CN115659583A - 一种转辙机故障诊断方法 - Google Patents

Abstract

本发明公开了一种转辙机故障诊断方法，包括以下步骤：S1，采集转辙机拉力数据，构建转辙机拉力数据集；S2，将数据集进行归一化处理，并使用独热编码添加标签；S3，将数据集按照一定比例划分为训练集、验证集和测试集；S4，搭建1DCNN‑LSTM模型并将各个参数初始化；S5，通过训练集对1DCNN‑LSTM模型进行训练，并结合验证集调节相应参数；S6，使用测试集验证训练好的模型。本发明通过将对空间特征提取的一维卷积神经网络和对时间特征提取的长短期记忆网络两种不同网络结构进行组合，弥补了单独构建模型时的缺陷，整合了传统的信号降噪、特征提取和故障分类等流程，实现点到点、端到端的智能诊断，能够快速、准确地进行故障诊断，使得整个过程简单化。

Description

一种转辙机故障诊断方法

技术领域

本发明属于转辙机故障诊断技术领域，尤其涉及一种转辙机故障诊断方法。

背景技术

随着中国城市轨道交通行业的快速发展，全国地铁运营总里程超过8708公里，日均乘客人流量与日俱增，相关运营设备使用频次逐渐增加，发生故障隐患的概率也逐步提高，其中转辙机作为道岔设备的核心控制部件，对列车的安全运行有着直接的影响。当前对转辙机的健康管理主要通过以传统人工为主的周期性巡检和信号状态监测的方式，这对从业人员作业能力要求较高，通常在故障发生后需要迅速赶到现场开展维修，过剩的工作量具有一定滞后性和低效性，还会造成由于人工经验引起的故障诊断偏差。从设备采集的故障诊断信息来说，目前对于转辙机故障诊断的研究对象大多基于电流和功率曲线，间接分析转辙机动作过程，不能真实地表现转辙机实际动作时的转换力。

当前对转辙机的健康管理主要通过以传统人工为主的周期性巡检、故障发生后维修和采集工作信号以监测分析设备工作状态的方式，其中定期巡检周期按照频次分为日检、月检、季检和年检，通过检修人员携带万用表、转辙机测试仪等设备，综合评估设备设施故障的可能性、设备设施安全程度、设备设施故障影响范围及检修容错率等要素，遵循严谨、有序的工作流程，对其工作状态安全把控，从而降低因维修和管理不当导致安全事故发生的频率，该检修方式对从业人员作业能力要求较高，通常在故障发生后维修人员需要迅速赶到现场开展作业，具有一定滞后性，定期预防与事后维修二者相辅相成，一定程度上保证设备正常运转，但会产生设备检修过剩或维修时候不当所造成的人力、物力损失。为提高作业人员检修效率，减少周期性过剩工作量，通过增设转辙机监控设备，使用传感器捕获转辙机动作时的电压、电流、牵引力等主要信号，值班人员通过微机监测***观察实际工作曲线与标准曲线对比分析，从而判断相应设备大致工作状态，人工实现对转辙机的状态检测和故障预警，但对人工分析能力要求较高，同时相关曲线具有相似不易区分、微小变化难以发现的局限性。因此，当前养护结合的检修模式不能满足日益增长的设备保障需求，需要在提高工作效率、降低误判率、降低人工成本的同时，利用智能化技术找到平衡安全运营与高效检修的突破口。

发明内容

针对现有技术不足，本发明的目的在于提供一种转辙机故障诊断方法，以一维卷积神经网络和长短期记忆网络结合的组合算法搭建故障诊断1DCNN-LSTM模型，实现“端到端”的诊断方式，有效提取和诊断原始信号，满足现场维修工作的要求，以解决背景技术中提出的问题。

本发明提供如下技术方案：

一种转辙机故障诊断方法，包括以下步骤：

S1，采集转辙机拉力数据，构建转辙机拉力数据集；

S2，将数据集进行归一化处理，并使用独热编码添加标签；

S3，将数据集按照一定比例划分为训练集、验证集和测试集；

S4，搭建1DCNN-LSTM模型并将各个参数初始化；

S5，通过训练集对1DCNN-LSTM模型进行训练，并结合验证集调节相应参数；

S6，使用测试集验证训练好的模型，并计算模型的故障诊断准确率。

优选的，在步骤S1中，所述转辙机拉力数据集包括转辙机正常状态数据和六种拉力故障状态数据，六种所述拉力故障状态分别包括解锁困难、尖轨反弹、转换卡阻、转换困难、转换力不均匀、锁闭卡阻。

优选的，所述转辙机的拉力数据通过无线拉力传感器采集，所述无线传感器采样频率为50ms，且每种状态所采集的数据不少于300组。

优选的，采用补零的方法，将每组数据补齐到200个点数，满足端到端模型输入格式一致的要求。

优选的，所述训练集、验证集、测试集的划分比例为6：2：2。

优选的，在步骤S4中，所述1DCNN-LSTM模型由三个卷积层、三个池化层、两个全连接层、一个LSTM层组成。

优选的，所述卷积层中在第一层使用大尺寸卷积核，提高训练速度，抑制噪声干扰，所述卷积层中第二层和第三层使用小尺寸卷积核，提高特征提取能力，为避免维度过小，卷积核填充方式采用Same，能够自动对数据两端进行补零操作，保证输出大小不变；通过使用ReLU激活函数，减少计算量，防止梯度消失，提高分类准确性优选的，所述池化层核尺寸取值为2。

