CN111914320A - 基于深度学习的无样本道岔故障诊断方法 - Google Patents
基于深度学习的无样本道岔故障诊断方法 Download PDFInfo
- Publication number
- CN111914320A CN111914320A CN202010508456.4A CN202010508456A CN111914320A CN 111914320 A CN111914320 A CN 111914320A CN 202010508456 A CN202010508456 A CN 202010508456A CN 111914320 A CN111914320 A CN 111914320A
- Authority
- CN
- China
- Prior art keywords
- turnout
- fault
- phase
- switch
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 230000009471 action Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 33
- 238000011176 pooling Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 239000003550 marker Substances 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 12
- 238000002405 diagnostic procedure Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Protection Of Generators And Motors (AREA)
Abstract
一种无现场故障样本下的基于深度学习的道岔故障诊断方法：它包括建立仿真模型：由道岔转辙机动作机理构建道岔动作仿真模型；仿真获取数据样本：分析道岔常见故障，基于道岔动作仿真模型得到不同故障状态下的道岔动作电流曲线，建立道岔故障样本集；建立故障诊断模型：采用深度学习的方法，构建道岔故障诊断模型，利用所述道岔故障样本集，对道岔故障模型进行训练；输入待检测图像到道岔故障诊断模型，得到诊断结果。此发明能在无现场故障样本下进行高识别率道岔故障诊断，提高道岔故障识别效率，保障行车安全。
Description
技术领域
本发明涉及轨道交通关键设备故障诊断领域。
背景技术
随着我国铁路的快速发展，对铁路信号设备的安全性和可靠性提出了更高的要求。道岔是铁路信号设备的关键组成部分，其状态直接影响着铁路运输的安全和效率。道岔使列车从一股轨道转到另一股轨道，是排列列车进路和实现进路转换的关键设备。转辙机是道岔的转换设备，用来实现转换道岔、锁闭道岔及反映道岔尖轨所处位置。其故障是造成铁路重大事故的主要原因之一。
目前，我国结合微机监测***监测道岔的动作状态及人工定期排查的方式来检修道岔。微机监测***采集了道岔的动作电压和动作电流等数据，并在***中显示出道岔的动作电流曲线和功率曲线。若发现与标准曲线不同的曲线，则微机监测***发出告警信号，由经验丰富的工作人员根据曲线来判断道岔故障类型，并安排现场工作人员前去检修。但基于定期排查和工作人员分析微机监测***信息的故障预测及诊断方式，效率低、工作量大且可靠性不高，已无法满足现有高速铁路对运行安全和效率的要求。
为解决上述缺陷，许多研究学者围绕着道岔故障的诊断展开了很多研究。主要应用基于数学模型、基于信号处理和基于知识的方法诊断道岔故障类型。但现有研究大多需要每一种类道岔故障样本，但现场无法提供如此多种类的道岔故障样本；并且研究需要微机监测***中的原始数据，但因其数据的私密性而较难获得。
发明内容
本发明提供了一种在无现场故障样本下基于深度学习道岔故障诊断方法，此发明能在无现场故障样本下进行高识别率道岔故障诊断，提高道岔故障识别效率，保障行车安全。
为了实现上述目的，本发明给出以下技术方案
一种在无现场故障样本下基于深度学习道岔故障诊断方法，包括：
(1)：建立仿真模型：由道岔转辙机动作机理构建道岔动作仿真模型；
(2)：仿真获取数据样本：分析道岔常见故障，基于所述的道岔动作仿真模型得到不同故障状态下的道岔动作电流曲线，建立道岔故障样本集；
(3)：建立故障诊断模型：采用深度学习的方法，构建道岔故障诊断模型，利用所述道岔故障样本集，对道岔故障模型进行训练；
(4)输入待检测图像到道岔故障诊断模型，得到诊断结果；
其中，所述步骤(1)进一步包括：
(1a)转辙机是道岔的转换设备，分析道岔转辙机电机主要参数，构建道岔动作仿真模型的六个模块：三相电压源、三相断路器、三相异步电机、RMS模块、增益模块和FromWorkplace模块；
