CN108416362A - 一种道岔异常预警与故障诊断方法 - Google Patents

Abstract

本发明提出了一种道岔异常预警与故障诊断方法，包括以下步骤：(1)基于待测道岔的历史数据，选取其标准动作曲线；(2)采用聚类算法对待测动作曲线进行分段；若无法正确分段，则转到步骤(3)，否则转到步骤(4)；(3)比较待测动作曲线中功率曲线与所有故障样本的功率曲线，寻找功率曲线最相似的故障样本，认定待测动作曲线存在所找到的故障样本对应的故障；(4)对待测动作曲线的每一段，提取第一类特征；(5)将其与标准动作曲线进行对比，判断待测动作曲线为异常还是正常。本发明相比于现有分段法更具有普适性；同时，相比于现有技术选取的标准曲线更为科学，可靠性更高；此外，实现了自适应诊断，对人员需求更少，效率更高。

Description

一种道岔异常预警与故障诊断方法

技术领域

本发明属于轨道交通技术领域，涉及一种预警与诊断方法，尤其是道岔异常预警与故障诊断方法。

背景技术

截止到2016年底，中国的高速铁路网总里程已经超过了20000公里，占据了世界高铁总里程的60％以上。高铁不断增长的速度也需要更加可靠的铁路系统来保障运输的安全和有效性。作为高铁系统的一个关键的设备，道岔的故障率在整个信号故障中占比最高，影响了高铁运输的效率。目前提速道岔采用的转辙机通常为三相交流电的转辙机，由于转辙机部件损耗、异物卡阻、天气影响等等原因，道岔的转换会出现不到位的情况，严重影响列车的正常运行，甚至会有脱轨、挤岔等危险的事故发生。

目前在一些铁路线上安装了微机监测设备，用来采集关键的信号，并给现场人员的判断提供参考。对道岔动作曲线的数据采集就是由微机监测系统完成的，利用实时采集的曲线，我们可以随时掌握道岔的电气特性、时间特性和机械特性。但是实际使用的道岔故障诊断方法只是停留在人工判断或者是简单的阈值判定。人工判断主要依靠专家的经验，界限模糊；而由于同种类型的转辙机也会因为安装的道岔钢轨型号不同而有转换时间不同、转换电流不同等区别(如图1a、图1b、图1c和图1d所示)，阈值判定不具有普适性，在实际应用中带来不便，甚至会发生误判。因此如何实现普适的、准确的道岔故障诊断，如何让现场人员简单地进行诊断操作，实现及时的预警和报警是一个值得研究的课题。

发明内容

本发明的目的在于提供一种道岔异常预警与故障诊断技术，以实现对道岔异常和故障的准确预警与诊断并具有普适性。

为了达到上述目的，本发明的解决方案是：

一种道岔异常预警与故障诊断方法，包括以下步骤：

(1)基于待测道岔的历史数据，选取所述待测道岔的标准动作曲线，作为比对标准；

(2)采用聚类算法对待测道岔的待测动作曲线进行分段；若无法正确分段，则转到步骤(3)，否则转到步骤(4)；

(3)比较所述待测动作曲线中功率曲线与所有故障样本的功率曲线，寻找功率曲线最相似的故障样本，认定所述待测动作曲线存在所找到的故障样本对应的故障；

所述故障样本为已知的，包括对应的功率曲线和对应的诊断代码；

(4)对所述待测动作曲线的每一段，提取第一类特征；第一类特征为用于预警的特征；

(5)将所述步骤(4)中提取的第一类特征，与所述标准动作曲线进行对比，判断所述待测动作曲线为异常还是正常。

所述正确分段根据对道岔的正常的动作数据总结得到；优选地，所述标准动作曲线为标准动作电流曲线；所述正确分段的充分条件是：所述步骤(2)中的待测动作曲线能够划分为三段，并且最后一段的数值处于所述标准动作曲线的最后一段的数值的±20％的区间内。

所述步骤(3)中寻找到功率曲线最相似的故障样本后，返回所找到的故障样本对应的诊断代码；所有故障样本均分配有诊断代码。

所述异常指的是正常道岔扳动到位，但是动作曲线和标准动作曲线有差别的情况；优选地，所述步骤(5)采用阈值法判断所述待测动作曲线为异常还是正常；进一步优选地，所述步骤(5)中采用阈值法判断所述待测动作曲线为异常还是正常包括：将所述步骤(4)提取的所述待测动作曲线的第一类特征与所述标准动作曲线进行比较，在所述第一类特征相比于所述标准动作曲线超过设定的阈值的情形下为异常，否则为正常；更进一步优选地，所述步骤(5)中，基于第一类特征的类型和对应设定的阈值限定异常类型；优选地，为每种异常类型分配一个预警代码；所述步骤(5)中判断所述待测动作曲线异常时，返回对应的预警代码。

所述步骤(1)还包括基于待测道岔的历史数据，获取所述待测道岔的历史数据统计特性；所述步骤(5)还包括将所述步骤(4)中提取的部分第一类特征与所述历史数据统计特性进行对比，判断异常类型，返回对应的预警代码；优选地，超越每个所述历史数据统计特性对应于一个异常类型以及预警代码；优选地，所述历史数据统计特性包括关键特征的正常取值范围；进一步优选地，所述关键特征包括动作电流。