优选的，在步骤S2中，所述归一化处理采用最大最小标准化，将数据集中压缩至[0,1]之间用以保持数据分布的一致性。增加模型识别的准确率和快速性，公式如下：

式中，x为原数据。

与现有技术相比，本发明具有以下有益效果：

(1)本发明一种转辙机故障诊断方法，通过在1DCNN中加入LSTM层提取时序特征，学习特征之间的相关性，一维卷积神经网络(1DCNN)主要对空间特征进行提取，长短期记忆网络(LSTM)主要对时间特征进行提取，将以上两种不同网络结构进行组合，弥补了单独构建模型时的缺陷，二者联合优化完成目标信号的特征提取和分类，实现端到端的故障诊断，达到更高的准确率。

(2)本发明一种转辙机故障诊断方法，为保持数据分布的一致性对数据进行归一化操作，采用最大最小标准化，将数据集中压缩至[0,1]之间，将增加模型识别的准确率和快速性。

(3)本发明一种转辙机故障诊断方法，三个卷基层中在第一层使用大尺寸卷积核，提高训练速度，有效抑制噪声干扰，第二层和第三层使用小尺寸卷积核，提高特征提取能力，为避免维度过小，卷积核填充方式采用Same，能够自动对数据两端进行补零操作，保证了采集到的一维序列长度一致。

附图说明

为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明的方法流程图。

图2为本发明的1DCNN-LSTM故障诊断流程图。

图3为本发明的无线拉力传感器示意图。

图4为本发明的传感终端检测子程序流程图。

图5为本发明的转辙机拉力故障曲线。

图6为本发明的转辙机正常拉力动作曲线。

图7为本发明的1DCNN-LSTM模型整体框架结构。

图8为本发明的诊断结果混淆矩阵。

图9为本发明的1DCNN-LSTM网络模型准确率和损失函数曲线图。

图10为本发明的T-SNE可视化图。

图11为本发明的一维卷积神经网络结构图。

图12为本发明的遗忘门结构框图。

图13为本发明的输入门结构框图。

图14为本发明的输出门结构框图。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。

因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。

实施例1

请参阅图1-14所示，一种转辙机故障诊断方法，包括以下步骤：

S1，采集转辙机拉力数据，构建转辙机拉力数据集；

S2，将数据集进行归一化处理，并使用独热编码添加标签；

S3，将数据集按照一定比例划分为训练集、验证集和测试集；

S4，搭建1DCNN-LSTM模型并将各个参数初始化；

S5，通过训练集对1DCNN-LSTM模型进行训练，并结合验证集调节相应参数；

S6，使用测试集验证训练好的模型，并计算模型的故障诊断准确率。

基于1DCNN-LSTM的故障诊断包括两个步骤，首先通过划分的训练集对搭建的模型开展训练且调节相应参数，然后对测试集进行故障诊断，样本数据包括正常转辙机拉力数据以及6种故障转辙机拉力采集数据，对1DCNN-LSTM网络进行训练，诊断流程如图2所示，具体步骤为：

1)将数据集进行归一化处理，并使用独热编码添加标签；

2)将数据集划分为训练集、验证集和测试集；

3)设置1DCNN-LSTM模型的初始参数；

4)使用训练集训练模型，通过执行前向传播和反向传播来调整参数，直至验证集的准确率达到满意，可保存此时的模型参数；反之，继续进行参数调整；

5)使用测试集验证训练好的模型，评估模型的故障诊断能力。

在步骤S1中，所述转辙机拉力数据集包括转辙机正常状态数据和六种拉力故障状态数据，六种所述拉力故障状态分别包括解锁困难、尖轨反弹、转换卡阻、转换困难、转换力不均匀、锁闭卡阻。

转辙机故障主要分类包括电路故障与机械故障两类，而90％以上属于机械故障，发生故障一般为道岔操作不动、道岔转换不完全、道岔没有表示等，主要表现为解锁阶段卡阻、转换阶段牵引力和时间异常、锁闭阶段密贴不良等现象。当前已经有很多研究者以转辙机电流检测为手段进行故障状态分析，但对于三相交流转辙机存在局限性，电流变化并不能与动作过程形成对应关系。而通过无线拉力测试仪实时显示转辙机拉力曲线，可以直观的观察道岔动作状态。由于在现场对转辙机健康管理的过程中，记录的正常数据和故障数据数量差异较大，故障数据相对数量和种类都较少，因此本发明利用转辙机智能测试平台模拟仿真现场环境，通过改变主要参数，在ZDJ9型转辙机的动作过程中，进行典型故障的模拟，使用专用采集设备获取拉力数据，将现场保存的数据和模拟仿真的数据结合。本发明通过总结六种典型拉力故障情况，曲线如图5所示，其中(a)为解锁困难时的拉力动作曲线；(b)为尖轨反弹时的拉力动作曲线；(c)为转换卡阻时的拉力动作曲线；(d)为转换困难时的拉力动作曲线；(e)为转换力不均匀时的拉力动作曲线；(f)为锁闭卡阻时的拉力动作曲线；图6为转辙机正常拉力动作曲线。