(1b)将前五个模块按顺序连接，并在所述模型中添加三个示波器；示波器1中观测到RMS模块计算的三相定子电流有效值，示波器2中查看三相异步电机的负载转矩曲线，示波器3观测到三相转子电流、转速、机械转矩曲线。
(1c)From Workplace模块连接至三相异步电动机；
所述步骤(1a)中，六个模块参数如下：
(1a1)三相电压源中的电压为380V；相位为0度；频率为50Hz；电压不随时间变化；无谐波生成；发电机类型为swing；
(1a2)三相断路器中的初始状态为open；A相、B相、C相均切换；正常情况下，切换开启时间为1/60s；三相电压源与三相异步电动机相连，切换关闭时间为396/60s；内部电阻为0.01Ω；缓冲电阻为105Ω；缓冲电容为infF；
(1a3)三相异步电机的转子为鼠笼型；机械输入为转矩；参考框架为转子；不使用名称来标识总线标签；额定功率为400W；线电压为380V；频率为50Hz；定子电阻为0.5968Ω；定子电感为0.0003495H；转子电阻为0.6258Ω；转子电感为0.005473H；互感为0.0354H；惯性常数为0.05(kg.m2)；摩擦系数为0.005879(N.m.s)；极对数为2；初始滑移、电气角度、定子电流幅度及相角均为0；不模拟饱和度；采样时间为-1；离散求解器模型为Trapezoidalnon iterative；机械功率为1.492*106W；
(1a4)RMS模块基本频率为50Hz；初始均方根值为0；采样时间为0；
(1a5)增益模块设置值为0.03；
(1a6)在From Workplace模块中，获取数据为time和values，time为转矩变化时的时间值，values为加载的转矩值；输出数据类型为double；采样时间为0；使用插值及过零检测；
其中，所述步骤(2)所述道岔故障样本集的构建包括以下步骤：
(2a)获取道岔的阻力曲线，作为电动机的负载转矩曲线；
(2b)From Workplace模块从MATLAB工作区读取所述负载转矩曲线并输出到三相异步电动机中，模拟道岔转换时带载转换的过程；
(2c)根据选定常见道岔故障类别，设置不同故障类别下的三相断相器关闭时间；
(2d)仿真开始，三相断相器开启，三相电压源供电，三相异步电机得到电压后转动；到达指定时间后，三相断相器关闭，三相异步电机断开电源，停止工作；
(2e)获得示波器1中的道岔动作电流曲线；
(2f)采集道岔在不同故障状态下的阻力曲线，重复(2a)(2b)(2c)(2d)过程，获得道岔故障样本集。
其中，步骤(2c)，可选择的常见道岔故障类别为：电流突增、转换时间增长、“小尾巴”数值超标、两相小电流、“小尾巴”过长、无“小尾巴”故障，另外，无故障曲线也应包含在内；三相断路器开关关闭时间由道岔故障类别决定，道岔故障类别与三相断路器开关关闭时间对应关系为：
(2c1)电流突增：三相断相器开关关闭时间分别设置为5.4s和6.6s；
(2c2)转换时间增长：三相断相器开关关闭时间分别设置为6s和7s；
(2c3)“小尾巴”数值超标：三相断相器开关关闭时间分别设置为5.4s和6.6s；
(2c4)两相小电流：三相断相器的开启时间设置为0s，关闭时间设置为3.4s；
(2c5)“小尾巴”过长：三相断相器开关关闭时间分别设置为5.4s和13s；
(2c6)无“小尾巴”：三相断相器开关关闭时间分别设置为5.4s；
(2c7)正常曲线：三相断相器开关关闭时间分别设置为5.4s和6.6s；
其中，步骤(3)所述道岔故障诊断模型的构建包括以下步骤：
(3a)将道岔故障样本集分为训练集和测试集；
(3b)基于LENET，构建卷积神经网络结构；
(3c)将训练集图像导入步骤(3b)建立的卷积神经网络结构中进行训练；训练得到精度高的卷积神经网络即为道岔故障诊断模型；
(3d)训练完成后，利用测试集检验最终选择最优的模型的性能；
所示步骤(3b)的卷积神经网络结构如下：
(3b1)以LENET结构为基础，网络包括两个卷积层、一个池化层、两个全连接层；
(3b2)所述卷积层通过7×7和3×3的卷积核提取原始图像的基本特征，如颜色、纹理、形状等；所述池化层采用最大池化的方法，对前一层进行最大采样，滑窗大小为2×2；所述全连接层将经过卷积层和池化层的特征表示映射到数据样本的标记层；网络计算出前一层的输出向量和连接权重向量的內积，然后再加上偏置，经过激活函数的运算后会得到整个网络的一个输出状态；所述激活函数公式如下：
其中，J×I为卷积核的宽和高的大小尺寸，M×N为输入图像的宽和高大小，xm,n表示在输入图片中(m,n)位置处的像素值，ym′,n′则代表其对应的计算结果；w为权重，表示对应特征x的影响大小；f为激活函数，对內积进行非线性的变换；b为偏置，其作用为选择分界线；
(3b3)第一层与第二层是卷积核个数为32个的卷积层，卷积核大小分别为为7×7与3×3；第三层是滑窗大小2×2的最大池化层，并在其设置Dropout值为0.25；第四、五层为全连接层，输出903维信息，得到分类概率结果；第四层全连接层后设置Dropout值0.5；
