CN112348170A - 一种道岔转辙机故障诊断方法及*** - Google Patents
一种道岔转辙机故障诊断方法及*** Download PDFInfo
- Publication number
- CN112348170A CN112348170A CN202011248062.6A CN202011248062A CN112348170A CN 112348170 A CN112348170 A CN 112348170A CN 202011248062 A CN202011248062 A CN 202011248062A CN 112348170 A CN112348170 A CN 112348170A
- Authority
- CN
- China
- Prior art keywords
- current curve
- curve data
- sample set
- fault
- network model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003745 diagnosis Methods 0.000 title claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 71
- 238000005070 sampling Methods 0.000 claims abstract description 55
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 71
- 239000010410 layer Substances 0.000 claims description 51
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000007257 malfunction Effects 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 238000013524 data verification Methods 0.000 claims description 8
- 239000011229 interlayer Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 abstract description 4
- 238000010606 normalization Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供一种道岔转辙机故障诊断方法及***，包括：获取道岔转辙机的电流曲线；基于预设长度对所述电流曲线进行采样，获取电流曲线数据；将所述电流曲线数据输入至故障分析网络模型，以根据所述故障分析网络模型的输出结果，获取所述电流曲线对应的故障诊断结果；其中，所述故障分析网络模型为具有残差结构的深度卷积神经网络。本发明实施例提供的道岔转辙机故障诊断方法及***，通过构建残差结构的深度卷积神经网络，获取的概率最高的故障类别对应的故障原因，能够更好的抽取电流曲线的不同相位之间的交互信息，并且得益于残差结构与层级归一化，网络结构可以做到尽量的深，从而更好的学习正常与故障样本之间的区别信息，提高预测精度。
Description
技术领域
本发明涉及轨道交通技术领域，尤其涉及一种道岔转辙机故障诊断方法及***。
背景技术
道岔转辙机是道岔的转换装置，可用来转换道岔或锁闭道岔。转辙机的故障可能会导致在轨列车的出轨，从而导致巨大的经济损失与人员伤亡。道岔转辙机的电流时序，可以被用来判断道岔转辙机所处的工作状态，例如是否处于正常工作状态，如果处于异常工作状态，则用于判断具体处于哪一种异常的工作状态。
依据道岔电流时序判断道岔工作状态的核心，是基于历史的道岔电流曲线数据，来对判断当前的道岔电流曲线是够为正常还是异常电流曲线。目前的道岔转辙机电流时序故障诊断模型主要分为两种类型：
第一种是基于匹配的故障诊断方法。该方法通过对比当前待评估样本与历史数据库中的故障样本的相似性来进行故障诊断。该方法首先搜集大量的故障样本实例，随后对于待评估的样本，计算该样本与故障样本数据库中每一个样本的指定距离度量，一般为动态时间归整度量(DynamicTimeWarping，DTW)，以找到最相似的故障曲线，判别其可能的故障类型。该方法不能对故障的样本特征进行抽象，当面对故障数据库中没有的样本时，不能进行正确的故障诊断。
第二种是基于统计机器学习与深度学习的故障诊断方法。该类方法通过抽取故障样本的深层特征，训练分类器，随后对待评估样本进行分类。该类方法需要实现抽取故障样本与正常样本的相关特征，进行学习。但是该方法单纯依靠深度神经网络不能有效的获取时序数据的局部特性，导致预测精度差。
有鉴于此，亟需改进现有的道岔转辙机故障诊断方法，以提高故障预测的精度和鲁棒性。
发明内容
本发明实施例提供一种道岔转辙机故障诊断方法及***，用以解决现有技术中在进行道岔转辙机故障诊断时，不能有效的获取时序数据的局部特性，导致预测精度差的缺陷。
第一方面，本发明实施例提供一种道岔转辙机故障诊断方法，主要包括：
