CN106709567A - 基于深度学习模型的道岔故障诊断方法 - Google Patents

Abstract

本发明提供一种基于深度学习模型的道岔故障诊断方法，包括以下步骤：将实时待检测的道岔启动电流数据L进行归一化处理；然后，将归一化后电流数据输入到训练完成的自组织编码器中；自组织编码器对道岔启动电流数据L进行压缩处理，输出隐含层数据，将输出数据记为数据L’；将数据L’输入到步骤10得到的RBF神经网络中，RBF神经网络的输出即为数据L所反应的故障诊断类型。本发明将自组织编码器与RBF神经网络串联起来，构成新型深度学习模型，从而对道岔启动电流数据进行智能识别，达到对道岔故障自动诊断的目的。该模型具有道岔故障自动诊断的速度快以及诊断的准确性高的优点。

Description

基于深度学习模型的道岔故障诊断方法

技术领域

本发明属于机械故障诊断与人工智能技术领域，具体涉及一种基于深度学习模型的道岔故障诊断方法。

背景技术

道岔是将列车车辆由一条铁路线路转向另一条铁路线路的实现装备。由于道岔具有数量多、构造复杂、使用寿命短、限制列车速度、行车安全性低、养护维修投入大等特点，与曲线、接头并称为轨道的三大薄弱环节，是电务保障行车安全需要维护的主要设备之一。

对道岔故障进行及时发现、准确诊断以及提前预警，不仅可预防重大事故，避免人员伤亡和财产损失；而且会促进从故障修与定期修的维修模式向实现状态修的转变，从而可最大程度地发挥设备的使用潜力，也可避免定期维修带来的不必要经济损失等问题，提高设备使用率，降低维护资金，保障高效生产。

然而，目前，我国的道岔故障诊断手段主要是依靠相关业务人员用人脑去分析微机监测系统现场采集的道岔各组成设备的检测信息，以及简单的阈值故障报警等信息。这种纯粹依靠技术人员的工作经验、业务水平、精力与责任心的故障诊断方法，很容易出现误判、漏判等情况，从而严重威胁铁路运输的安全。随着我国铁路行车速度、运行密度的不断提高，传统道岔故障诊断手段越来越不能满足铁路发展的现状。因此，如何有效解决传统道岔故障诊断手段所具有的上述问题，具有重要意义。

发明内容

针对现有技术存在的缺陷，本发明提供一种基于深度学习模型的道岔故障诊断方法，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种基于深度学习模型的道岔故障诊断方法，包括以下步骤：

步骤1：获得u个道岔启动电流的原始样本数据；其中，u为自然数；每个所述原始样本数据x＝(x₁,x₂,…x_s)，其中，s为自然数，x₁,x₂,…x_s表示某段历史时间长度内连续采样得到的s个道岔启动实际电流值；

步骤2：采用下式对每个原始样本数据x进行归一化处理，得到归一化后的样本数据x^*：

其中，μ为所有原始样本数据的平均值，σ为所有原始样本数据的标准差；

步骤3：从u个归一化后的样本数据x^*中，选择u₁个归一化后的样本数据x^*，组成样本数据集P1；剩余u-u₁＝u₂个归一化后的样本数据x^*组成样本数据集P2；

按设定规则标注样本数据集P1中的每个样本数据所反应的故障类型；

步骤4：设置自组织编码器的拓补结构，包括：输入层、隐含层以及输出层；确定输入层神经元节点数、输出层神经元节点数以及隐含层神经元节点数；其中，输入层神经元节点数和输出层神经元节点数相同；隐含层神经元节点数小于输出层神经元节点数；

步骤5：初始化自组织编码器中相邻神经元节点的权值；利用未标定故障类型的样本数据集P2作为训练数据，采用蒙特卡洛马尔科夫链的方法，学习训练自组织编码器，直到输出端与输入端数据相同或差值符合设定要求，训练结束，得到训练完成的自组织编码器；

步骤6：将已标定故障类型的样本数据集P1作为测试数据，输入到步骤5得到的训练完成的自组织编码器中，训练完成的自组织编码器将输入样本数据压缩到隐藏层，隐藏层数据为输入样本数据的特征数据，自组织编码器输出隐藏层数据，得到数据集P3；其中，数据集P3中每个数据的维数为N_M，N_M即为隐藏层节点数；

步骤7：设置RBF神经网络的拓扑结构，包括：输入层、隐含层以及输出层；其中，RBF神经网络的输入层神经元节点数为Q；隐含层神经元节点数为P；输出成神经元节点数为K；

