具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在介绍本技术方案之前,可以先对道岔以及道岔转换的过程进行介绍:道岔是使机车车辆从铁路线路一股道转入另一股道的线路连接设备,它由转辙器、连接部分、辙叉及护轨三个单元组成。转辙器包括基本轨、尖轨和转辙机械。道岔的转换及锁闭需要通过道岔转换设备(包括转辙机、外锁闭装置及安装装置等)执行,道岔转换设备接受联锁***的命令进行道岔转换,当机车车辆要从A股道转入B股道时,通过转辙机操纵尖轨移动位置,将在A股道的密贴尖轨与基本轨解锁脱开,将尖轨与B股道的基本轨密贴并锁闭,完成A股道至B股道的切换。
以分动外锁闭道岔转换过程为例,道岔转换过程分为解锁、转换及锁闭,解锁包括机内解锁和机外解锁,锁闭包括机内锁闭和机外锁闭,机内解锁即转辙机内部解除对尖轨与基本轨的锁闭;机外解锁即转辙机外部的外锁闭装置解除对尖轨与基本轨的锁闭;机内锁闭即转辙机内部施加对尖轨与基本轨的锁闭,机外锁闭为转辙机外部通过外锁闭装置将尖轨与基本轨锁闭在一起。当转辙机接受到联锁***的道岔扳动指令,转辙机开始动作,进入解锁过程,转辙机机内开始解锁,并带动机外外锁闭装置解锁,转辙机及外锁闭装置解锁完成后,转辙机驱动尖轨开始移动,进行两尖轨的位置转换,当将密贴侧尖轨移动至终端位置,即尖轨与基本轨达到密贴时,外锁闭装置开始锁闭,外锁闭装置锁闭完成后,转辙机机内完成锁闭,转辙机机外与道岔连接的表示杆到达终端位置,通过转辙机接通表示电路,至此,道岔完成转换。
实施例一
图1为本发明实施例一提供了一种道岔故障定位的方法的流程图,本实施例可适用于对道岔进行故障判断及定位的情况,该方法可以由道岔故障定位的装置来执行,该装置可以采用硬件和/或软件的形式实现,该道岔故障定位的装置可配置于计算机中。
如图1所示,该方法包括:
S110、获取目标道岔至少一次转换对应的动作曲线数据,其中,所述动作曲线数据包括目标道岔转换对应的表示杆位移曲线数据、电流曲线数据以及转换力曲线数据中的至少一个。
其中,目标道岔是指对其在转换过程中可能出现的故障进行实时监测的道岔。动作曲线数据是指目标道岔在转换过程中,各杆件、转辙机电路产生的伴随转换变化的电流、压力、位移等离散数据构成的各曲线数据。如图2所示,动作曲线数据可以包括:表示杆位移曲线数据、电流曲线数据以及转换力曲线数据。其中,表示杆是指转辙机中用来检查尖轨是否密贴,以及目标道岔是在定位还是在反位的杆件。表示杆包括定位表示杆和反位表示杆。表示杆位移曲线数据是指能够体现定位表示杆与反位表示杆在道岔转换过程中各个采样时间对应位移量的曲线数据。电流曲线数据是指转辙机内部电流在道岔转换过程中各个采样时间对应电流值的曲线数据。转换力曲线数据是指推动尖轨转换的动作杆在道岔转换过程中各个采样时间对应压力值的曲线数据。在本实施例中,表示杆位移曲线数据、电流曲线数据以及转换力曲线数据的采样频率可以相同也可以不同,本实施例在此不做限制。
具体地,在上位机上获取目标道岔当前转换以及当前转换之前各次转换,转辙机内部电流传感器、位移传感器以及压力传感器采集到的各次转换对应的动作曲线数据。
需要说明的是,为了提高道岔故障定位的精确性,应尽可能多的获取动作曲线数据。
S120、对于各动作曲线数据,按照所述目标道岔在转换过程中经历的各个阶段,对当前动作曲线数据进行阶段划分,得到目标动作曲线数据。
其中,阶段是指目标道岔在转换过程中按照时间顺序经历的阶段。如图3所示,所述阶段包括机内解锁阶段t1-t2、机外解锁阶段t2-t3、转换阶段t3-t4、机外锁闭阶段t4-t5、机内锁闭阶段t5-t6和表示阶段t6-t7。机内解锁阶段是指转辙机内部解除对密贴尖轨与基本轨的锁闭对应的时间范围;机外解锁阶段是指外部锁闭装置解除对密贴尖轨与基本轨的锁闭对应的时间范围;转换阶段是指从解锁完成至进入锁闭阶段,两尖轨进行位置转换的时间范围;机外锁闭阶段是指外部锁闭装置对密贴尖轨与基本轨施加锁闭的时间范围;机内锁闭阶段是指转辙机内部对密贴尖轨与基本轨施加锁闭的时间范围;表示阶段是指尖轨到达终端位置后,转辙机接通表示电路,联锁***采集到表示信号的时间范围。