所述步骤(3c)中，卷积神经网络的训练方法：
(3c1)将道岔故障样本集的训练集输入卷积神经网络中，训练集样本大小为150×150；在卷积神经网络中，首先卷积层对输入层进行卷积运算和激活操作,以提取输入层的行为空间特征；所述激活函数采用RELU函数，公式如下所示：
f(x)＝max(0,x)
其中，x是输入向量；RELU函数对输入向量进行单侧抑制；
(3c2)通过池化层对卷积层的行为空间特征进行池化操作，用于压缩数据和参数的数量；
(3c3)卷积神经网络经过两个卷积层和池化层，直至全连接层，全连接层将尺寸为32*71*71的输入数据进行全连接运算，通过RELU激活函数生成维度为903的输出向量；所述全连接层的输出向量经softmax函数计算得到最后的预测值,使用交叉熵损失，函数计算所述预测值与真实值的损失函数值,并最小化损失函数值；
(3c4)通过随机梯度下降法不断调整网络权重和偏置,重新计算损失函数值,直至损失函数值趋于稳定或到达设定的迭代次数,获得分类后的图片特征。
所示步骤(3d)的验证过程如下：
(3d1)将所述验证集图像输入所述道岔故障诊断模型中；
(3d2)模型输出是概率数组，概率数组中的每一个元素值分别表示对应道岔故障的概率；识别结果的计算公式为：
Result＝argmax(Ri),i＝1,2,3,…
其，i是道岔故障样本的编号，并且Ri是每个图像的概率数组，argmax函数是找到对应于概率数组中的最大概率的标签，并将标签作为道岔故障识别结果。
其中，步骤(4)所述输入待检测图像得到诊断结果，包括以下步骤：
(4a)将微机检测数据用MATLAB软件拟合成曲线图片；
(4b)将所述曲线图片输入到诊断模型，道岔诊断模型正确识别原始数据生成的曲线图片；
(4c)裁剪出论文或纸质版的报告中包含道岔动作电流曲线部分，并存为图片；
(4d)将所述曲线图片输入到道岔诊断模型中，道岔诊断模型正确识别论文或纸质版的报告中获得的曲线图片。
本发明提供了一种无现场故障样本下的基于深度学习的道岔故障诊断方法，能在无现场故障样本下进行高识别率道岔故障诊断，提高道岔故障识别效率，保障行车安全。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为根据本发明实施例的一种无现场故障样本下基于深度学习的道岔故障诊断方法流程图；
图2是本发明实施例利用三相异步电动机构建的道岔动作模型；
图3是本发明实施例中的道岔故障样本集的构建流程图；
图4是本发明实施例构造的道岔故障样本集，图片从上到下从左到右依次为：电流突增、转换时间增长、“小尾巴”数值超标、两相小电流、“小尾巴”过长、无“小尾巴”和无故障曲线；
图5是本发明实施例的道岔故障识别模型的构建示意图；
图6是本发明实施例的道岔故障识别模型结构图；
图7是本发明实施例的卷积神经模型准确度趋势图；
图8是本发明实施例的微机监测***的数据的诊断过程；
图9是本发明实施例的论文或纸质版的报告中的道岔动作电流曲线图片的诊断过程。
具体实施方式
下面将结合附图对本发明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。
实施例
本发明一种无现场故障样本下基于深度学习的道岔故障诊断方法，将在无现场故障样本，利用道岔动作仿真模型创建故障样本集并基于所述样本集，采用深度学习方法建立道岔故障诊断模型，准确识别道岔故障类别。
图1是根据本发明实施例的一种无现场故障样本下基于深度学习的道岔故障诊断方法流程图，包括如下步骤：
步骤S1：建立仿真模型：由道岔转辙机动作机理构建道岔动作仿真模型；
步骤S2：仿真获取数据样本：分析道岔常见故障，基于所述的道岔动作仿真模型得到不同故障状态下的道岔动作电流曲线，建立道岔故障样本集；
步骤S3：建立故障诊断模型：采用深度学习的方法，构建道岔故障诊断模型，利用所述道岔故障样本集，对道岔故障模型进行训练；
步骤S4:输入待检测图像到道岔故障诊断模型，得到诊断结果。
步骤S1
图2是利用三相异步电动机构建的道岔动作模型。以S700K转辙机为例，主要有以下参数：
(1)三相交流异步电动机的额定电压为380V，额定功率为0.4KW；
(2)转换力为6000N；
(3)动作时间小于等于6.6s；
(4)动作电流小于等于2A；
(5)动程220mm。
所述道岔动作模型主要包括三相电压源、三相断路器、三相异步电机、RMS模块、增益模块和From Workplace模块；六个模块参数设置如下：
(1)三相电压源中的电压为380V；相位为0度；频率为50Hz；电压不随时间变化；无谐波生成；发电机类型为swing；
(2)三相断路器中的初始状态为open；A相、B相、C相均切换；正常情况下，切换开启时间为1/60s；三相电压源与三相异步电动机相连，切换关闭时间为396/60s；内部电阻为0.01Ω；缓冲电阻为105Ω；缓冲电容为infF；