其中，Q等于数据集B’的维数N_M；K等于故障类型数F；

RBF神经网络的隐含层节点的激活函数采用Gauss径向基函数其中,r为数据点与神经元节点中心的距离，R为神经元节点的半径；

隐含层神经元节点数其中，a为0到10之间的一个整数，为隐含层神经元个数调整系数；a的具体取值，需要多次试验确定；

步骤8：将数据集P3划分为训练集和测试集；

步骤9：利用训练集，训练步骤7得到的RBF神经网络，从而得到训练完成的RBF神经网络；

步骤10：利用测试集，验证所训练的神经网络的泛化能力，当验证通过后，得到最终的RBF神经网络；

步骤11：将实时待检测的道岔启动电流数据L采用步骤2的方法进行归一化处理，然后，归一化后电流数据输入到步骤5得到的训练完成的自组织编码器中，自组织编码器对道岔启动电流数据L进行压缩处理，输出隐含层数据，将输出数据记为数据L’；

步骤12：将数据L’输入到步骤10得到的RBF神经网络中，RBF神经网络的输出即为数据L所反应的故障诊断类型。

优选的，步骤3中，标注样本数据集P1中每个样本数据所反应的故障类型时，采用的设定规则为：

规则1：标定的故障类型全面覆盖需要诊断的故障类型；

规则2：标定的每一类型故障的数据样本个数/数据样本总个数≥W；其中，W为初始设定值，根据数据样本总个数与每个类型故障发生的概率综合判断确定；

规则3：假定故障类型的个数为F，则为每个故障类型分配一个[1,F]之间的唯一的自然数，作为该类故障的标记。

优选的，步骤8中，随机选择数据集P3中的70％个数据形成训练集；剩余30％个数据形成测试集。

优选的，步骤12之后，还包括：

步骤13：通过人机交互，判断本次故障诊断结果的准确性。如果诊断结果正确，则直接跳到步骤11，进入对下一条实时数据的自动故障诊断的流程中；否则，跳到步骤6，利用该道岔启动电流的数据与正确的故障类型作为新测试数据，重新调整自组织编码器输出的数据集P3，进而调整RBF神经网络的的参数，以提高模型的故障诊断的能力。

本发明提供的基于深度学习模型的道岔故障诊断方法具有以下优点：

(1)对道岔故障进行自动诊断的速度快；

(2)对道岔故障进行诊断的准确性高。

附图说明

图1为本发明提供的基于深度学习模型的道岔故障诊断方法的流程示意图。

具体实施方式

为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明为一种基于深度学习与RBF神经网络算法的道岔故障诊断技术。该技术首先利用深度置信神经网络作为特征选择器，来学习抽取道岔启动电流历史数据的本质特征。之后，利用RBF神经网络作为顶层分类器，与前面所说的由深度置信神经网络构成的特征选择器，一起串联合并组成的新的深度神经网络，对道岔启动电流数据进行分类，从而确定道岔的健康状态，实现对道岔故障的自动诊断，以提高道岔故障诊断的准确性与时效性。

本发明提供的基于深度学习模型的道岔故障诊断方法，其主要构思可概括描述为：对道岔启动电流样本数据进行归一化；然后，在铁路信号专家的帮助下，为部分样本数据标定故障类型；然后，利用未标定故障类型的道岔启动电流样本数据学习训练自组织编码器，并以此自组织编码器作为特征选择器，学习抽取道岔启动电流自组织编码器的本质特征，输出原样本数据压缩后的特征数据。之后，利用RBF神经网络作为顶层分类器，与自组织编码器串联，形成新的深度学习模型；然后，采用已标定故障类型的道岔启动电流样本数据进行学习训练，以形成最终的道岔故障诊断的深度学习模型；最后，利用该深度学习模型对道岔启动电流的实时数据进行在线诊断，以确定道岔的健康状态，实现对道岔故障的自动诊断。进一步的，如果诊断结果正确，则结束对该条实时数据的诊断处理，进入对下一条实时数据的诊断过程中。否则，诊断结果错误，则需将该条实时数据与正确的故障类型输入到新型的深度学习模型中，通过增量式学习，让该深度学习模型学习到新的知识，以提高道岔故障诊断的准确性。

参考图1，本发明提供的基于深度学习模型的道岔故障诊断方法，包括以下步骤：

步骤1：获得u个道岔启动电流的原始样本数据；其中，u为自然数；每个所述原始样本数据x＝(x₁,x₂,…x_s)，其中，s为自然数，x₁,x₂,…x_s表示某段历史时间长度内连续采样得到的s个道岔启动实际电流值；