针对六种典型故障现象进行研究，列出不同故障现象和原因，如表1所示。

表1转辙机典型拉力故障总结

在道岔转换过程中，转辙机需要保持一定的转换牵引力，从而维持尖轨直线往返运动，其所受力在异常状态时，存在数值过大或过小的情况，如果不及时调整会造成内部零件损耗加剧，影响道岔正常转换，危及到行车安全。因此需要智能的故障诊断技术，提高检修效率，降低人工误判率，从而提升转辙机运行可靠性，及时消除道岔安全隐患。

所述转辙机的拉力数据通过无线拉力传感器采集，所述无线传感器采样频率为50ms，且每种状态所采集的数据不少于300组。所述无线拉力传感器利用内置销式新型拉力传感器进行实时获取状态信息，如图3所示，研制道岔转辙机拉力采集装置，旨在获取转辙机在正常工作和故障状态时的转换力，通过前端显示屏，直观的观察其工作状态，帮助维保人员对转辙机进行健康管理，保障道岔的正常转换从而创造良好的列车运行环境。拉力传感器采用体积小巧、安装方便的轴销式测力传感器，实现对转辙机转换力的测量。轴销式传感器从实质来说，是一个内部空心的截面圆柱轴体,所承受的力是横向外力作用，在预留孔内凹槽中间的地方粘贴双剪切型的电阻应变片，通过设计将一对剪切型电阻应变片连接组合起来，形成惠斯通电桥进行测量，主要参数如表2所示。

表2拉力传感器主要参数表

图4为传感终端检测子程序流程图，无线拉力传感终端采用该流程图。当传感终端检测子程序执行完成后，转辙机拉力测试装置进行自检，随后加载配置信息，当开始测量时，检测电路工作，ADC采集检测到的电压值，并根据配置信息对采集到电压值进行换算。当通讯已经连接时，发送数据，并判断是否停止测量，如果满足停止条件，结束该子程序。若没有满足停止测量条件时，则继续读取配置信息，执行上述流程。

测力传感器在现有拉力测试仪器的基础上进行改造，将有线测量改为蓝牙传输的无线测量，手持终端与无线拉力传感终端任意两者之间通过蓝牙组网通讯，既可以独立工作，又可以组网工作，便于维修、年检时候测试，又可以在线持续检测设备运行状态，灵活性和操作性较强，使用时更加方便。工作人员在手持终端接收的蓝牙信息，实时观察对应的拉力曲线和数值，使得转辙机的状态判别作业中更具便捷性与人性化。

实验数据来自某城市轨道交通公司下属转辙机智能实验室，通过转辙机试验台实时获得测试数据。转辙机试验台由三相电源、负载装置、监控设备及液压传动结构等部分组成，核心作用是模拟现场负载条件，对转辙机的负载性能和电气特性进行测试，在额定条件下，通过液压缸给转辙机动作杆施加阻力，从而测试动作时间和牵引力，判断转辙机是否处于正常的工作状态，不仅如此，试验台还可以改变负载力，由液压负载给出道岔阻力，通过调节液压大小进而模拟试验出不同道岔阻力情况的影响，借此模拟不同故障现象来仿真实时的拉力变化情况，测试情况接近于实际现场工作负荷。

借助转辙机智能测试台，解决了故障数据相比于正常数据较少的矛盾。在转辙机拉力数据的采集的过程中，发挥重要作用的设备是自主研发的无线拉力传感器，运用非侵入式传感器，在不改变原有转辙机工作状态的情况下，持续采集拉力数据信息，提高转辙机工作的安全性。通过现场测量和仿真拟合，借助配套的传感器采集并存储转辙机不同状态时的拉力数据，精度达到0.2％，同时在应用中通过调节相应零件体参数，测量多次以全面获取转辙机拉力数据。最终获取6类故障状态数据，和正常状态数据分别添加标签0-6，每种类型均采集至300组数据，采集的数据总数为2100组。

在步骤S4中，所述1DCNN-LSTM模型是通过前向传播产生结果，再通过反向传播更新参数。一维卷积神经网络主要对空间特征进行提取，长短期记忆网络主要对时间特征进行提取，将以上两种不同网络结构进行组合，弥补了单独构建模型时的缺陷。此时如果直接将采集的一维时序数据送入复合诊断模型，则整合了传统的信号降噪、特征提取和故障分类等流程，实现点到点、端到端的智能诊断算法，能够快速、准确地进行故障诊断，使得整个过程简单化，1DCNN-LSTM模型整体框架结构如图7所示。

实验算法编程由Python3.7实现，使用科学计算集成Python发行版Anaconda作为实验环境建设，Anaconda中集合了大量科学计算Python库，包括支持大量的维度数组与矩阵运算的numpy库和分析结构化数据的工具集pandas库等等，运用Anaconda工具包中的Jupyter Notebook实现实验结果分析和数据分析可视化，算法框架为Keras深度学习，支持卷积网络和循环网络，对本发明提出的1DCNN-LSTM模型的进行搭建。