进一步地,道岔通过转换设备实现在定位及反位之间的转换。定位是指目标道岔经常开通的位置,反位是指目标道岔临时需要改变的位置。目标动作曲线数据是指经过阶段划分的动作曲线数据,参见图3。
具体地,可以根据定位表示杆及反位表示杆开始移动和结束移动的时间确定机内解锁阶段与机外解锁阶段的分界时间点t2、机外解锁阶段与转换阶段的分界时间点t3,以及转换阶段与机外锁闭阶段的分界时间点t4。由于在各阶段开始及结束时刻,电流会产生对应的变化规律因此可以根据电流曲线数据的变化规律确定机内解锁阶段的起始时间点t1、机外锁闭阶段与机内锁闭阶段的分界时间点t5、机内锁闭阶段与表示阶段的分界时间点t6,以及表示阶段的结束时间点t7。
S130、基于当前时刻转换对应的动作曲线数据与当前时刻之前各次转换对应的历史动作曲线数据的相似度,判断当前时刻转换是否存在故障。
其中,相似度是指当前转换对应的动作曲线数据与之前各次转换对应的各历史动作曲线数据之间的相似程度。若相似度越接近1,则表示两次转换对应的动作曲线数据越相似,相似度越接近0,则表示两次转换对应的动作曲线数据越不相似。进一步地,与当前动作曲线数据相似度不满足预设相似度范围的历史动作曲线数量越多,表示当前时刻转换存在故障的概率越大。故障是指道岔在转换过程中可能出现的故障。
具体地,可以提取电流曲线数据、转换力曲线数据以及表示杆位移曲线数据对应的特征,构成道岔转换对应的特征向量,并分别计算当前转换与历史各次转换对应特征向量之间的相似度,统计不满足预设相似度范围的历史转换对应的特征向量的数量,预先设置一个数量阈值,当不满足预设相似度范围的历史动作曲线数据大于等于此数量阈值时,可以确定当前时刻转换存在故障,当不满足预设相似度范围的历史动作曲线数据小于此数量阈值时,可以确定当前时刻转换不存在故障。
示例性地,预设相似度范围为0.8-1,预设一个数量阈值3。当前转换对应的特征向量为a0,当前时刻之前各次转换对应的历史动作曲线数据对应的特征向量分别为:a1、a2、a3、a4、a5、a6、a7,计算a0与a1、a2、a3、a4、a5、a6、a7对应的相似度,分别为:0.92、0.94、0.95、0.7、0.72、0.65、0.5。则不满足预设相似度范围的历史动作曲线数据有4个,因此可以确定当前时刻转换存在故障。
S140、若是,则将所述当前时刻转换对应的动作曲线数据输入至预先训练得到的道岔故障识别模型中,确定与所述当前时刻转换对应的故障类型。
其中,道岔故障识别模型是指预先训练的可以对道岔具体故障进行识别的神经元模型。故障类型是指道岔转换的故障对应的类型,如故障类型可以是外锁闭不解锁、外锁闭不锁闭、尖轨夹异物和卡缺口等。
具体地,可以将当前时刻转换对应的动作曲线数据输入到道岔故障识别模型,最终由道岔故障识别模型确定各故障类型对应的概率,并将概率最大值对应的故障类型确定为当前转换对应的故障类型。
示例性地,道岔故障识别模型输出的外锁闭不解锁对应的概率为0.9、外锁闭不锁闭对应的概率为0.2、尖轨夹异物对应的概率为0.3和卡缺口对应的概率为0.6,则可以确定当前转换的故障类型为外锁闭不解锁。
在本实施例中,当各传感器的采样频率不同时,需要对当前时刻转换对应的动作曲线数据进行重采样处理,并将重采样处理后的当前动作曲线数据补零至预设长度,然后输入至所述预先训练得到的道岔故障识别模型中。
其中,重采样是指将表示杆位移曲线数据、电流曲线数据以及转换力曲线数据按照同样的采样频率进行采样处理,得到数据量相同的各曲线数据。预设长度是指预先设置的表示杆位移曲线数据、电流曲线数据以及转换力曲线数据对应的数据量。