步骤2：采用下式对每个原始样本数据x进行归一化处理，得到归一化后的样本数据x^*：

其中，μ为所有原始样本数据的平均值，σ为所有原始样本数据的标准差；

步骤3：从u个归一化后的样本数据x^*中，选择u₁个归一化后的样本数据x^*，组成样本数据集P1；剩余u-u₁＝u₂个归一化后的样本数据x^*组成样本数据集P2；

按设定规则标注样本数据集P1中的每个样本数据所反应的故障类型；

本步骤中，设定规则可在铁路信号专家的帮助下进行，包括：

规则1：标定的故障类型全面覆盖需要诊断的故障类型；

规则2：标定的每一类型故障的数据样本个数/数据样本总个数≥W；其中，W为初始设定值，根据数据样本总个数与每个类型故障发生的概率综合判断确定；

规则3：假定故障类型的个数为F，则为每个故障类型分配一个[1,F]之间的唯一的自然数，作为该类故障的标记。

步骤4：设置自组织编码器的拓补结构，包括：输入层、隐含层以及输出层；确定输入层神经元节点数、输出层神经元节点数以及隐含层神经元节点数；其中，输入层神经元节点数和输出层神经元节点数相同；隐含层神经元节点数小于输出层神经元节点数；

步骤5：初始化自组织编码器中相邻神经元节点的权值；利用未标定故障类型的样本数据集P2作为训练数据，采用蒙特卡洛马尔科夫链的方法，学习训练自组织编码器，直到输出端与输入端数据相同或差值符合设定要求，训练结束，得到训练完成的自组织编码器；

步骤6：将已标定故障类型的样本数据集P1作为测试数据，输入到步骤5得到的训练完成的自组织编码器中，训练完成的自组织编码器将输入样本数据压缩到隐藏层，隐藏层数据为输入样本数据的特征数据，自组织编码器输出隐藏层数据，得到数据集P3；其中，数据集P3中每个数据的维数为N_M，N_M即为隐藏层节点数；

步骤7：设置RBF神经网络的拓扑结构，包括：输入层、隐含层以及输出层；其中，RBF神经网络的输入层神经元节点数为Q；隐含层神经元节点数为P；输出成神经元节点数为K；

其中，Q等于数据集B’的维数N_M；K等于故障类型数F；

RBF神经网络的隐含层节点的激活函数采用Gauss径向基函数其中,r为数据点与神经元节点中心的距离，R为神经元节点的半径；

隐含层神经元节点数其中，a为0到10之间的一个整数，为隐含层神经元个数调整系数；

步骤8：将数据集P3划分为训练集和测试集；例如，随机选择数据集P3中的70％个数据形成训练集；剩余30％个数据形成测试集。

步骤9：利用训练集，训练步骤7得到的RBF神经网络，从而得到训练完成的RBF神经网络；

步骤10：利用测试集，验证所训练的神经网络的泛化能力，当验证通过后，得到最终的RBF神经网络；

步骤11：将实时待检测的道岔启动电流数据L采用步骤2的方法进行归一化处理，然后，归一化后电流数据输入到步骤5得到的训练完成的自组织编码器中，自组织编码器对道岔启动电流数据L进行压缩处理，输出隐含层数据，将输出数据记为数据L’；

步骤12：将数据L’输入到步骤10得到的RBF神经网络中，RBF神经网络的输出即为数据L所反应的故障诊断类型。

步骤12之后，还包括：

步骤13：通过人机交互，判断本次故障诊断结果的准确性。如果诊断结果正确，则直接跳到步骤11，进入对下一条实时数据的自动故障诊断的流程中；否则，跳到步骤6，利用该道岔启动电流的数据与正确的故障类型作为新测试数据，重新调整自组织编码器输出的数据集P3，进而调整RBF神经网络的的参数，以提高模型的故障诊断的能力。

本发明提供了的基于深度学习模型的道岔故障诊断方法，将自组织编码器与RBF神经网络串联起来，构成新型深度学习模型，从而对道岔启动电流数据进行智能识别，达到对道岔故障自动诊断的目的，具有道岔故障自动诊断的速度快以及诊断的准确性高的优点。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (4)