(3)三相异步电机的转子为鼠笼型；机械输入为转矩；参考框架为转子；不使用名称来标识总线标签；额定功率为400W；线电压为380V；频率为50Hz；定子电阻为0.5968Ω；定子电感为0.0003495H；转子电阻为0.6258Ω；转子电感为0.005473H；互感为0.0354H；惯性常数为0.05(k non g.m2)；摩擦系数为0.005879(N.m.s)；极对数为2；初始滑移、电气角度、定子电流幅度及相角均为0；不模拟饱和度；采样时间为-1；离散求解器模型为Trapezoidaliterative；机械功率为1.492*106W；
(4)RMS模块基本频率为50Hz；初始均方根值为0；采样时间为0；
(5)增益模块设置值为0.03；
(6)在From Workplace模块中，获取数据为time和values，time为转矩变化时的时间值，values为加载的转矩值；输出数据类型为double；采样时间为0；使用插值及过零检测。
将前五个模块按顺序连接，并在所述模型中添加三个示波器；示波器1中观测到RMS模块计算的三相定子电流有效值，示波器2中查看三相异步电机的负载转矩曲线，示波器3观测到三相转子电流、转速、机械转矩曲线；From Workplace模块连接至三相异步电动机。
步骤S2
如图3所示为道岔故障样本集的构建流程图；
先采集道岔的阻力曲线，得到电动机的负载转矩曲线；From Workplace模块从MATLAB工作区读取所述负载转矩曲线并输出到三相异步电动机中，模拟道岔转换时带载转换的过程；
根据选定的道岔故障类别，并设置不同故障类别下的三相断相器关闭时间；本实施例中选定常见的六类道岔故障类别，分别为电流突增、转换时间增长、“小尾巴”数值超标、两相小电流、“小尾巴”过长、无“小尾巴”，并设置不同故障类别下和正常情况下的三相断相器关闭时间：
(1)电流突增：三相断相器开关关闭时间分别设置为5.4s和6.6s；
(2)转换时间增长：三相断相器开关关闭时间分别设置为6s和7s；
(3)“小尾巴”数值超标：三相断相器开关关闭时间分别设置为5.4s和6.6s；
(4)两相小电流：三相断相器的开启时间设置为0s，关闭时间设置为3.4s；
(5)“小尾巴”过长：三相断相器开关关闭时间分别设置为5.4s和13s；
(6)无“小尾巴”：三相断相器开关关闭时间分别设置为5.4s；
(7)正常曲线：三相断相器开关关闭时间分别设置为5.4s和6.6s；
仿真开始，三相断相器开启，三相电压源供电，三相异步电机得到电压后转动；到达指定时间后，三相断相器关闭，三相异步电机断开电源，停止工作；获得示波器1中的道岔动作电流曲线；
采集道岔在六个故障状态和正常情况下的阻力曲线，重复上述过程，获得的道岔故障样本集如图4所示。
步骤S3
将道岔故障样本集(包含无故障样本)分为训练集与测试集，用以构建道岔故障诊断模型，图5是模型的训练过程，对样本集的图像进行迭代训练，不断调整网络的参数，直至训练精度达到最优模型。本发明采用LENET的卷积网络模型，对道岔故障进行诊断。为了更好的说明本实施例的道岔故障诊断方法，下面结合图6所示的模型参数进行说明。
1.训练的网络包括两个卷积层、一个池化层、两个全连接层；首层是卷积层，接受3×150×150图像的输入，其中150×150是指输入图像的宽度与高度，3是指图像为RGB通道。第一层卷积核大小为7×7，个数为30，输出形状为32×144×144特征图，第二个为32个卷积核大小为3×3的卷积层，其输出形状为32×142×142特征图；第三层是核大小为2×2的最大池化层，为了防止过拟合，在其后设置Dropout值为0.25；第四、五层为全连接层，输出903维信息，得到分类概率结果；第四层全连接层后设置Dropout值0.5。
然后，将测试集的图像输入LENET模型中，在LENET模型中，后一层对前一层的输出进行卷积运算和激活操作,以提取前一层的行为空间特征。此外，通过随机梯度下降法SGD优化器，Relu激活函数做非线性变换，不断调整网络权重和偏置，使用交叉熵函数重新计算损失函数值,直至损失函数值趋于稳定或到达设定的迭代次数,获得分类后的图片特征。本实施例设置批次数为16，迭代次数为10，基于keras2.1.5框架训练。
最后,将训练完成的所述深度学习网络模型的结构和参数固化,得到道岔故障诊断模型，图7为模型训练过程中精确度变化，模型最终准确率达到99.80％。
2.将所述测试集图像输入所述道岔故障诊断模型中；模型输出是概率数组，概率数组中的每一个元素值分别表示对应道岔故障的概率；识别结果的计算公式为：
Result＝argmax(Ri),i＝1,2,3,…
其中，i是道岔故障样本的编号，并且Ri是每个图像的概率数组，argmax函数是找到对应于概率数组中的最大概率的标签，并将标签作为道岔故障识别结果。
步骤S4
本步骤为可选步骤。
输入的待检测图像为微机监测***监测数据和论文或纸质版的报告中的道岔动作电流曲线图片；
图8是微机监测***监测数据的诊断过程，将从微机监测***中获得的监测数据用MATLAB软件拟合成曲线图片；该图片包含正常曲线与“无小尾巴“曲线，将所述曲线图片输入到诊断模型，道岔诊断模型正确识别两类曲线；