获取道岔转辙机的电流曲线；基于预设长度对所述电流曲线进行采样，获取电流曲线数据；将所述电流曲线数据输入至故障分析网络模型，以根据所述故障分析网络模型的输出结果，获取所述电流曲线对应的故障诊断结果；其中，所述故障分析网络模型为具有残差结构的深度卷积神经网络。
可选地，所述基于预设长度对所述电流曲线进行采样，获取电流曲线数据，主要包括：在所述电流曲线的长度大于所述预设长度的情况下，对所述电流曲线进行下采样，获取所述电流曲线数据；在所述电流曲线的长度小于所述预设长度的情况下，对所述电流曲线进行上采样插值，获取所述电流曲线数据。
可选地，在将所述电流曲线数据输入至故障分析网络模型之前，还可以包括：
获取正常的电流曲线样本和异常的电流曲线样本，构建电流曲线样本集；对所述电流曲线样本集中的每个样本进行采样，获取电流曲线数据样本集；对所述电流曲线数据样本集进行分层采样，获取电流曲线数据训练样本集；基于滑动窗口法对所述电流曲线数据训练样本集进行增强处理，获取增强电流曲线数据训练样本集；将所述增强电流曲线数据训练样本集与所述电流曲线数据训练样本集共同组成模型训练样本集；利用所述模型训练样本集以及与所述模型训练样本集中的各样本对应的诊断标签，对所述故障分析网络模型进行预训练。
可选地，所述基于滑动窗口法对所述电流曲线数据训练样本集进行增强处理，获取增强电流曲线数据训练样本集，主要包括：
确定滑动窗口的大小和滑动步长；基于所述滑动窗口的大小和所述滑动步长，对所述电流曲线数据训练样本集中的任一电流曲线数据进行取样，获取多个增强样本以构建局部样本集；所述局部样本集中的每个所述增强样本的长度为所述滑动窗口的大小；对每个所述增强样本进行向后补0至所述增强样本的长度为所述预设长度后，获取所述增强电流曲线数据训练样本集。
可选地，所述在对所述故障分析网络模型进行预训练之后，还包括：利用电流曲线数据验证集对预训练后的所述故障分析网络模型进行验证；所述电流曲线数据验证集是对所述电流曲线数据样本集进行分层采样后获取的。
可选地，所述故障分析网络模型的结构具体包括：依次连接的总输入层、第一一维残差块、最大值池化层、一维Spatial Dropout层、第二一维残差块、全局平均池化层、Softmax函数层和总输出层；所述第一一维残差块和所述第二一维残差块的结构相同。
可选地，所述第一一维残差块和所述第二一维残差块的结构具体包括：依次连接的层间输入层、第一一维Layer Normailzation层、第二一维Layer Normailzation层、第三一维Layer Normailzation层、Add Layer Normailzation层和层间输出层。
第二方面，本发明实施例还提供一种道岔转辙机故障诊断***，主要包括数据获取单元、数据预处理单元和数据分析单元，其中：
数据获取单元，用于获取道岔转辙机的电流曲线；
数据预处理单元，用于基于预设长度对所述电流曲线进行采样，获取电流曲线数据；
数据分析单元，用于将所述电流曲线数据输入至故障分析网络模型，以根据所述故障分析网络模型的输出结果，获取所述电流曲线对应的故障诊断结果；
其中，所述故障分析网络模型为具有残差结构的深度卷积神经网络。
第三方面，本发明实施例还提供一种电子设备，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如上述任一种所述道岔转辙机故障诊断方法的步骤。
第四方面，本发明实施例还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时实现如上述任一种所述道岔转辙机故障诊断方法的步骤。
本发明实施例提供的道岔转辙机故障诊断方法及***，通过构建残差结构的深度卷积神经网络，获取的概率最高的故障类别对应的故障原因，能够更好的抽取电流曲线的不同相位之间的交互信息，并且得益于残差结构与层级归一化，网络结构可以做到尽量的深，从而更好的学习正常与故障样本之间的区别信息，提高预测精度。
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是本发明实施例提供的一种道岔转辙机故障诊断方法的流程示意图；
图2是本发明实施例提供的一种道岔转辙机三相电流曲线时序示意图；
图3是本发明实施例提供的一种对电流曲线数据训练样本集进行增强处理的流程示意图；
图4是本发明实施例提供的一种进行道岔转辙机故障诊断过程中的数据处理流程示意图；
图5是发明实施例提供的一种故障分析网络模型的结构示意图；
图6为本发明实施例提供的一种道岔转辙机故障诊断***的结构示意图；
图7是本发明实施例提供的一种电子设备的结构示意图。
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作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是本发明实施例提供的一种道岔转辙机故障诊断方法的流程示意图，如图1所示，该方法包括但不限于以下步骤：
步骤11，获取道岔转辙机的电流曲线；
步骤12，基于预设长度对所述电流曲线进行采样，获取电流曲线数据；
步骤13，将所述电流曲线数据输入至故障分析网络模型，以根据所述故障分析网络模型的输出结果，获取所述电流曲线对应的故障诊断结果；
其中，所述故障分析网络模型为具有残差结构的深度卷积神经网络。