采用补零的方法，将每组数据补齐到200个点数，满足端到端模型输入格式一致的要求。构建实验数据：转辙机拉力数据是一维时间序列，ZDJ9转辙机平均动作过程的总时间约为8秒，无线传感器采样频率为50ms，因此可捕获点数约160个，由于不同故障之间的动作时间会有所差别，采集到的一维序列存在长度不一致的问题，在这里采用补零的方法，将每组数据补齐到200个点数，满足端到端模型输入格式一致的要求。然后将数据集划分为训练集、验证集和测试集，比例为6：2：2，其中训练集有1260组数据，验证集有420组数据，测试集有420组数据。为保持数据分布的一致性对数据进行归一化操作，采用最大最小标准化，将数据集中压缩至[0,1]之间，将增加模型识别的准确率和快速性，公式如下：

式中，x为原数据。

模型参数的选择对模型的准确性和泛化能力有重要的影响，超参数包括卷积核的大小、卷积核的个数、池化核的个数、激活函数和优化器等。在故障诊断时，选用合适的超参数可以使得网络模型更快达到最优解，对模型的质量和鲁棒性起着重要作用，网络层数过深会导致数据处理较多，训练时间变长；网络层次过少会导致特征信息提取不充足，影响分类效果。而对于卷积核来说，选用较小尺寸的卷积核极有可能无法充分表示特征，而选用过大尺寸的卷积核会导致复杂度增大。

为进一步分析参数的影响，验证不同大小和数量的卷积核以及其他参数的变化对于该诊断模型的影响，搭建以一个卷积层作为基础框架的模型，在其他条件不变的情况下，通过改变尺寸探究参数不同对模型分类能力的作用。这些参数包括卷积层的参数、全连接神经元的数量和LSTM神经元的数量等，首先在封装容器Sequential中建立小规模网络框架，在此基础上逐次、逐层改变超参数和网络结构，通过准确率的表现分析不同情况下的影响情况，不同超参数性能比较见表3所示。

表3不同超参数性能比较

不难发现，通过适当增加卷积核的数量和大小可以能够更好的捕获序列特征，提高准确率，但过度增加卷积核的尺寸和堆叠卷积层的数量，在模型参数量增加的同时，不仅使得迭代时间变长，还会使准确率降低，由此可见，卷积核的数量和尺度的设置对诊断精度都有重要的影响。由于不同激活函数对模型性能造成不同的影响，同时配合不同优化算法，可以达到加速优化的作用，接着通过使用不同优化器和激活函数对比性能，在模型中进行准确率比较。结果表明，在使用Tanh函数和ReLU函数作为激活函数时，性能优于Sigmoid函数，后者不适合作为激活函数，而在分类算法中使用RELU激活函数和Adam优化器时，在优化网络参数和准确率方面比其它组合具有直观的优势。因此激活函数选用RELU函数，优化器选用Adam。

通过以上对于卷积层超参数、激活函数和优化器的性能比较，最终得到1DCNN-LSTM模型的最优参数，其中经传感器采样频率记录的输入数据在进行预处理后每条记录包含200个时间片，数据形式为200×1的矩阵，输出部分经激活函数softmax处理后的7个类别分别出现的概率情况。

所述训练集、验证集、测试集的划分比例为6：2：2。

在步骤S4中，所述1DCNN-LSTM模型由三个卷积层、三个池化层、两个全连接层、一个LSTM层组成。在第一层使用大尺寸卷积核，提高训练速度，有效抑制噪声干扰，第二层和第三层使用小尺寸卷积核，提高特征提取能力，为避免维度过小，卷积核填充方式采用Same，可以自动对数据两端进行补零操作，保证输出大小不变。通过使用ReLU激活函数，减少计算量，防止梯度消失，提高分类准确性。池化层作为简化序列特征的环节，受数据特征维度的影响取值不应过高。所述池化层核尺寸取值为2。

在步骤S2中，所述归一化处理采用最大最小标准化，将数据集中压缩至[0,1]之间用以保持数据分布的一致性。

卷积神经网络作为深度学***移不变处理方式的同时基于其层次结构展开分类，是特征提取与分类问题的核心算法之一。卷积神经网络一般结构由卷积层、激活函数、池化层、全连接层组成，它通过卷积操作、池化操作和引入激活函数的非线性因素，以便一层一层地提取映射的有效特征，它的输入部分能够就多维数据以及具有局部相关性的数据进行处理，例如常见的卷积神经网络在一维情况下可以接收低维数组。它擅长挖掘隐藏研究对象的内部特征，非常适合处理序列数据或基于文本的数据。一些卷积神经网络还可以识别图像中的单词，也可以与循环神经网络相结合，从图像中提取字符特征和序列标签。与全连接深度学习模型相比，卷积神经网络具有更强的鲁棒性和更好的泛化能力。同时，卷积神经网络通过权重共享和池化操作提高了网络性能并降低了训练成本，并且比其他深度学习模型更不容易出现过拟合问题。从输入的角度来看，现有的卷积神经网络模型包括两类：一维卷积神经网络(1DCNN)和二维卷积神经网络(2DCNN)。对于传统的卷积神经网络架构，它的输入实际上是二维矩阵，主流的网络结构往往会增加层数和神经元，这也大大增加了网络的劣势：参数较多，更容易过拟合；网络越大，复杂度越高，应用难度越大；网络越深，梯度越容易消失。