具体地,由于对表示杆位移曲线数据、电流曲线数据以及转换力曲线数据重采样的方式相同,现以对电流曲线数据进行重采样进行说明:重采样频率为n秒,则可以t1时刻开始,每隔n秒求取一次平均数,若电流曲线数据量不满足预设长度,则可以将末尾补零至预设长度。对表示杆位移曲线数据以及转换力曲线数据进行重采样后,可以得到一个N*4的矩阵,其中N为预设长度。将N*4的矩阵输入至预先训练得到的道岔故障识别模型中,进而确定故障类型。好处是解决了各传感器采样频率和采样时间不同导致数据长度不统一的问题。
本发明实施例的技术方案,通过获取目标道岔至少一次转换对应的动作曲线数据,其中,所述动作曲线数据包括目标道岔转换对应的表示杆位移曲线数据、电流曲线数据以及转换力曲线数据中的至少一个;对于各动作曲线数据,按照所述目标道岔在转换过程中经历的各个阶段,对当前动作曲线数据进行阶段划分,得到目标动作曲线数据;基于当前时刻转换对应的动作曲线数据与当前时刻之前各次转换对应的历史动作曲线数据的相似度,判断当前时刻转换是否存在故障;若是,则将所述当前时刻转换对应的动作曲线数据输入至预先训练得到的道岔故障识别模型中,确定与所述当前时刻转换对应的故障类型,通过对比当前目标道岔转换对应的动作曲线数据与目标道岔历史动作曲线数据,判断当前目标道岔转换是否存在故障,并对故障点进行定位,解决了人工故障诊断方法花费大量的人力物力,效率低下,存在误判和漏判的问题,实现了对故障发生点进行精准定位,提高了故障识别及故障定位的效率同时降低故障定位的人力成本。
在本实施例中,道岔故障识别模型的训练方法可以包括,参见图4:
S101、获取训练样本数据和测试样本数据,其中,所述样本数据中包括所述目标道岔至少一次转换对应的动作曲线数据以及相应的故障类型标签。
其中,训练样本数据是指用来训练模型的样本数据。测试样本数据是指用来测试道岔故障识别模型的样本数据。样本数据可以包括目标道岔至少一次转换对应的动作曲线数据以及相应的故障类型标签。
具体地,可以在上位机中尽可能多的获取目标道岔多次转换对应的动作曲线数据,并由人工标注对应的故障类型标签作为样本数据。进一步地,样本数据中同时包括道岔故障转换对应的动作曲线数据以及道岔正常情况下转换对应的动作曲线数据。
在本实施例中,在获取所述样本数据之后对样本数据进行重采样处理并补齐至预设长度,得到所述训练样本数据和测试样本数据。
具体地,对电流曲线数据、表示杆位移曲线数据以及转换力曲线数据进行重采样后,可以得到一个N*4的矩阵。对各样本数据进行重采样处理后,得到长度一致的若干训练样本数据和若干测试样本数据。
S102、基于所述训练样本数据对待训练道岔故障识别模型进行训练处理,以得到待使用道岔故障识别模型。
其中,待训练道岔故障识别模型是指未训练好的道岔故障识别模型。待使用道岔故障识别模型是指训练好的道岔故障识别模型。
具体地,针对各训练样本数据将当前训练样本数据输入至待训练道岔故障识别模型中,得到与当前训练样本数据所对应的实际输出结果;基于期望输出结果与实际输出结果,确定待训练道岔故障识别模型损失,以基于待训练道岔故障识别模型损失对待训练预测模型进行模型参数调整,得到待使用道岔故障识别模型。
示例性地,如图5所示,待训练道岔故障识别模型可以是一个CNN-GRU(ConvolutionalNeuralNetworks-GatedRecurrentUnit)网络模型,该模型包含输入层、1D-CNN卷积层、最大池化层、门控循环单元(GRU)层、Dropout层、全连接层和输出层:
输入层:输入的数据包括表示杆位移曲线数据、电流曲线数据和转换力曲线数据,为了解决采样频率和采样时间不同导致数据长度不统一的问题,故对输入数据进行预处理。首先对各组曲线数据进行重采样,之后确定样本的最大长度,本实施例设定为600,最后将各组曲线数据补零至最大长度,得到600×4的矩阵。
第一个1D-CNN卷积层:利用卷积核对输入数据进行特征提取,定义卷积核大小为100,步长为1,数量为150,激励函数使用ReLU,经过第一个卷积层后,网络输出501×100的神经元矩阵。
第二个1D-CNN卷积层:定义卷积核大小为100,步长为1,数量为150,激励函数使用ReLU,经过第二个卷积层后,网络输出402×100的神经元矩阵。