在本发明实施例中，通过在每个道岔转辙机的控制电路中，增设一个电流读取装置，以实时记录各道岔转辙机在运行时的电流时序电流，并绘制出对应的时序电流曲线。在需要对目标道岔转辙机的运行状态或目标道岔转辙机的故障进行诊断时，则仅需要调取目标道岔转辙机在目标时间段内的时序电流曲线，并将所述时序电流曲线进行预处理，包括利用预设长度采用采样。然后，将预处理后所获取的电流曲线数据输入至预先训练好的故障分析网络模型，以对故障进行诊断。
其中，由于本申请的技术方案是利用有残差结构的深度卷积神经网络作为故障分析网络模型，以对输入的电流曲线数据进行分析，获取到与输入的电流曲线数据相对应的故障诊断结果，故要求输入的电流曲线数据的长度相同，从而保证故障分析网络模型能够准确获取样本分布的规律。
其中，具有残差结构的深度卷积神经网络是指，在常用的深度卷积神经网络模型中，设置残差结构，以实现将实际值与模型估计值(拟合值)之间的差作为残差项，用于克服对于较深的神经网络难以训练，且存在梯度消失和梯度***等缺陷。使用残差块能够训练更深的神经网络。所以构建的故障分析网络模型就是通过将至少一个残差块堆积在一起，形成一个更深的神经网络模型，在不需要人工进行特征提取，便可以抽取数据的深层次特征的基础上，能够更深层次的获取到时序数据的局部特性，以利于提高道岔转辙机故障诊断精度。
本发明实施例提供的道岔转辙机故障诊断方法，通过构建残差结构的深度卷积神经网络，获取的概率最高的故障类别对应的故障原因，能够更好的抽取电流曲线的不同相位之间的交互信息，并且得益于残差结构与层级归一化，网络结构可以做到尽量的深，从而更好的学习正常与故障样本之间的区别信息，提高预测精度。
基于上述实施例的内容，作为一种可选实施例，所述基于预设长度对所述电流曲线进行采样，获取电流曲线数据，包括：
在所述电流曲线的长度大于所述预设长度的情况下，对所述电流曲线进行下采样，获取所述电流曲线数据；
在所述电流曲线的长度小于所述预设长度的情况下，对所述电流曲线进行上采样插值，获取所述电流曲线数据。
图2是本发明实施例提供的一种进行道岔转辙机故障诊断过程中的数据处理流程示意图，如图2所示，横轴的单位是时间步(time step)，纵轴的单位是电流单位安(A)。图2中示出了道岔转辙机的三相电流的时序曲线(分别为phaseA、phaseB和phaseC)。
具体地，由于采集的道岔转辙机的电流曲线是一个时序曲线图，在本发明实施例中，是通过故障分析网络模型对时序曲线图进行分析，以获取所述电流曲线对应的故障诊断结果。故在将时序曲线图输入至故障分析网络模型，需要对其进行预处理，以保证输入至故障分析网络模型的数据格式相同。
具体地，在本发明实施例中，首先对收集获取的时序曲线图进行采样，包括：给定预设长度的参数L，对时序曲线图中的每条时序曲线进行采样至指定长度L。对于长度大于L的样本，进行下采样；对于长度小于L的样本，进行上采样插值。
其中，所述下采样是指：对于所述时序曲线，间隔长度L取样一次，这样得到电流曲线数据就是原时序曲线图的下采样。
其中，所述上采样插值是指：采集电流曲线数据，上采样是将时间上、幅值上都连续的信号，在采样脉冲(长度为L)的作用下，转换成时间、幅值上离散的信号,
其实，上采样和下采样都是对时序曲线图进行重采，通过将电流曲线的长度与所述预设长度L进行比较，大于长度L的称为上采样，小于的则称为下采样，而上采样的实质也就是内插或插值。
故本发明实施例通过对目标道岔转辙机的时序曲线图进行采样，能获取到常数一致的电流曲线数据，以统一输入至故障分析网络模型的数据格式，便于利用故障分析网络模型对其进行分析，且能够有效提高***的识别能力。
基于上述实施例的内容，作为一种可选实施例，在将所述电流曲线数据输入至故障分析网络模型之前，还包括：
获取正常的电流曲线样本和异常的电流曲线样本，构建电流曲线样本集；
对所述电流曲线样本集中的每个样本进行采样，获取电流曲线数据样本集；
对所述电流曲线数据样本集进行分层采样，获取电流曲线数据训练样本集；
基于滑动窗口法对所述电流曲线数据训练样本集进行增强处理，获取增强电流曲线数据训练样本集；
将所述增强电流曲线数据训练样本集与所述电流曲线数据训练样本集共同组成模型训练样本集；
利用所述模型训练样本集以及与所述模型训练样本集中的各样本对应的诊断标签，对所述故障分析网络模型进行预训练。
具体地，在本发明实施例利用故障分析网络模型对目标道岔转辙机的电流曲线数据进行分析之前，需要对故障分析网络模型进行预训练，具体包括但不限于以下步骤：
首先，获取目标道岔转辙机以及同类型的其他道岔转辙机的历史电流曲线样本，构建电流曲线样本集。其中，所述电流曲线样本集中包括正常的电流曲线样本和异常的电流曲线样本。
进一步地，基于上述实施例中的采用方法，利用预设长度对每个历史电流曲线样本进行采样，获取与每个历史电流曲线样本所对应的电流曲线数据样本，以构建电流曲线数据样本集。其中，每个电流曲线数据样本均设置有与之对应的故障诊断标签。例如：若所述电流曲线数据样本是正常的电流曲线样本，则所述故障诊断标签为正常；若所述电流曲线数据样本是异常的电流曲线样本，则所述故障诊断标签标注有具体的故障类型。
进一步地，对上一步骤中所构建的电流曲线数据样本集进行分层采样，以从中挑选出获取训练集和验证集。需要说明的是，在分层采样过程中，需要保持训练集与测试集中的故障样本标签比例的一致性，从而可以保证训练集与测试集中故障样本分布的一致性，进而能够保证训练后的故障分析网络模型能够准确获取样本分布的规律。