但在实际应用中，当研究拉力、电流等时间序列数据时，研究人员采用傅里叶变换、小波变换等多种信号处理的方式方法将一维原始信号转换为二维矩阵，或直接将一维信号的变化过程提取成尺寸合适的二维灰度图，然后将其作为二维卷积神经网络输入，在将原始一维信号转换为二维信号的方法也取决于研究经验，这些方法对数据在二维平面上通过卷积提取特征，但在处理时间序列数据时无法保证在转换过程中是否避免扭曲、失真的现象，甚至丢失有用信息，可能导致特征学习不足，准确率低。因此，如果直接将原始一维信号作为输入，网络的输入将包含原始信号中的所有特征信息，就可以避免上述问题。此外，一维卷积神经网络与二维卷积神经网络相比，一维卷积神经网络具有更好的可解释性，并且卷积核及其提取的特征是一维向量，特征参数维度降低的同时减少计算复杂度，具有较少的冗余信息，运行时收敛速度更快，结构配置简单紧凑易于结合，方便深入探究一维卷积神经网络及其特征提取机制。在多数处理一维信号的工程领域，由于紧凑的一维卷积神经网络硬件需求较低，相于比深度的二维卷积神经网络来说，应用的场合更多。

故障诊断领域中一维卷积神经网络的架构如图11所示，与计算机图像识别领域的二维卷积神经网络很相似，类似于生物学的视觉***，在生物视觉***中，视觉皮层中的神经元只对某些特定区域的刺激作出反应，即神经元只接收局部信息，对外部环境的生物认知从局部扩展到全局。因此，神经元在神经网络中并不需要感知整个图像，只需感知图像的局部特征，因为每个来自神经元的局部信息在视觉皮层的最高层合成，从而获得图像的全局信息，不同点是它通过一维卷积核单个维度进行卷积提取数据特征。

卷积层是卷积神经网络的核心，其主要作用是通过卷积核对输入数据进行一系列卷积运算，提取数据的局部特征得到特征图，卷积计算过程就是卷积核与输入量对应位置数值相乘再求和。卷积层有两个特性，局部链接和权值共享。局部连接由超参数体现，卷积层超参数为深度、步长和零填充，控制输入数据的尺寸与深度，需要和卷积核的使用数目保持一致。步长即滤波器滑动步长，步长为N，意味着滤波器每次移动N个像素，通过这个操作会让输出数据体在空间上变小，一般步长取值为1或2。零填充指的是将输入内容用0在边缘处不断填充，以便合理控制输出内容的尺度情况，常用来保持输入体在空间上的尺寸，使得输入和输出的宽高都相等。权值共享主要用来控制参数的数量，解决参数量过大而导致过拟合的问题。

激活层一般放在卷积层之后，是用来加入非线性因素，通过使用激活函数，计算加权和并加上偏置来确定神经元是否应该被激活，将卷积层处理过的数据进行非线性的映射，弥补线性模型表达能力不足的情况，使得深层神经网络表达能力更加强大。其特性包括以下四点：

非线性：激活函数非线性时，多层神经网络可逼近所有函数。

可微性：优化器大多用梯度下降更新参数。

单调性：当激活函数是单调的，能保证单层网络的损失函数是凸函数。

近似恒等性：当参数初始化为随机小值时，神经网络更稳定。

在卷积常用的激活函数有：Sigmoid，Tanh，ReLU，三种激活函数数学函数表达式分别如式所示：

三种激活函数中Sigmoid函数将定义域再实数集中的输入变换为区间(0，1)上的输出，与其类似，Tanh函数也是将其输入压缩转换为区间(-1，1)上。ReLU函数通过将相应的激活值设为0剔除所有负值，仅保留正值，当输入为负时，ReLU函数的导数为0，当输入为正时，ReLU函数的导数为1。

池化层夹在连续的卷积层中间，其主要作用是降低卷积层输出特征图的维数，压缩数据和参数量，将特征的尺度进行缩减，减少过拟合。先通过卷积运算对输入数据进行特征提取后，再通过池化计算进一步选择有效特征，去除冗余信息，简化模型复杂度，减少过程所需的计算资源和时间。池化层所使用的方法主要分为两种：一是最大池化，即池化窗口区域中所显示的最大值；二是平均池化值，即将池化窗口区域中的所有数据考虑其中，采取算术平均法计算出的均值。

全连接层的主要作用是，将前面几个操作提取到的特征进行连接，进一步提取特征并输出用来不同分类，将不同特征做加权求和的处理，而后分别映射特征到样本空间进行表示，以此作为故障诊断结果。在全连接层中，将卷积层和池化层提取的特征展开为一维向量，并与全连接层的权重系数进行比较。将计算结果相乘，然后通过非线性激活函数进行调整。Softmax通常应用于多分类问题的输出层，保证输出值范围为0到1，所有输出值之和为1。输出值表示本次输出的概率，与最高概率作为最终预测结果，公式如下：

其中，

表示输出层输出第Z类的概率值，值域范围在[0,1]，K表示当前的分类数量。

一维卷积神经网络模型包括两个训练过程：1、前向传播；2、反向传播。

前向传播是从输入层到输出层计算和储存神经网络中每层的结果。具体来说，将信号序列输入模型后，依次经过卷积、池化等网络层，对于本层的每个通道都进行遍历求和，并按照一定权重组合，得到模型输出结果的过程，公式如式所示：