池化层:为了降低特征的复杂性,防止过拟合,通常使用池化层对卷积层提取的特征进行特征选择和信息过滤,本实施例选择最大池化层,池化大小为3,将特征减少至1/3,网络输出130×150的神经元矩阵。
第三个1D-CNN卷积层:定义卷积核大小为50,步长为1,数量为100,激励函数使用ReLU,经过第三个卷积层后,网络输出81×100的神经元矩阵。
第四个1D-CNN卷积层:定义卷积核大小为80,步长为1,数量为100,激励函数使用ReLU,经过第四个卷积层后,网络输出2×100的神经元矩阵。
GRU层:GRU层通过门函数对传入的特征进行筛选,将重要特征保存下来,定义GRU隐藏单元为100,网络输出1×100的神经元矩阵。
Dropout层:Dropout层将随机给网络中的神经元分配权重0,使网络对数据中较小的变换不敏感。本方案设定分配比例为0.4,网络输出1×100的神经元矩阵。
全连接层:将网络输出减少至需要识别的故障类别数量,本实施例中故障类别数量为4,全连接层使用Softmax作为激励函数,输出值表示所有故障类别中每个类别可能的概率。
S103、基于所述测试样本数据对所述待使用道岔故障识别模型进行校验处理,以在所述待使用道岔故障识别模型的准确率达到预设准确率阈值时,将所述待使用道岔故障识别模型作为所述目标道岔故障识别模型。
其中,待使用道岔故障识别模型的准确率是指待使用道岔故障识别模型的实际输出与人工标注的结果之间的一致程度。预设准确率阈值是预先设置的一个准确率。
示例性地,提前设置一个准确率阈值为90%,若用100个测试样本数据对待使用道岔故障识别模型进行测试,有95个输出的结果与人工标注结果一致,则说明待使用道岔故障识别模型的准确率为95%,则将待使用道岔故障识别模型作为目标道岔故障识别模型。
本发明实施例的技术方案,通过获取训练样本数据和测试样本数据,其中,所述样本数据中包括所述目标道岔至少一次转换对应的动作曲线数据以及相应的故障类型标签;基于所述训练样本数据对待训练道岔故障识别模型进行训练处理,以得到待使用道岔故障识别模型;基于所述测试样本数据对所述待使用道岔故障识别模型进行校验处理,以在所述待使用道岔故障识别模型的准确率达到预设准确率阈值时,将所述待使用道岔故障识别模型作为所述目标道岔故障识别模型,训练目标道岔故障识别模型用于识别道岔故障类型,提高了道岔故障定位的效率,降低故障定位成本,进一步提升道岔故障识别的准确率。
实施例二
图6为本发明实施例二提供的一种道岔故障定位的方法的流程图,在前述实施例的基础上,可以对所述对于各动作曲线数据,按照所述目标道岔在转换过程中经历的各个阶段,对当前动作曲线数据进行阶段划分,得到目标动作曲线数据进行进一步细化,其具体的实施方式可以参见本发明实施例的详细阐述,其中,与上述实施例相同或者相应的技术术语在此不再赘述。
如图6所示,该方法包括:
S210、获取目标道岔至少一次转换对应的动作曲线数据,其中,所述动作曲线数据包括目标道岔转换对应的表示杆位移曲线数据、电流曲线数据以及转换力曲线数据中的至少一个。
S220、对所述表示杆位移曲线数据进行预处理,得到目标位移曲线数据。
其中,预处理是指将表示杆位移曲线数据中的每一个位移数值按照预设的倍数缩小,并进行四舍五入。目标位移曲线数据是指经过预处理后的表示杆位移曲线数据。具体地,可以将表示杆位移曲线数据中的位移数据按一定倍数缩小,得到目标位移曲线数据。好处是,可以排除道岔持续受到外界环境或列车振动的干扰,导致表示杆未动作时位移曲线数据也会产生轻微的幅度变化的问题。
S230、基于目标位移曲线数据发生变化的位置,确定机内解锁阶段与机外解锁阶段的分界时间点、机外解锁阶段与转换阶段的分界时间点,以及转换阶段与机外锁闭阶段的分界时间点。
具体地,如图3所示,在t2时刻,反位表示杆数据出现明显的变化,说明此时反位表示杆开始移动,目标道岔开始进入机外解锁阶段,因此将t2确定为机内解锁阶段与机外解锁阶段的分界时间点。在t3时刻,定位表示杆位移开始变化,说明定位表示杆开始移动,目标道岔开始进入转换阶段,因此将t3确定为机外解锁阶段与转换阶段的分界时间点。由于反位表示杆位移在t4时刻之后基本无变化,说明反位表示杆移动到指定位置,目标道岔开始进入机外锁闭阶段,因此将t4确定为转换阶段与机外锁闭阶段的分界时间点。