图9是论文或纸质版的报告中的道岔动作电流曲线图片的诊断过程；裁剪文件中正常道岔动作电流曲线部分，并存为图片；将所述曲线图片输入到道岔诊断模型中，道岔诊断模型正确识别论文或纸质版的报告中获得的曲线图片为正常曲线。
Claims (10)
1.一种无现场故障样本下的基于深度学习的道岔故障诊断方法，其特征在于，包括：
(1)：建立仿真模型：由道岔转辙机动作机理构建道岔动作仿真模型；
(2)：仿真获取数据样本：分析道岔常见故障，基于所述的道岔动作仿真模型得到不同故障状态下的道岔动作电流曲线，建立道岔故障样本集；
(3)：建立故障诊断模型：采用深度学习的方法，构建道岔故障诊断模型，利用所述道岔故障样本集，对道岔故障模型进行训练；
(4)：输入待检测图像到道岔故障诊断模型，得到诊断结果。
2.如权利要求1所述一种无现场故障样本下的基于深度学习的道岔故障诊断方法，其特征在于，步骤(1)中所述，道岔动作仿真模型包括以下步骤：
(1a)转辙机是道岔的转换设备，分析道岔转辙机电机主要参数，构建道岔动作仿真模型的六个模块：三相电压源、三相断路器、三相异步电机、RMS模块、增益模块和FromWorkplace模块；
(1b)将前五个模块按顺序连接，并在模型中添加三个示波器：示波器1中观测到RMS模块计算的三相定子电流有效值，示波器2中查看三相异步电机的负载转矩曲线，示波器3观测到三相转子电流、转速、机械转矩曲线；
(1c)From Workplace模块连接至三相异步电动机。
3.如权利要求2所述一种无现场故障样本下的基于深度学习的道岔故障诊断方法，其特征在于，所述步骤(1a)中六个模块参数为：
(1a1)三相电压源中的电压为380V；相位为0度；频率为50Hz；电压不随时间变化；无谐波生成；发电机类型为swing；
(1a2)三相断路器中的初始状态为open；A相、B相、C相均切换；正常情况下，切换开启时间为1/60s；三相电压源与三相异步电动机相连，切换关闭时间为396/60s；内部电阻为0.01Ω；缓冲电阻为105Ω；缓冲电容为infF；
(1a3)三相异步电机的转子为鼠笼型；机械输入为转矩；参考框架为转子；不使用名称来标识总线标签；额定功率为400W；线电压为380V；频率为50Hz；定子电阻为0.5968Ω；定子电感为0.0003495H；转子电阻为0.6258Ω；转子电感为0.005473H；互感为0.0354H；惯性常数为0.05(kg.m2)；摩擦系数为0.005879(N.m.s)；极对数为2；初始滑移、电气角度、定子电流幅度及相角均为0；不模拟饱和度；采样时间为-1；离散求解器模型为Trapezoidal noniterative；机械功率为1.492*106W；
(1a4)RMS模块基本频率为50Hz；初始均方根值为0；采样时间为0；
(1a5)增益模块设置值为0.03；
(1a6)在From Workplace模块中，获取数据为time和values，time为转矩变化时的时间值，values为加载的转矩值；输出数据类型为double；采样时间为0；使用插值及过零检测。
4.如权利要求1所述一种无现场故障样本下的基于深度学习的道岔故障诊断方法，其特征在于，所述步骤(2)中道岔故障样本集的构建包括：
(2a)获取道岔的阻力曲线，作为电动机的负载转矩曲线；
(2b)From Workplace模块从MATLAB工作区读取所述负载转矩曲线并输出到三相异步电动机中，模拟道岔转换时带载转换的过程；
(2c)根据选定常见道岔故障类别，设置不同故障类别下的三相断相器关闭时间；
(2d)仿真开始，三相断相器开启，三相电压源供电，三相异步电机得到电压后转动；到达指定时间后，三相断相器关闭，三相异步电机断开电源，停止工作；
(2e)获得示波器1中的道岔动作电流曲线；
(2f)采集道岔在不同故障状态下的阻力曲线，重复(2a)(2b)(2c)(2d)(2e)过程，获得道岔故障样本集。
5.如权利要求4所述一种无现场故障样本下的基于深度学习的道岔故障诊断方法，其特征在于，步骤(2c)可选择的常见道岔故障类别为：电流突增、转换时间增长、“小尾巴”数值超标、两相小电流、“小尾巴”过长、无“小尾巴”故障，另外，无故障曲线也应包含在内。
6.如权利要求4所述一种无现场故障样本下的基于深度学习的道岔故障诊断构建，其特征在于，步骤(2c)中三相断路器开关关闭时间由道岔故障类别决定，道岔故障类别与三相断路器开关关闭时间对应关系为：
(2c1)电流突增：三相断相器开关关闭时间分别设置为5.4s和6.6s；
(2c2)转换时间增长：三相断相器开关关闭时间分别设置为6s和7s；
(2c3)“小尾巴”数值超标：三相断相器开关关闭时间分别设置为5.4s和6.6s；
(2c4)两相小电流：三相断相器的开启时间设置为0s，关闭时间设置为3.4s；
(2c5)“小尾巴”过长：三相断相器开关关闭时间分别设置为5.4s和13s；