其中

表示输入，

表示第k个神经元在l层的偏置，

表示第i个神经元在l-1层的输出，

表示从l-1层第i个神经元到l层k个神经元对应通道的权重，conv1D(.,.)表示卷积操作,

表示输出结果，

表示激活函数，↓ss表示带有标量因子的下采样操作。

反向传播以微积分中的链式规则为基础，在输出层至输入层以相反的顺序遍历网络，是一种对神经网络参数进行梯度计算的方法。具体过程是依据模型输出情况和序列标签建立对应的损失函数，梯度计算的目标是使得损失函数最小化，并通过反向传播算法一层一层地反馈，通过梯度下降算法来刷新不同层之间的网络参数。常用损失函数为均方误差函数和交叉熵损失函数，公式如式所示：

其中E_p表示损失误差值，N_L表示神经元个数，t^p表示真实标签，

表示预测标签。均方误差是回归问题常用的损失函数，应用场景一般不是事先定义好的类别，例如房价预测、销量预测等；交叉熵表征两个概率分布之间的距离，交叉熵越小说明分布越近，是分类问题使用比较广泛的损失函数。

反向传播的作用是配置合适的网络参数，以最大限度地使损失函数最小，即以损失函数的最小化为目标，使用链式求导法则更新偏置和权重，让该模型最大可能拟合训练数据，相关公式如式所示：

则从第一层到最后一层的卷积神经网络反向传播公式如式所示：

其中

表示用于更新神经元的偏差，同时表示连接到上一层神经元的权重之和。只有在下一层l+1到当前层l执行了反向传播，才可以对输入

进行反向传播。设零阶上采样映射为

则偏置可以表示为式：

其中β＝(ss)-1，

的反向传播可以表示为下式：

其中rev(.)用于反转数组，conv1Dz(.,.)用于执行带零填充的一维全卷积，权重w和偏置b可分别表示为下式所示的关系：

其中可以使用学习因子ε更新权重和偏置，公式如所示：

模型通过反复循环前向和反向传播这两个环节，迭代参数和优化损失函数直到训练结束，究其本质，模型通过构建多个滤波器实现提取输入数据的目的，输入数据在滤波器内被一层一层地滤波和池化，将数据中隐藏的拓扑结构信息一级一级地提取出来。

学习方法包括随机梯度下降(SGD)、自适应梯度(Adagrad)、均方根(RMSProp)、自适应动量优化(Adam)。其中RMSProp是针对AdaGrad学习率衰减过快的改进，Adam在RMSProp的基础上增加动量和偏差修正。Adagrad、RMSprop、Adam适用于数据是稀疏的情况。RMSprop、Adam在很多情况下的效果是相似的。随着梯度变的稀疏，Adam比RMSprop效果会好。很难说某一个优化器在所有情况下都表现很好，具体需要根据实际任务选取优化器，总的来说，Adam整体上是最好的选择。

在充分利用权值共享和局部连接的特性的过程中，卷积神经网络大幅度地降低了网络参数量，具有空间特征的提取能力，而在时间维度方面，如一维时序向量，往往通过使用循环神经网络有效处理和预测序列数据，循环神经网络是一种具有内存和参数共享特性的网络模型，其状态是通过网络隐藏层的大小表示，循环体中包含上一时刻的状态和当前时刻的输入样本，假设输入向量的维度为x，在循环体中全连接层的网络输入量是h+x，输出节点个数为h，循环体中参数个数为(h+x)×h+h个，循环体中的神经网络输出主要作用有两个：1、提供给下一时刻作为状态；2、提供给当前状态作为输出，最后通过全连接网络完成整个过程。但是存在较大的问题是无法解决长跨度依赖问题，即后面节点相对于跨度很大的前面时间节点的信息感知能力太弱，同时存在梯度消失和梯度***的情况，为了解决这个问题，提出了具有链式结构的长短期记忆网络。

长短期记忆网络是循环神经网络的变体，是基于传统循环神经网络的改进网络，增加了遗忘门、输入门和输出门来控制内部信息的流动，信息在以上各类门结构的影响下，对网络中不同时刻的状态进行选择性的影响。当门结构打开时，全部信息都可以通过；而当门结构关闭时，无论是何信息都将不被允许通过，这是因为该处的神经网络激活函数使用的是sigmoid，因而其输出值仅在0到1之间，包含内部状态向量c和输出向量h。组成整个神经网络的记忆单元和其他相连区域的边缘位置的权值由长短期记忆网络加以控制，从而使细胞单元的状态以及信息流的输出、输入都在可控范围之内，善于提取序列数据的长期特性，把握数据中的时间特征。

组成长短期记忆网络的主要结构包括：遗忘门、输入门、输出门。

遗忘门作用于长短期记忆网络状态向量上，用于控制上一个时间的记忆细胞对当前时刻的影响，遗忘门对细胞态的信息进行处理实现选择性遗忘。如图12，其中σ代表sigmoid激活函数，用于将门的输出值控制在0到1之间，当遗忘门全部打开时，长短期记忆网络接受c_t-1的所有信息；当遗忘门关闭时，输出为0向量。

输入门决定多少比例的信息会存入当前细胞态，由此使得输入内容于网络结构的接受程度得到控制。如图13用非线性变换，将该时刻输入的X_t和上一时刻输出h_t-1相结合得到新的输入向量a_t，激活函数tanh的作用则在于将输入进行标准化，使其在[-1,1]区间，输入向量a_t不会全部进入记忆块，而是通过输入门控制接受输入的量，控制变量同样来自X_t和h_t-1。在遗忘门和输入门的控制下，长短期记忆网络将有选择地读取上一个时刻的c_t-1和当前时刻新输入向量a_t，从而刷新状态向量c_t。