S240、对所述电流曲线数据进行预处理,得到目标电流曲线数据。
其中,预处理是指去掉电流曲线数据中道岔未转换之前以及转换结束之后多余的部分。目标电流曲线数据是指经过预处理的电流曲线数据。
具体地,为了保证采集到完整的道岔电流曲线数据,传回至上位机的电流曲线数据包含转换过程以及转换前后一定时间的未转换电流曲线数据,因此需要对电流曲线数据进行预处理。方法是设置电流数据调整阈值,将电流曲线数据中道岔转换前后一定时间的未转换电流曲线数据调整至零值以下,得到目标电流曲线数据。其中,目标电流曲线数据可参见图7。
示例性地,以ZDJ9转辙机电流曲线数据为例,ZDJ9转辙机在道岔转换前后3s的电流数据约为0.05A-0.07A,则设置电流数据调整阈值为0.07,将电流数据曲线中的每个电流值减去0.07,得到目标电流曲线数据。
S250、基于所述目标电流曲线数据与道岔转换关系,确定所述机内解锁阶段的起始时间点、所述机外锁闭阶段与所述机内锁闭阶段的分界时间点、所述机内锁闭阶段与表示阶段的分界时间点以及所述表示阶段的结束时间点。
具体地,如图7所示,根据目标电流曲线数据的与道岔转换关系可知,在在机内锁闭阶段开始时会产生一个小幅度的锁闭电流,此时目标道岔进入机内锁闭阶段,因此将锁闭电流起始时刻t5确定为机外锁闭阶段与机内锁闭阶段的分界时间点。在表示阶段会形成一段“小台阶”,说明目标道岔进入表示阶段,因此将“小台阶”产生的时刻t6作为机内锁闭阶段与表示阶段的分界时间点。进一步地,将目标电流曲线中第一个正电流值作为机内解锁阶段的起始时间点t1,最后一个正电流值作为表示阶段的结束时间点t7。
S260、基于各阶段时间点,得到目标动作曲线数据。
其中,目标动作曲线数据是指对表示杆位移曲线数据、电流曲线数据以及转换力曲线数据进行阶段划分后,得到的动作曲线数据,参见图3。
具体地,如图3所示,将确定的各个阶段开始时间、结束时间对应到三个曲线数据中,得到目标动作曲线数据。
S270、基于当前时刻转换对应的动作曲线数据与当前时刻之前各次转换对应的历史动作曲线数据的相似度,判断当前时刻转换是否存在故障。
S280、若是,则将所述当前时刻转换对应的动作曲线数据输入至预先训练得到的道岔故障识别模型中,确定与所述当前时刻转换对应的故障类型。
本发明实施例技术方案,通过对所述表示杆位移曲线数据进行预处理,得到目标位移曲线数据;基于所述目标位移曲线数据发生变化的位置,确定机内解锁阶段与机外解锁阶段的分界时间点、机外解锁阶段与转换阶段的分界时间点,以及转换阶段与机外锁闭阶段的分界时间点;对所述电流曲线数据进行预处理,得到目标电流曲线数据;基于所述目标电流曲线数据与道岔转换关系,确定所述机内解锁阶段的起始时间点、所述机外锁闭阶段与所述机内锁闭阶段的分界时间点、所述机内锁闭阶段与表示阶段的分界时间点以及所述表示阶段的结束时间点,实现对动作曲线的阶段划分,以便于进一步对各阶段的数据进行特征提取,进一步提高了道岔转换故障定位的准确度。
实施例三
图8为本发明实施例三提供的一种道岔故障定位的方法的流程图,在前述实施例的基础上,可以对基于当前时刻转换对应的动作曲线数据与当前时刻之前各次转换对应的历史动作曲线数据的相似度,判断当前时刻转换是否存在故障进行进一步细化,其具体的实施方式可以参见本发明实施例的详细阐述,其中,与上述实施例相同或者相应的技术术语在此不再赘述。
如图8所示,该方法包括:
S301、获取目标道岔至少一次转换对应的动作曲线数据,其中,所述动作曲线数据包括目标道岔转换对应的表示杆位移曲线数据、电流曲线数据以及转换力曲线数据中的至少一个。
S302、对于各动作曲线数据,按照所述目标道岔在转换过程中经历的各个阶段,对当前动作曲线数据进行阶段划分,得到目标动作曲线数据。