其中，所述分层采样是指分别对每个类别进行随机采样，分层采样往往是为保证在采样空间或类型选取上的均匀性及代表性所采用的方法。在每层内的采样方式可以是简单随机或***采样，如没有特殊需要，随机采样可取得较好的样本。
进一步地，基于滑动窗口法对上一步骤中所获取到的电流曲线数据训练样本集进行增强处理，以获取增强电流曲线数据训练样本集。
作为可选地，所述基于滑动窗口法对所述电流曲线数据训练样本集进行增强处理，获取增强电流曲线数据训练样本集，主要包括以下步骤：
确定滑动窗口的大小和滑动步长；
基于所述滑动窗口的大小和所述滑动步长，对所述电流曲线数据训练样本集中的任一电流曲线数据进行取样，获取多个增强样本以构建局部样本集；
所述局部样本集中的每个所述增强样本的长度为所述滑动窗口的大小；
对每个所述增强样本进行向后补0至所述增强样本的长度为所述预设长度后，获取所述增强电流曲线数据训练样本集。
滑窗算法(Moving Window)是通过限制各个时间窗口内所能接收的最大信元数对业务量进行控制。在滑窗算法中，时间窗口每隔一个信元时间向前滑动一次，滑动的长度是一个信元的时间。
本申请实施例所采用的数据增强策略，主要包括以下内容：
首先，预先设定滑动窗口大小w与步长大小k，对于电流曲线数据训练样本集中第i条曲线Ti∈RL×3而言，截取滑动窗口内的局部样本作为增强样本，并按照步长大小k向前移动滑动窗口，遍历所述第i条曲线Ti，便可以获取针对第i条曲线Ti∈RL×3的局部样本集
其中h＝[(L-w)/k]+1，j为中间变量。其中第i条样本的局部增强样本集的每条样本的长度等于滑动窗口的大小w，包含了该样本(第i条曲线)的局部特性信息。
图3是本发明实施例提供的一种对电流曲线数据训练样本集中的任一电流曲线数据进行增强处理的流程示意图，如图3所示，采用的参数为w＝60，步长大小k＝30，每个所述增强样本所获取的局部样本数为4。相应地，每个所述增强样本的故障诊断标签与所述电流曲线数据的故障诊断标签相同。
进一步地，对于第i条样本的每一个增强样本进行后向补0，补至L长度。这样的补0策略方便后续神经网络在特征提取时对局部特征进行学习。
本发明实施例提供的道岔转辙机故障诊断方法，首先对历史时序数据进行了预处理，将每一条时序数据采样到了相同的长度；随后利用滑窗法构建了每条时序的局部样本，在数据层面捕获了样本的局部特性，从而利用时序数据增强策略，通过强化训练数据集的方式，强化了所构建的故障分析网络模型对数据局部特性的捕捉，使得模型可以更好的利用局部特性对故障进行诊断，比较未进行数据增强，单独使用深度神经网络进行故障诊断而言，F1值有显著的提升。
进一步地，在本发明实施例中，在获取到增强电流曲线数据训练样本集后，将增强电流曲线数据训练样本集与所述电流曲线数据训练样本集共同组成模型训练样本集，并利用所述模型训练样本集对所述故障分析网络模型进行预训练。
本发明实施例通过将增强电流曲线数据训练样本集与未进行增强处理的电流曲线数据训练样本集共同组成模型训练样本集，以实现对故障分析网络模型的预训练，在充分兼顾了样本的局部特性的同时，不丧失原因数据集的特征，有效的提高了模型训练的效率，提高了模型的鲁棒性和预测精度。
基于上述实施例的内容，作为一种可选实施例，所述，所述在对所述故障分析网络模型进行预训练之后，还包括：利用电流曲线数据验证集对预训练后的所述故障分析网络模型进行验证；所述电流曲线数据验证集是对所述电流曲线数据样本集进行分层采样后获取的。
图4是本发明实施例提供的一种进行道岔转辙机故障诊断过程中的数据处理流程示意图，如图4所示，在本发明实施例中，首先分别从道岔电流正常工况数据库和道岔电流异常工况数据库中调取多个正常的电流曲线数据和多个故障的电流曲线数据(即异常电流曲线数据)。然后，对所有的电流曲线数据进行预处理，包括以预设长度L通过插值下采样或上采样对其进行采样，并补齐至预设长度L，以构建电流曲线数据样本集。
进一步地，基于层间采样对所述电流曲线数据样本集进行层间采样，分别获取电流曲线数据训练样本集和电流曲线数据验证集。在层采样过程中，需要保持训练集与测试集中的故障样本比例的一致性，该方法保证了二者分布的一致性，从而保证了模型能够准确获取样本分布的规律。其中，电流曲线数据训练样本集与电流曲线数据验证集的比例可以设置为4比1。
进一步地，对电流曲线数据训练样本集中的所有样本进行时序数据增强，包括：
在给定滑动窗口大小和滑动步长的情况下，分别对每个样本进行滑动窗口采样处理，以构建局部样本集。
进一步地，利用时序增强处理后的局部样本集和未经过时序增强处理的电流曲线数据训练样本集，同时对预先构建的故障分析网络模型进行预训练。利用未进行时序增强处理后的电流曲线数据验证集对每次训练后的故障分析网络模型进行迭代验证，并根据验证结果对模型参数进行迭代选择和设置。
本发明实施例提供的道岔转辙机故障诊断方法，在分层采样过程中保持训练集与测试集中的故障样本标签比例的一致性，保证了二者分布的一致性，从而保证了故障分析网络模型能够准确获取样本分布的规律，进而可以提高模型的预测精度。