(2c6)无“小尾巴”：三相断相器开关关闭时间分别设置为5.4s；
(2c7)无故障曲线：三相断相器开关关闭时间分别设置为5.4s和6.6s。
7.如权利要求1所述一种无现场故障样本下的基于深度学习的道岔故障诊断方法，其特征在于，步骤(3)建立故障诊断模型包括以下步骤：
(3a)将道岔故障样本集分为训练集和测试集；
(3b)基于LeNet，构建卷积神经网络结构；
(3c)将训练集图像导入步骤(3b)建立的卷积神经网络结构中进行训练；训练得到精度高的卷积神经网络即为道岔故障诊断模型；
(3d)训练完成后，利用测试集检验最终选择最优的模型的性能。
8.如权利要求7所述一种无现场故障样本下的基于深度学习的道岔故障诊断方法，其特征在于，步骤(3b)，构建卷积神经网络结构步骤如下：
(3b1)以LeNet结构为基础，网络包括两个卷积层、一个池化层、两个全连接层；
(3b2)所述卷积层通过7×7和3×3的卷积核提取原始图像的基本特征，如颜色、纹理、形状等；所述池化层采用最大池化的方法，对前一层进行最大采样，滑窗大小为2×2；所述全连接层将经过卷积层和池化层的特征表示映射到数据样本的标记层；网络计算出前一层的输出向量和连接权重向量的內积，然后再加上偏置，经过激活函数的运算后会得到整个网络的一个输出状态；所述激活函数公式如下：
其中，J×I为卷积核的宽和高的大小尺寸，M×N为输入图像的宽和高大小，xm,n表示在输入图片中(m,n)位置处的像素值，ym′,n′则代表其对应的计算结果；w为权重，表示对应特征x的影响大小；f为激活函数，对內积进行非线性的变换；b为偏置，其作用为选择分界线；
(3b3)第一层与第二层是卷积核个数为32个的卷积层，卷积核大小分别为为7×7与3×3；第三层是滑窗大小2×2的最大池化层，并在其设置Dropout值为0.25；第四、五层为全连接层，输出903维信息，得到分类概率结果；第四层全连接层后设置Dropout值0.5。
9.如权利要求7所述一种无现场故障样本下的基于深度学习的道岔故障诊断方法，其特征在于，步骤(3c)，卷积神经网络的训练方法如下：
(3c1)将道岔故障样本集的训练集输入卷积神经网络中，训练集样本大小为150×150；在卷积神经网络中，首先卷积层对输入层进行卷积运算和激活操作,以提取输入层的行为空间特征；所述激活函数采用RELU函数，公式如下所示：
f(x)＝max(0,x)
其中，x是输入向量；RELU函数对输入向量进行单侧抑制；
(3c2)通过池化层对卷积层的行为空间特征进行池化操作，用于压缩数据和参数的数量；
(3c3)卷积神经网络经过两个卷积层和池化层，直至全连接层，全连接层将尺寸为32*71*71的输入数据进行全连接运算，通过RELU激活函数生成维度为903的输出向量；所述全连接层的输出向量经softmax函数计算得到最后的预测值,使用交叉熵损失，函数计算所述预测值与真实值的损失函数值,并最小化损失函数值；
(3c4)通过随机梯度下降法不断调整网络权重和偏置,重新计算损失函数值,直至损失函数值趋于稳定或到达设定的迭代次数,获得分类后的图片特征。
10.如权利要求7所述一种无现场故障样本下的基于深度学习的道岔故障诊断方法，其特征在于，步骤(3d)，验证过程如下：
(3d1)将所述验证集图像输入道岔故障诊断模型中；
(3d2)模型输出是概率数组，概率数组中的每一个元素值分别表示对应道岔故障的概率；识别结果的计算公式为：
Result＝argmax(Ri),i＝1,2,3,…
其中，i是道岔故障样本的编号，并且Ri是每个图像的概率数组，argmax函数是找到对应于概率数组中的最大概率的标签，并将标签作为道岔故障识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010508456.4A CN111914320B (zh) | 2020-06-06 | 2020-06-06 | 基于深度学习的无样本道岔故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010508456.4A CN111914320B (zh) | 2020-06-06 | 2020-06-06 | 基于深度学习的无样本道岔故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111914320A true CN111914320A (zh) | 2020-11-10 |
| CN111914320B CN111914320B (zh) | 2024-02-02 |
Family
ID=73237886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010508456.4A Active CN111914320B (zh) | 2020-06-06 | 2020-06-06 | 基于深度学习的无样本道岔故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111914320B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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*** |