S303、基于机内解锁阶段的起始时间点与表示阶段的结束时间点,确定转换时长。
其中,转换时长是指目标道岔转换对应的时间长度。
具体地,如图3所示,机内解锁阶段的起始时间点为t1,表示阶段的结束时间点为t7,则可以确定转换时长T=t7-t1。
S304、基于电流曲线数据中机外解锁阶段、转换阶段以及机外锁闭阶段对应的电流最大值和电流最小值,确定机外解锁阶段对应的第一电流差值、转换阶段对应的第二电流差值和机外锁闭阶段对应的第三电流差值。
其中,第一电流差值是指机外解锁阶段电流最大值与电流最小值的差值。第二电流差值是指转换阶段电流最大值与电流最小值的差值。第三电流差值是指机外锁闭阶段电流最大值与电流最小值的差值。
示例性地,由于确定第一电流差值、第二电流差值和第三电流差值的方式相同,现以确定第一电流差值的方式进行说明:如图3所示,在机外解锁阶段即t1-t2时间范围内,比较各电流数据的大小,从而确定t1-t2时间范围内的电流最大值Imax与电流最小值Imin,则第一电流差值I1=Imax-Imin。对转换阶段和机外锁闭阶段的电流值执行相同的操作,可以得到第二电流差值I2和第三电流差值I3。
S305、基于转换力曲线数据,确定机外解锁阶段对应的第一转换力累加值、转换阶段对应的第二转换力累加值以及机外锁闭阶段对应的第三转换力累加值。
其中,第一转换力累加值是指机外解锁阶段各时刻转换力数据的累加值。第二转换力累加值是指转换阶段各时刻转换力数据的累加值。第三转换力累加值是指机外锁闭阶段各时刻转换力数据的累加值。
示例性地,由于确定第一转换力累加值、第二转换力累加值和第三转换力累加值的方式相同,现以确定第一转换力累加值的方式进行说明:如图3所示,在机外解锁阶段即t1-t2时间范围内,将各个时刻对应的转换力进行累加,从而确定第一转换力累加值N1。对转换阶段和机外锁闭阶段的转换力数据执行相同的操作,可以得到第二转换力累加值N2和第三转换力累加值N3。
S306、基于转换时长、第一电流差值、第二电流差值、第三电流差值、第一转换力累加值、第二转换力累加值及第三转换力累加值确定所述各动作曲线数据对应的特征向量。
其中,特征向量是指能体现目标道岔转换过程中重要阶段对应的电流、转换力、表示杆位移等特征的向量。
具体地,由于确定目标道岔各动作曲线数据对应的特征向量的方式相同,现以对确定其中一个动作曲线数据对应的特征向量的方式进行说明:对于当前动作曲线数据,将其对应的转换时长、第一电流差值、第二电流差值、第三电流差值、第一转换力累加值、第二转换力累加值及第三转换力累加值进行组合,得到对应的特征向量。
在上述示例基础上,由于确定目标道岔各动作曲线数据对应的特征向量的方式相同,现以对确定其中一个动作曲线数据对应的特征向量的方式进行说明:对于当前动作曲线数据,其转换时长为T,第一电流差值为I1、第二电流差值为I2,第三电流差值为I3,第一转换力累加值为N1、第二转换力累加值为N2,第三转换力累加值为N3,则当前动作曲线数据对应的特征向量A1=[T,I1,I2,I3,N1,N2,N3]。
S307、基于所述各动作曲线数据对应的特征向量确定特征矩阵。
其中,特征矩阵是指由各动作曲线数据对应的特征向量构成的矩阵。
示例性地,若各动作曲线数据对应的特征向量分别为A1、A2、A3、A4、A5,则特征矩阵为[A1,A2,A3,A4,A5]T,进一步地,特征矩阵的行代表各动作曲线数据对应的各个特征向量,列代表每个特征。
S308、对所述特征矩阵进行降维处理和归一化处理。
其中,降维处理是指将特征矩阵中关联程度高的特征进行合并或剔除其中至少一个特征的操作。归一化处理是指将特征矩阵中各个特征对应的数据换算成0-1之间的数据。
具体地,可以使用PCA方法对特征矩阵进行降维处理,并对降维处理后的特征矩阵中各个数据进行归一化处理。进一步地,归一化处理的方法可以是最大值-最小值归一化方法,公式如下所示:
其中,i是指第i个特征向量,j是指第j个特征。x
ij是指第i个特征向量中第j个特征对应的数据进行归一化处理后得到的数值。