1.一种基于深度学习模型的道岔故障诊断方法，其特征在于，包括以下步骤：

步骤1：获得u个道岔启动电流的原始样本数据；其中，u为自然数；每个所述原始样本数据x＝(x₁,x₂,…x_s)，其中，s为自然数，x₁,x₂,…x_s表示某段历史时间长度内连续采样得到的s个道岔启动实际电流值；

步骤2：采用下式对每个原始样本数据x进行归一化处理，得到归一化后的样本数据x^*：

$x^{*}=\frac{x-\mathrm{\μ}}{\mathrm{\σ}}$

其中，μ为所有原始样本数据的平均值，σ为所有原始样本数据的标准差；

步骤3：从u个归一化后的样本数据x^*中，选择u₁个归一化后的样本数据x^*，组成样本数据集P1；剩余u-u₁＝u₂个归一化后的样本数据x^*组成样本数据集P2；

按设定规则标注样本数据集P1中的每个样本数据所反应的故障类型；

步骤4：设置自组织编码器的拓补结构，包括：输入层、隐含层以及输出层；确定输入层神经元节点数、输出层神经元节点数以及隐含层神经元节点数；其中，输入层神经元节点数和输出层神经元节点数相同；隐含层神经元节点数小于输出层神经元节点数；

步骤5：初始化自组织编码器中相邻神经元节点的权值；利用未标定故障类型的样本数据集P2作为训练数据，采用蒙特卡洛马尔科夫链的方法，学习训练自组织编码器，直到输出端与输入端数据相同或差值符合设定要求，训练结束，得到训练完成的自组织编码器；

步骤6：将已标定故障类型的样本数据集P1作为测试数据，输入到步骤5得到的训练完成的自组织编码器中，训练完成的自组织编码器将输入样本数据压缩到隐藏层，隐藏层数据为输入样本数据的特征数据，自组织编码器输出隐藏层数据，得到数据集P3；其中，数据集P3中每个数据的维数为N_M，N_M即为隐藏层节点数；

步骤7：设置RBF神经网络的拓扑结构，包括：输入层、隐含层以及输出层；其中，RBF神经网络的输入层神经元节点数为Q；隐含层神经元节点数为P；输出成神经元节点数为K；

其中，Q等于数据集B’的维数N_M；K等于故障类型数F；

RBF神经网络的隐含层节点的激活函数采用Gauss径向基函数其中,r为数据点与神经元节点中心的距离，R为神经元节点的半径；

隐含层神经元节点数其中，a为0到10之间的一个整数，为隐含层神经元个数调整系数；

步骤8：将数据集P3划分为训练集和测试集；

步骤9：利用训练集，训练步骤7得到的RBF神经网络，从而得到训练完成的RBF神经网络；

步骤10：利用测试集，验证所训练的神经网络的泛化能力，当验证通过后，得到最终的RBF神经网络；

步骤11：将实时待检测的道岔启动电流数据L采用步骤2的方法进行归一化处理，然后，归一化后电流数据输入到步骤5得到的训练完成的自组织编码器中，自组织编码器对道岔启动电流数据L进行压缩处理，输出隐含层数据，将输出数据记为数据L’；

步骤12：将数据L’输入到步骤10得到的RBF神经网络中，RBF神经网络的输出即为数据L所反应的故障诊断类型。

2.根据权利要求1所述的基于深度学习模型的道岔故障诊断方法，其特征在于，步骤3中，标注样本数据集P1中每个样本数据所反应的故障类型时，采用的设定规则为：

规则1：标定的故障类型全面覆盖需要诊断的故障类型；

规则2：标定的每一类型故障的数据样本个数/数据样本总个数≥W；其中，W为初始设定值，根据数据样本总个数与每个类型故障发生的概率综合判断确定；

规则3：假定故障类型的个数为F，则为每个故障类型分配一个[1,F]之间的唯一的自然数，作为该类故障的标记。

3.根据权利要求1所述的基于深度学习模型的道岔故障诊断方法，其特征在于，步骤8中，随机选择数据集P3中的70％个数据形成训练集；剩余30％个数据形成测试集。

4.根据权利要求1所述的基于深度学习模型的道岔故障诊断方法，其特征在于，步骤12之后，还包括：

步骤13：通过人机交互，判断本次故障诊断结果的准确性。如果诊断结果正确，则直接跳到步骤11，进入对下一条实时数据的自动故障诊断的流程中；否则，跳到步骤6，利用该道岔启动电流的数据与正确的故障类型作为新测试数据，重新调整自组织编码器输出的数据集P3，进而调整RBF神经网络的的参数，以提高模型的故障诊断的能力。