| CN113139601A (zh) * | 2021-04-25 | 2021-07-20 | 杭州电子科技大学 | 一种基于lstm和注意力机制的道岔故障检测方法 |
| CN114137915A (zh) * | 2021-11-18 | 2022-03-04 | 成都航天科工大数据研究院有限公司 | 一种工业设备的故障诊断方法 |
| CN114630352A (zh) * | 2020-12-11 | 2022-06-14 | ***通信集团湖南有限公司 | 一种接入设备的故障监测方法和装置 |
| 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 |
| CN114936583A (zh) * | 2022-06-14 | 2022-08-23 | 中国科学技术大学 | 基于教师-学生模型的双步领域自适应的跨用户肌电模式识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及*** |
| CN106976468A (zh) * | 2017-03-09 | 2017-07-25 | 南京理工大学 | 一种基于dwt和c‑svm的道岔故障诊断方法 |
| GB201902157D0 (en) * | 2019-02-15 | 2019-04-03 | Thales Holdings Uk Plc | Diognostic system and a method of diagnosing faults |
| CN109934335A (zh) * | 2019-03-05 | 2019-06-25 | 清华大学 | 基于混合深度学习的高铁道岔故障诊断方法 |
| CN110596490A (zh) * | 2019-09-11 | 2019-12-20 | 天津科技大学 | 铁路道岔故障的智能检测方法 |
-
2020
- 2020-06-06 CN CN202010508456.4A patent/CN111914320B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及*** |
| CN106976468A (zh) * | 2017-03-09 | 2017-07-25 | 南京理工大学 | 一种基于dwt和c‑svm的道岔故障诊断方法 |
| GB201902157D0 (en) * | 2019-02-15 | 2019-04-03 | Thales Holdings Uk Plc | Diognostic system and a method of diagnosing faults |
| CN109934335A (zh) * | 2019-03-05 | 2019-06-25 | 清华大学 | 基于混合深度学习的高铁道岔故障诊断方法 |
| CN110596490A (zh) * | 2019-09-11 | 2019-12-20 | 天津科技大学 | 铁路道岔故障的智能检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 许庆阳;刘中田;赵会兵;: "基于隐马尔科夫模型的道岔故障诊断方法", 铁道学报, no. 08 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114630352A (zh) * | 2020-12-11 | 2022-06-14 | ***通信集团湖南有限公司 | 一种接入设备的故障监测方法和装置 |
| CN114630352B (zh) * | 2020-12-11 | 2023-08-15 | ***通信集团湖南有限公司 | 一种接入设备的故障监测方法和装置 |
| 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*** |
| CN113139601A (zh) * | 2021-04-25 | 2021-07-20 | 杭州电子科技大学 | 一种基于lstm和注意力机制的道岔故障检测方法 |
| CN114137915A (zh) * | 2021-11-18 | 2022-03-04 | 成都航天科工大数据研究院有限公司 | 一种工业设备的故障诊断方法 |
| 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 |
| 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 |