是指第j个特征对应的最大值,/>
是指第j个特征对应的最小值。
S309、基于DBSCAN算法,判断当前时刻转换是否存在故障。
其中,DBSCAN算法是一基于密度的聚类算法,用于对数据集进行离群点检测。进一步地,DBSCAN算法可用于判断当前道岔转换对应的特征向量是否与历史各次转换对应的特征向量之间存在巨大差异,进而判断当前时刻转换是否存在故障。
具体地,输入特征矩阵作为样本数据D,其中每个特征向量均为一个样本点,设定参数邻域半径r,和最小样本数MinPts,计算当前道岔转换对应的当前样本点与特征矩阵中其它样本点之间的欧氏距离,若与当前样本点之间距离小于r的样本点数量小于最小样本数MinPts,则确定当前样本点为噪点,即当前时刻转换存在故障,若与当前样本点之间距离小于r的样本点数量大于等于最小样本数MinPts,则当前时刻转换不存在故障。
S310、若是,则将所述当前时刻转换对应的动作曲线数据输入至预先训练得到的道岔故障识别模型中,确定与所述当前时刻转换对应的故障类型。
本发明实施例的技术方案,通过基于机内解锁阶段的起始时间点与表示阶段的结束时间点,确定转换时长;基于电流曲线数据中机外解锁阶段、转换阶段以及机外锁闭阶段对应的电流最大值和电流最小值,确定机外解锁阶段对应的第一电流差值、转换阶段对应的第二电流差值和机外锁闭阶段对应的第三电流差值;基于转换力曲线数据,确定机外解锁阶段对应的第一转换力累加值、转换阶段对应的第二转换力累加值以及机外锁闭阶段对应的第三转换力累加值;基于转换时长、第一电流差值、第二电流差值、第三电流差值、第一转换力累加值、第二转换力累加值及第三转换力累加值确定所述各动作曲线数据对应的特征向量;基于所述各动作曲线数据对应的特征向量确定特征矩阵;对所述特征矩阵进行降维处理和归一化处理;基于DBSCAN算法,判断当前时刻转换是否存在故障,对目标道岔转换进行实时的监测,提取动作曲线数据特征,提高数据处理效率,通过DBSCAN算法确定当前道岔转换是否存在故障,实现了初步对目标道岔是否存在故障进行判定,以便于后续对故障进行定位。
实施例四
图9为本发明实施例四提供的一种道岔故障定位的装置的结构示意图。
如图9所示,该装置包括:
数据获取模块410,获取目标道岔至少一次转换对应的动作曲线数据,其中,所述动作曲线数据包括目标道岔转换对应的表示杆位移曲线数据、电流曲线数据以及转换力曲线数据中的至少一个;阶段划分模块420,用于对于各动作曲线数据,按照所述目标道岔在转换过程中经历的各个阶段,对当前动作曲线数据进行阶段划分,得到目标动作曲线数据;故障判断模块430,基于当前时刻转换对应的动作曲线数据与当前时刻之前各次转换对应的历史动作曲线数据的相似度,判断当前时刻转换是否存在故障;故障识别模块440,用于若是,则将所述当前时刻转换对应的动作曲线数据输入至预先训练得到的道岔故障识别模型中,确定与所述当前时刻转换对应的故障类型。
可选的,所述阶段包括:机内解锁阶段、机外解锁阶段、转换阶段、机外锁闭阶段、机内锁闭阶段和表示阶段。
在上述各技术方案基础上,阶段划分模块具体包括:
位移曲线处理单元,用于对所述表示杆位移曲线数据进行预处理,得到目标位移曲线数据;
第一阶段划分单元,用于基于所述目标位移曲线数据发生变化的位置,确定机内解锁阶段与机外解锁阶段的分界时间点、机外解锁阶段与转换阶段的分界时间点,以及转换阶段与机外锁闭阶段的分界时间点;
电流曲线处理单元,用于对所述电流曲线数据进行预处理,得到目标电流曲线数据;
第二阶段划分单元,用于基于目标电流曲线数据与道岔转换关系,确定所述机内解锁阶段的起始时间点、所述机外锁闭阶段与所述机内锁闭阶段的分界时间点、所述机内锁闭阶段与表示阶段的分界时间点以及所述表示阶段的结束时间点。
目标动作曲线数据确定单元,用于基于各阶段时间点,得到目标动作曲线数据。
在上述各技术方案基础上,故障判断模块具体包括:
转换时长确定单元,用于基于机内解锁阶段的起始时间点与表示阶段的结束时间点,确定转换时长;