基于上述实施例的内容，作为一种可选实施例，故障分析网络模型的结构具体包括：依次连接的总输入层(Inputs)、第一一维残差块(Conv1D Residual Block)、最大值池化层(MaxPooling 1D)、一维Spatial Dropout层、第二一维残差块(Conv1D ResidualBlock)、全局平均池化层(Global Averaging Pooling 1D)、Softmax函数层和总输出层(Outputs)；所述第一一维残差块和所述第二一维残差块的结构相同。
进一步地，所述第一一维残差块和所述第二一维残差块的结构具体包括：依次连接的层间输入层、第一一维Layer Normailzation层、第二一维Layer Normailzation层、第三一维Layer Normailzation层、Add Layer Normailzation层和层间输出层。
图5是本发明实施例提供的一种故障分析网络模型的结构示意图，如图5所示，所述故障分析网络模型的网络结构主要为Conv-1D残差的模块级联构成，其整体框架如图5右侧所示，其中，残差块(Conv1D Residual Block)结构为图5左侧模块所示。
设预设长度为L，并利用L对所有的电流曲线样本进行插值或者截断采样。对于预先创建的故障分析网络模型，采用批量梯度下降算法(Batch Gradient Descent，BGD)进行训练，则故障分析网络模型的输入可以表示为(BatchSize，L，3)。在该表示中，BatchSize代表这个批次送入的样本的数目，常见取值有64或者128等；L为曲线长度；值3代表曲线的维度，由于是3相电流曲线，所以为3维。
对于第一一维残差块(Con1D Residual Block)而言，输入为(BatchSize，L，3)，由于采用了残差的结构，并且使用same padding的策略，模块总的输出尺寸仍然为(BatchSize，L，3)。
进一步地，将(BatchSize，L，3)的样本输入至最大值池化层(MaxPooling1D)之后，若MaxPooling1D的strides设置为1，pool_size设置为2，则输出尺寸为(BatchSize，L//2，3)，其中L//2代表L除以pool_size取商。
进一步地，(BatchSize,，L//2，3)的样本经过一维Spatial Dropout模块之后，部分特征维度被置0。例如，对于某个样本而言，3相电流中的A相位的所有值被置为0，仅保留B与C相位的值。该一维Spatial Dropout模块的作用是为了减少不同相位电流信号的信息冗余。输出的纬度与输入的纬度相同，经过该模块后输出尺寸仍然为(BatchSize,L//2,3)。
进一步地，对于全局平均池化层(Global Averaging Pooling 1D)而言，该模块输入尺寸为(BatchSize，L//2，3)，输出尺寸为(BatchSize，1，3)，该模块对时间维度上的特征进行了平均，获得了样本的最终表示。
进一步地，对于Softmax模块而言，该模块输入尺寸为(BatchSize，1，3)，输出尺寸为(BatchSize，1，K)，其中K是指当前故障诊断任务的故障类别个数。该模块将Batch中的每一个样本映射到了某个类别标签之上，以实现分类的目的。
本发明实施例提供的道岔转辙机故障诊断方法，设计了一种针对故障诊断任务的具有残差结构的深度卷积神经网络，对道岔转辙机的故障进行诊断，不需要人工进行特征提取，便可以抽取数据的深层次特征，对于时序任务而言适应性好，且能够深层次的抽取时序的内在特征，有效的提高了故障诊断的精度。
图6为本发明实施例提供的一种道岔转辙机故障诊断***的结构示意图，如图6所示，主要包括数据获取单元1、数据预处理单元2和数据分析单元3，其中：
数据获取单元主要用于获取道岔转辙机的电流曲线；
数据预处理单元主要用于基于预设长度对所述电流曲线进行采样，获取电流曲线数据；
数据分析单元主要用于将所述电流曲线数据输入至故障分析网络模型，以根据所述故障分析网络模型的输出结果，获取所述电流曲线对应的故障诊断结果；
其中，所述故障分析网络模型为具有残差结构的深度卷积神经网络。
具体地，在需要对目标道岔转辙机的运行状态或目标道岔转辙机的故障进行诊断时，则仅需要调取目标道岔转辙机在目标时间段内的时序电流曲线，并将所述时序电流曲线进行预处理，包括利用预设长度采用采样。然后，将预处理后所获取的电流曲线数据输入至预先训练好的故障分析网络模型，以对故障进行诊断。
其中，由于本申请的技术方案是利用有残差结构的深度卷积神经网络作为故障分析网络模型，以对输入的电流曲线数据进行分析，获取到与输入的所述电流曲线数据相对应的故障诊断结果，故要求输入的电流曲线数据的长度相同，以提高模型的预测精度。
本发明实施例提供的道岔转辙机故障诊断***，通过构建残差结构的深度卷积神经网络，获取的概率最高的故障类别对应的故障原因，能够更好的抽取电流曲线的不同相位之间的交互信息，并且得益于残差结构与层级归一化，网络结构可以做到尽量的深，从而更好的学习正常与故障样本之间的区别信息，提高预测精度。
