪声辨识的量测数据预处理方法和装置 | |
Ye | Fabric defect detection using fuzzy inductive reasoning based on image histogram statistic variables | |
Shomaki et al. | Bearing fault diagnoses using wavelet transform and discrete fourier transform with deep learning | |
Havryliuk | Fault Detecting of Turnouts Using DWT and ANN | |
CN110544242B (zh) | 一种实时线缆节距提取方法 | |
CN114019321B (zh) | 一种基于归一化标准差和小波熵的直流串联电弧故障检测方法及装置 |
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 |