电流差值确定单元,用于基于电流曲线数据中机外解锁阶段、转换阶段以及机外锁闭阶段对应的电流最大值和电流最小值,确定机外解锁阶段对应的第一电流差值、转换阶段对应的第二电流差值和机外锁闭阶段对应的第三电流差值;
转换力确定单元,用于基于转换力曲线数据,确定机外解锁阶段对应的第一转换力累加值、转换阶段对应的第二转换力累加值以及机外锁闭阶段对应的第三转换力累加值;
特征向量确定单元,用于基于转换时长、第一电流差值、第二电流差值、第三电流差值、第一转换力累加值、第二转换力累加值及第三转换力累加值确定所述各动作曲线数据对应的特征向量;
特征矩阵确定单元,用于基于所述各动作曲线数据对应的特征向量确定特征矩阵;
矩阵处理单元,用于对所述特征矩阵进行降维处理和归一化处理;
故障判断单元,用于基于DBSCAN算法,判断当前时刻转换是否存在故障。
在上述各技术方案基础上,故障识别模块还包括:
数据预处理单元,用于对所述当前时刻转换对应的动作曲线数据进行重采样处理,将重采样处理后的当前动作曲线数据补零至预设长度,输入至所述预先训练得到的道岔故障识别模型中。
在上述各技术方案基础上,道岔故障定位的装置还包括模型确定模块,其中,模型确定模块具体包括:
样本数据获取单元,用于获取训练样本数据和测试样本数据,其中,所述样本数据中包括所述目标道岔至少一次转换对应的动作曲线数据以及相应的故障类型标签;
模型训练模块,用于基于所述训练样本数据对待训练道岔故障识别模型进行训练处理,以得到待使用道岔故障识别模型;
模型确定模块,用于基于所述测试样本数据对所述待使用道岔故障识别模型进行校验处理,以在所述待使用道岔故障识别模型的准确率达到预设准确率阈值时,将所述待使用道岔故障识别模型作为所述目标道岔故障识别模型。
在上述各技术方案基础上,样本数据获取单元还可以用于:
在获取所述样本数据之后对样本数据进行重采样处理并补齐至预设长度,得到所述训练样本数据和测试样本数据。
本发明实施例的技术方案,通过获取目标道岔至少一次转换对应的动作曲线数据,其中,所述动作曲线数据包括目标道岔转换对应的表示杆位移曲线数据、电流曲线数据以及转换力曲线数据中的至少一个;对于各动作曲线数据,按照所述目标道岔在转换过程中经历的各个阶段,对当前动作曲线数据进行阶段划分,得到目标动作曲线数据;基于当前时刻转换对应的动作曲线数据与当前时刻之前各次转换对应的历史动作曲线数据的相似度,判断当前时刻转换是否存在故障;若是,则将所述当前时刻转换对应的动作曲线数据输入至预先训练得到的道岔故障识别模型中,确定与所述当前时刻转换对应的故障类型,通过对比当前目标道岔转换对应的动作曲线数据与目标道岔历史动作曲线数据,判断当前目标道岔转换是否存在故障,并对故障点进行定位,解决了人工故障诊断方法花费大量的人力物力,效率低下,存在误判和漏判的问题,实现了对故障发生点进行精准定位,提高了故障识别及故障定位的效率同时降低故障定位的人力成本。
本发明实施例所提供的道岔故障定位的装置可执行本发明任意实施例所提供的道岔故障定位的方法,具备执行方法相应的功能模块和有益效果。
实施例五
图10示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图10所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM12以及RAM13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如道岔故障定位的方法。
在一些实施例中,道岔故障定位的方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时,可以执行上文描述的道岔故障定位的方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行道岔故障定位的方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。