需要说明的是，本发明实施例提供的道岔转辙机故障诊断***，在具体执行时，可以基于上述任一实施例所述的道岔转辙机故障诊断方法来实现，对此本实施例不作赘述。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(communication interface)720、存储器(memory)730和通信总线(bus)440，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行道岔转辙机故障诊断方法，主要包括：获取道岔转辙机的电流曲线；基于预设长度对所述电流曲线进行采样，获取电流曲线数据；将所述电流曲线数据输入至故障分析网络模型，以根据所述故障分析网络模型的输出结果，获取所述电流曲线对应的故障诊断结果；其中，所述故障分析网络模型为具有残差结构的深度卷积神经网络。
此外，上述的存储器730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。
此外，上述的存储器730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。
另一方面，本发明实施例还提供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道岔转辙机故障诊断方法，主要包括：获取道岔转辙机的电流曲线；基于预设长度对所述电流曲线进行采样，获取电流曲线数据；将所述电流曲线数据输入至故障分析网络模型，以根据所述故障分析网络模型的输出结果，获取所述电流曲线对应的故障诊断结果；其中，所述故障分析网络模型为具有残差结构的深度卷积神经网络。
又一方面，本发明实施例还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时实现以执行上述各实施例提供的以执行道岔转辙机故障诊断方法，主要包括：获取道岔转辙机的电流曲线；基于预设长度对所述电流曲线进行采样，获取电流曲线数据；将所述电流曲线数据输入至故障分析网络模型，以根据所述故障分析网络模型的输出结果，获取所述电流曲线对应的故障诊断结果；其中，所述故障分析网络模型为具有残差结构的深度卷积神经网络。
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。
最后应说明的是：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)
1.一种道岔转辙机故障诊断方法，其特征在于，包括：
获取道岔转辙机的电流曲线；
基于预设长度对所述电流曲线进行采样，获取电流曲线数据；
将所述电流曲线数据输入至故障分析网络模型，以根据所述故障分析网络模型的输出结果，获取所述电流曲线对应的故障诊断结果；
其中，所述故障分析网络模型为具有残差结构的深度卷积神经网络。
2.根据权利要求1所述的道岔转辙机故障诊断方法，其特征在于，所述基于预设长度对所述电流曲线进行采样，获取电流曲线数据，包括：
在所述电流曲线的长度大于所述预设长度的情况下，对所述电流曲线进行下采样，获取所述电流曲线数据；
在所述电流曲线的长度小于所述预设长度的情况下，对所述电流曲线进行上采样插值，获取所述电流曲线数据。
3.根据权利要求2所述的道岔转辙机故障诊断方法，其特征在于，在将所述电流曲线数据输入至故障分析网络模型之前，还包括：
获取正常的电流曲线样本和异常的电流曲线样本，构建电流曲线样本集；
对所述电流曲线样本集中的每个样本进行采样，获取电流曲线数据样本集；
对所述电流曲线数据样本集进行分层采样，获取电流曲线数据训练样本集；
基于滑动窗口法对所述电流曲线数据训练样本集进行增强处理，获取增强电流曲线数据训练样本集；
将所述增强电流曲线数据训练样本集与所述电流曲线数据训练样本集共同组成模型训练样本集；
利用所述模型训练样本集以及与所述模型训练样本集中的各样本对应的诊断标签，对所述故障分析网络模型进行预训练。
4.根据权利要求3所述的道岔转辙机故障诊断方法，其特征在于，所述基于滑动窗口法对所述电流曲线数据训练样本集进行增强处理，获取增强电流曲线数据训练样本集，包括：
确定滑动窗口的大小和滑动步长；
基于所述滑动窗口的大小和所述滑动步长，对所述电流曲线数据训练样本集中的任一电流曲线数据进行取样，获取多个增强样本以构建局部样本集；
所述局部样本集中的每个所述增强样本的长度为所述滑动窗口的大小；
对每个所述增强样本进行向后补0至所述增强样本的长度为所述预设长度后，获取所述增强电流曲线数据训练样本集。
5.根据权利要求3所述的道岔转辙机故障诊断方法，其特征在于，在对所述故障分析网络模型进行预训练之后，还包括：
利用电流曲线数据验证集对预训练后的所述故障分析网络模型进行验证；
所述电流曲线数据验证集是对所述电流曲线数据样本集进行分层采样后获取的。
6.根据权利要求1所述的道岔转辙机故障诊断方法，其特征在于，所述故障分析网络模型的结构具体包括：
依次连接的总输入层、第一一维残差块、最大值池化层、一维Spatial Dropout层、第二一维残差块、全局平均池化层、Softmax函数层和总输出层；
所述第一一维残差块和所述第二一维残差块的结构相同。
7.根据权利要求6所述的道岔转辙机故障诊断方法，其特征在于，所述第一一维残差块和所述第二一维残差块的结构具体包括：
依次连接的层间输入层、第一一维Layer Normailzation层、第二一维LayerNormailzation层、第三一维Layer Normailzation层、Add Layer Normailzation层和层间输出层。
8.一种道岔转辙机故障诊断***，其特征在于，包括：