输出门将细胞态中的信息选择性地进行输出，如图14，内存向量c_t经过Sigmoid激活函数和tanh激活函数筛选后与输入门作用，得到长短期记忆网络的输出h_t，输出范围在-1到1之间。

由遗忘门、输入门、输出门结构图可得长短期记忆网络单元的前向传播公式，分别如式所示：

f_t＝σ(W_f×[h_t-1,x_t]+b_f)

i_t＝σ(W_i×[h_t-1,x_t]+b_i)

o_t＝σ(W_o×[h_t-1,x_t]+b_o)

a_t＝tanh(W_a×[h_t-1,x_t]+b_a)

c_t＝g_fc_t-1+i_ta_t

h_t＝o_ttanh(c_t)

其中σ表示sigmoid激活函数，它可以使门限范围在0到1之间，f_t、i_t、o_t分别表示遗忘门、输入门和输出门，w和b分别表示待训练权重和偏置项，h_t表示短期记忆体,a_t表示归纳出新知识的候选态，状态向量c_t是长期记忆单元，几者相互联系共同作用，使得LSTM单元始终保持多功效能力，即读取、保存、重置以及长距离历史信息更新等。

遗忘门根据上层的隐藏状态，通过Sigmoid激活函数对每个输入信息添加权重，从而确定信息的保留和丢弃。输入门使用Sigmoid激活函数和激活函数来更新信息，这决定了要更新多少信息。输出门决定输出什么信息。三个门共同控制信号沿时间轴的更新状态，以获得每个时间步长的信息。LSTM保存信息以便后面使用，防止较早期的信号在处理过程中逐渐消失，若将神经元传播过程比做一条传送带，其运行方向平行于待处理的序列，其中的信息可以在任意位置跳上传送带，然后被传送到更晚的时间步，并在需要时原封不动地回归。

实施例2

在实施例1的基础上，通过混淆矩阵对实验结果进行分析，混淆矩阵是将诊断结果与实际测得值进行比较，诊断结果的准确性情况可以用该矩阵直观表示。对1DCNN-LSTM模型进行20次训练测试，随机选择一组测试结果的混淆矩阵，在绘制混淆矩阵后表现分类结果，对故障数据诊断情况有清晰的认识，利用模型对不同故障识别情况的显示，从而可以深入研究分类器的诊断特性与工作性能，图8为该模型对应的混淆矩阵，图中数字为模型对测试样本的识别率，由此可知运用该模型对故障分类诊断具有较高的准确率和稳定性。

模型在训练期间的准确率曲线与损失函数的曲线如图9展示，图中虚线代表训练集的准确率，实线代表验证集的准确率。在训练过程中，损失函数值不断下降，证明它正趋于收敛，准确率的值不断增加，证明在迭代数目逐步累加的同时，准确率也不断增加，通过实验结果可以看出，在迭代6轮之后，模型准确率稳定已经达到100％，并且在后续训练中保持稳定，具有快速的收敛速度；测试过程中在经过7次迭代后，准确率保持较高，且整个过程中没有出现波动区间，曲线相对平顺稳定，因此采用1DCNN-LSTM网络模型进行故障诊断具有较高的故障检测效率和特征学习能力。

1DCNN-LSTM模型虽然具有强大的特征提取和故障分类能力，但模型过程相当于一个黑盒。为了进一步证明该方法的有效性，采用t分布随机邻域嵌入(T-SNE)技术，在训练完成后，将测试数据输入到模型中，对分类效果降维进行可视化处理。模型的第一个卷积层、最后一个卷积层、LSTM层和最后一个全连接层的输出降维可视化结果如图10所示，分别对应图中序号(a)、(b)、(c)、(d)，不难发现，随着卷积层数的增加，每个类别的重叠部分逐渐减少，不同的种类很好的聚合在一起，识别率逐层提高，不同特征被有效区分开来。在最后一个卷积层的输出中，故障样本之间的距离比较近，但是加入LSTM层后分类结果变得更加清晰。结果表明，卷积层对序列特征提取能力强，在故障分类方面存在局限性，采用LSTM算法非常有必要，可以提高故障分类能力。因此该模型具有良好的分类性能，能够自适应的提取故障诊断所需要的特征。

本发明实验算法编程由Python3.7实现，使用科学计算集成Python发行版Anaconda作为实验环境建设，Anaconda中集合了大量科学计算Python库，包括支持大量的维度数组与矩阵运算的numpy库和分析结构化数据的工具集pandas库等等，运用Anaconda工具包中的Jupyter Notebook实现实验结果分析和数据分析可视化，算法框架为Keras深度学习，支持卷积网络和循环网络，对本发明提出的1DCNN-LSTM模型的进行搭建。