| CN114936583A (zh) * | 2022-06-14 | 2022-08-23 | 中国科学技术大学 | 基于教师-学生模型的双步领域自适应的跨用户肌电模式识别方法 |
| CN114936583B (zh) * | 2022-06-14 | 2024-03-29 | 中国科学技术大学 | 基于教师-学生模型的双步领域自适应的跨用户肌电模式识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111914320B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111914320A (zh) | 基于深度学习的无样本道岔故障诊断方法 | |
| CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
| Bessam et al. | Wavelet transform and neural network techniques for inter-turn short circuit diagnosis and location in induction motor | |
| US20200241066A1 (en) | Intelligent on-line diagnosis and positioning method for winding deformation of power transformers | |
| CN112307950B (zh) | Gis振动缺陷辨识的细节特征量提取及智能分析方法 | |
| CN109444667B (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
| CN107632258A (zh) | 一种基于小波变换和dbn的风机变流器故障诊断方法 | |
| CN113486868B (zh) | 一种电机故障诊断方法及*** | |
| CN103760464A (zh) | 基于解析图求解与svm的小电流接地***故障选线方法 | |
| CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
| CN116342952B (zh) | 一种变压器套管异常识别方法与*** | |
| CN112816881B (zh) | 电池压差异常检测方法、装置及计算机存储介质 | |
| US11817809B2 (en) | Motor driving system converter fault diagnosis method based on adaptive sparse filtering | |
| Husari et al. | Stator turn fault diagnosis and severity assessment in converter-fed induction motor using flat diagnosis structure based on deep learning approach | |
| CN110045207A (zh) | 一种基于电网架构和多源数据融合的复杂故障诊断方法 | |
| CN113093058A (zh) | 一种npc三电平逆变器开路故障诊断方法 | |
| CN111060844A (zh) | 一种用于高速列车牵引传动***的匝间短路故障诊断方法及装置 | |
| CN107037278A (zh) | 一种iec61850标准下的智能变电站故障诊断方法 | |
| Hussain et al. | Fault Detection and Identification Using Deep Learning Algorithms in InductionMotors. | |
| CN106019173A (zh) | 一种应用于电压源换流器的实时故障检测方法 | |
| CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
| Azeem et al. | Real-time harmonics analysis of digital substation equipment based on IEC-61850 using hybrid intelligent approach | |
| CN113159226A (zh) | 一种深度特征和统计特征融合的逆变器故障诊断方法 | |
| CN109030976B (zh) | 一种电力电子设备监测诊断***和方法 | |
| CN115311509A (zh) | 基于图像化数据驱动的电力***暂态稳定评估方法及*** |
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 |