数据获取单元，用于获取道岔转辙机的电流曲线；
数据预处理单元，用于基于预设长度对所述电流曲线进行采样，获取电流曲线数据；
数据分析单元，用于将所述电流曲线数据输入至故障分析网络模型，以根据所述故障分析网络模型的输出结果，获取所述电流曲线对应的故障诊断结果；
其中，所述故障分析网络模型为具有残差结构的深度卷积神经网络。
9.一种电子设备，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7任一项所述道岔转辙机故障诊断方法的步骤。
10.一种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7任一项所述道岔转辙机故障诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011248062.6A CN112348170A (zh) | 2020-11-10 | 2020-11-10 | 一种道岔转辙机故障诊断方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011248062.6A CN112348170A (zh) | 2020-11-10 | 2020-11-10 | 一种道岔转辙机故障诊断方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112348170A true CN112348170A (zh) | 2021-02-09 |
Family
ID=74363198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011248062.6A Pending CN112348170A (zh) | 2020-11-10 | 2020-11-10 | 一种道岔转辙机故障诊断方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112348170A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113627496A (zh) * | 2021-07-27 | 2021-11-09 | 交控科技股份有限公司 | 道岔转辙机故障预测方法、装置、电子设备和可读存储介质 |
| CN113641486A (zh) * | 2021-07-05 | 2021-11-12 | 西安理工大学 | 一种基于边缘计算网络架构的道岔智能故障诊断方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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*** |
| CN106709567A (zh) * | 2016-12-14 | 2017-05-24 | 河北省科学院应用数学研究所 | 基于深度学习模型的道岔故障诊断方法 |
| CN107451760A (zh) * | 2017-09-04 | 2017-12-08 | 西安交通大学 | 基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法 |
| CN109711480A (zh) * | 2018-12-30 | 2019-05-03 | 佳讯飞鸿（北京）智能科技研究院有限公司 | 一种道岔缺口监测设备异常数据检出方法、装置及*** |
| CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
| CN110728300A (zh) * | 2019-09-09 | 2020-01-24 | 交控科技股份有限公司 | 基于道岔动作电流曲线识别故障类型的方法及*** |
| CN111046583A (zh) * | 2019-12-27 | 2020-04-21 | 中国铁道科学研究院集团有限公司通信信号研究所 | 基于DTW算法和ResNet网络的转辙机故障诊断方法 |
| CN111881950A (zh) * | 2020-07-10 | 2020-11-03 | 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 |
-
2020
- 2020-11-10 CN CN202011248062.6A patent/CN112348170A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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*** |
| CN106709567A (zh) * | 2016-12-14 | 2017-05-24 | 河北省科学院应用数学研究所 | 基于深度学习模型的道岔故障诊断方法 |
| CN107451760A (zh) * | 2017-09-04 | 2017-12-08 | 西安交通大学 | 基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法 |