实施例3

与实施例1不同之处在于，一种转辙机故障诊断方法，包括以下步骤：

S1，采集转辙机拉力数据，构建转辙机拉力数据集；

S2，将数据集进行归一化处理，并使用独热编码添加标签；

S3，将数据集按照一定比例划分为训练集、验证集和测试集；

S4，搭建1DCNN-LSTM模型并将各个参数初始化；

S5，通过训练集对1DCNN-LSTM模型进行训练，并结合验证集调节相应参数；

S6，使用测试集验证训练好的模型，并计算模型的故障诊断准确率。

在步骤S1中，所述转辙机拉力数据集包括转辙机正常状态数据和六种拉力故障状态数据，六种所述拉力故障状态分别包括解锁困难、尖轨反弹、转换卡阻、转换困难、转换力不均匀、锁闭卡阻。

所述转辙机的拉力数据通过无线拉力传感器采集，所述无线传感器采样频率为50ms，且每种状态所采集的数据不少于300组。

采用补零的方法，将每组数据补齐到200个点数，满足端到端模型输入格式一致的要求。

所述训练集、验证集、测试集的划分比例为6：2：2。

在步骤S4中，所述1DCNN-LSTM模型由三个卷积层、三个池化层、两个全连接层、一个LSTM层组成。

所述池化层核尺寸取值为2。

在步骤S2中，所述归一化处理采用最大最小标准化，将数据集中压缩至[0,1]之间用以保持数据分布的一致性。增加模型识别的准确率和快速性，公式如下：

式中，x为原数据。

步骤S5中，采用改进的鲸鱼优化算法(IWOA)优化1DCNN-LSTM网络超参数。

将1DCNN-LSTM算法需要优化的超参数映射到IWOA优化算法中，利用得到的测试集分类精度作为IWOA优化算法的适应度函数。

IWOA算法中，通过设置IWOA的Number of iterations和SearchAgents参数大小控制自动超参数寻优，并得到全局最优解，即CNN-LSTM的网络超参数。假设鲸鱼种群的规模为N，搜索空间为d维，第n只鲸鱼在第d维空间中的位置可以表示为

猎物的位置对应于问题的全局最优解。通过模拟鲸鱼觅食行为，包围捕食阶段可以用如下数学模型表示：

D₁＝|C·X_rand(t)-X(t)|

X(t+1)＝X_p(t)-A·D₁

其中，t为当前迭代的次数；X(t)为个***置向量；X_p(t)为猎物位置向量(当前的最优解)；A和D₁分别为系数向量，且有：

C＝2·r

A＝2a₁(t)·r-a

其中，Max_iter为最大迭代次数，r为[0，1]的随机数；a₁(t)为当前迭代t次的控制参数，随着迭代次数的增加从2线性递减到0，即：引入动态平衡因子：

其中，G(t)为动态平衡因子。

在鲸鱼和猎物的位置之间创建一个螺旋方程，如下所示：

l＝(a₂(t)-1)·r+1

2D₂＝|X_rand(t)-X(t)|

其中，a₂(t)为当前迭代t次的控制参数，随着迭代次数的增加从-1线性递增到0；l是[-1，1]之间的随机数；D₂为p≥0.5时的系数向量；b是定义对数螺旋形状的常数。

鲸鱼优化算法可克服深度学习模型非常依赖于专业知识以及人工调试，使1DCNN-LSTM模型在达到高准确率的同时选择合理的超参数。获得更准确的网络超参数，从而得到更全面的测点信号数据特征，提高模型故障诊断的准确率。

以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化；凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种转辙机故障诊断方法，其特征在于，包括以下步骤：

S1，采集转辙机拉力数据，构建转辙机拉力数据集；

S2，将数据集进行归一化处理，并使用独热编码添加标签；

S3，将数据集按照一定比例划分为训练集、验证集和测试集；

S4，搭建1DCNN-LSTM模型并将各个参数初始化；

S5，通过训练集对1DCNN-LSTM模型进行训练，并结合验证集调节相应参数；

S6，使用测试集验证训练好的模型，并计算模型的故障诊断准确率。

2.根据权利要求1所述一种转辙机故障诊断方法，其特征在于，在步骤S1中，所述转辙机拉力数据集包括转辙机正常状态数据和六种拉力故障状态数据，六种所述拉力故障状态分别包括解锁困难、尖轨反弹、转换卡阻、转换困难、转换力不均匀、锁闭卡阻。

3.根据权利要求2所述一种转辙机故障诊断方法，其特征在于，所述转辙机的拉力数据通过无线拉力传感器采集，所述无线传感器采样频率为50ms，且每种状态所采集的数据不少于300组。

4.根据权利要求3所述一种转辙机故障诊断方法，其特征在于，采用补零的方法，将每组数据补齐到200个点数，满足端到端模型输入格式一致的要求。

5.根据权利要求4所述一种转辙机故障诊断方法，其特征在于，所述训练集、验证集、测试集的划分比例为6：2：2。

6.根据权利要求1所述一种转辙机故障诊断方法，其特征在于，在步骤S4中，所述1DCNN-LSTM模型由三个卷积层、三个池化层、两个全连接层、一个LSTM层组成。

7.根据权利要求6所述一种转辙机故障诊断方法，其特征在于，所述池化层核尺寸取值为2。

8.根据权利要求1所述一种转辙机故障诊断方法，其特征在于，在步骤S2中，所述归一化处理采用最大最小标准化，将数据集中压缩至[0,1]之间用以保持数据分布的一致性。增加模型识别的准确率和快速性，公式如下：

式中，x为原数据。

Images