| CN109711480A (zh) * | 2018-12-30 | 2019-05-03 | 佳讯飞鸿（北京）智能科技研究院有限公司 | 一种道岔缺口监测设备异常数据检出方法、装置及*** |
| CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
| CN110728300A (zh) * | 2019-09-09 | 2020-01-24 | 交控科技股份有限公司 | 基于道岔动作电流曲线识别故障类型的方法及*** |
| CN111046583A (zh) * | 2019-12-27 | 2020-04-21 | 中国铁道科学研究院集团有限公司通信信号研究所 | 基于DTW算法和ResNet网络的转辙机故障诊断方法 |
| CN111881950A (zh) * | 2020-07-10 | 2020-11-03 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 谷年龙: "基于残差网络的机械滚动轴承故障诊断方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 7, 15 July 2019 (2019-07-15), pages 2 - 1 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113641486A (zh) * | 2021-07-05 | 2021-11-12 | 西安理工大学 | 一种基于边缘计算网络架构的道岔智能故障诊断方法 |
| CN113641486B (zh) * | 2021-07-05 | 2024-03-01 | 西安理工大学 | 一种基于边缘计算网络架构的道岔智能故障诊断方法 |
| CN113627496A (zh) * | 2021-07-27 | 2021-11-09 | 交控科技股份有限公司 | 道岔转辙机故障预测方法、装置、电子设备和可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112034310A (zh) | 一种组合电器局部放电缺陷诊断方法及*** | |
| CN111650453B (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及*** | |
| CN112949715A (zh) | 一种基于svm的轨道交通故障诊断方法 | |
| CN112348170A (zh) | 一种道岔转辙机故障诊断方法及*** | |
| CN113591866B (zh) | 基于db与crnn的特种作业证件检测方法及*** | |
| CN115222650A (zh) | 一种混合工业零件缺陷检测算法 | |
| CN116541790B (zh) | 基于多特征融合的新能源车辆健康评估方法和装置 | |
| CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
| CN112529109A (zh) | 一种基于无监督多模型的异常检测方法及*** | |
| CN107392201A (zh) | 接触网支柱的支柱号识别方法、存储介质、处理设备 | |
| CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
| CN112215409B (zh) | 一种轨道交通站点客流预测方法及*** | |
| CN110726898A (zh) | 一种配电网故障类型识别方法 | |
| CN113283550A (zh) | 一种车网电气耦合数据的异常辨识模型训练方法 | |
| CN114639102A (zh) | 基于关键点与尺寸回归的细胞分割方法和装置 | |
| CN113822336A (zh) | 一种云硬盘故障预测方法、装置、***及可读存储介质 | |
| CN112348011B (zh) | 一种车辆定损方法、装置及存储介质 | |
| CN114005019A (zh) | 一种翻拍图像识别方法及其相关设备 | |
| CN108613820A (zh) | 一种用于gis本体机械缺陷诊断和定位的在线异声监测算法 | |
| CN116863122A (zh) | 一种电表抄表处理方法、装置、云端、***及介质 | |
| CN116580232A (zh) | 一种图像自动标注方法、***及电子设备 | |
| CN115601293A (zh) | 对象检测方法、装置、电子设备及可读存储介质 | |
| CN114463300A (zh) | 钢材表面缺陷检测方法、电子设备、存储介质 | |
| CN115115585A (zh) | 一种电缆故障诊断方法、***及可读存储介质 | |
| US20210089886A1 (en) | Method for processing data based on neural networks trained by different methods and device applying method |
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 |