所述步骤(1)包括以下步骤：

(11)基于待测道岔的历史数据，生成待测道岔的动作曲线；

(12)采用聚类算法对每条所述步骤(11)中生成的待测道岔的动作曲线进行分段；

(13)分别对每一段提取第二类特征；第二类特征为用于辅助界定正常数据的特征；

(14)利用所述步骤(13)中提取的第二类特征，从所述历史数据中选取正常数据；在所述正常数据中选择中心，形成所述待测道岔的标准动作曲线；

优选地，所述步骤(12)中的聚类算法为Mean-Shift聚类算法；优选地，所述步骤(12)中分段的结果为将动作曲线划分为以下三个阶段：启动阶段、动作阶段和缓放阶段；优选地，所述步骤(14)中选取正常数据采用的方法为Mean-Shift聚类算法；优选地，所述步骤(14)中在所述正常数据中选择中心采用基于DDTW距离的K-mediods算法。

所述标准动作曲线为标准动作电流曲线。

所述步骤(2)中的所述聚类算法为Mean-Shift聚类算法。

所述步骤(3)中寻找功率曲线最相似的故障样本包括采用DDTW距离衡量待测动作曲线中功率曲线与故障样本的动作曲线中功率曲线的相似度。

所述步骤(4)中的第一类特征包括：动作时长、缓放时长、三相动作电流值、三相动作电流波动值、三相动作电流波动数。

由于采用上述方案，本发明的有益效果是：本发明对原始数据利用动作电流的众数进行归一化以后，采用了Mean-Shift的聚类算法来进行分类，从而确定动作阶段的起始点，实现分段，比现有的固定时间分段法更具普适性。同时，不同于直接任意选择一条正常曲线进行对比，本发明引入了标准动作电流曲线的概念。首先根据分段后的数据提取特征，然后选取正常数据集，最后在正常数据集中采用基于DDTW距离的K-mediods算法来选取标准曲线。这样选出的标准曲线最具有代表性，给后面的诊断提供了更科学的参照，能够更可靠地预警和报警，减少误报和漏报。此外，本发明基于被诊断道岔的标准动作电流曲线和历史数据统计特性，自适应选取特征法和相似度法等方法来进行异常预警和故障诊断，不需要在诊断不同道岔或者当道岔机械特性发生变化时人为设定阈值，实现了自适应的诊断，减少现场人员的人工参与，提高效率。

附图说明

图1a是现有技术中一道岔的正常的动作电流曲线的示意图；

图1b是图1a中道岔的正常的动作功率曲线的示意图；

图1c是现有技术中另一道岔的正常的动作电流曲线的示意图；

图1d是图1c中道岔的正常的动作功率曲线的示意图；

图2是本发明实施例中选取标准动作电流曲线的流程图；

图3是本发明该实施例中诊断过程的流程图；

图4是本发明实施例中对于不同道岔动作电流正常值范围的示意图；

图5a是本发明实施例中异常0001的道岔动作曲线样本；

图5b是本发明实施例中异常0002的道岔动作曲线样本；

图5c是本发明实施例中异常0003的道岔动作曲线样本；

图5d是本发明实施例中异常0004的道岔动作曲线样本；

图5e是本发明实施例中异常0005的道岔动作曲线样本；

图6a是本发明实施例中故障1001的道岔动作曲线样本；

图6b是本发明实施例中故障1002的道岔动作曲线样本；

图6c是本发明实施例中故障1003的道岔动作曲线样本；

图6d是本发明实施例中故障1004的道岔动作曲线样本；

图6e是本发明实施例中故障1005的道岔动作曲线样本；

图6f是本发明实施例中故障1006的道岔动作曲线样本。

具体实施方式

以下结合附图所示实施例对本发明作进一步的说明。

一种道岔异常预警和故障诊断方法，该方法基于大量的道岔监测曲线，通过分段、标准动作电流曲线提取、特征分析等手段进行综合分析，实现异常预警和故障诊断。该方法包括以下步骤：

(1)对于某个特定道岔(即待测道岔)，根据其历史数据选取其标准动作电流曲线并得到历史数据统计特性，该历史数据统计特性包括关键特征的正常值范围，主要包括动作电流的正常值范围；

(2)采用聚类算法对待测动作电流曲线进行分段，若无法正确分段则属于故障，转到步骤(3)，否则属于正常或者异常，转到步骤(4)；

上述正确分段根据对道岔的正常的动作数据总结得到。本实施例中，该正确分段的充分条件是：步骤(2)中的待测动作电流曲线能够划分为三段，并且最后一段的数值处于标准动作电流曲线的最后一段的数值的±20％的区间内。

(3)故障诊断：计算待测动作曲线中的功率曲线和检测库中所有故障样本的功率曲线的相似度，相似度用DDTW距离衡量，找到最相似的样本，并返回对应的诊断代码，后面步骤不再执行；该方法中故障样本为设定的，该方法为每个故障样本均分配有动作曲线(本实施例中仅分配功率曲线即可)和对应的诊断代码；

(4)对每一段提取第一类特征，第一类特征为用于预警的特征，本实施例中第一类特征包括动作时长、缓放时长、三相动作电流值、三相动作电流波动值、三相动作电流波动数；

(5)异常预警：将提取的第一类特征与标准动作电流曲线及历史数据统计特性进行对比，判断异常类型，返回对应的预警代码。其中，部分第一类特征与标准动作电流曲线根据阈值法进行比较，在这些第一类特征相对于标准动作曲线超过设定的阈值时认定该待测动作曲线为异常的；同时该方法基于第一类特征的类型和对应设定的阈值限定异常类型并分配对应的预警代码，即认定某第一类特征相对于标准动作电流曲线超越了对应设定的阈值时为对应的异常类型并分配对应的预警代码；对于部分第一类特征，将其与历史数据统计特性进行比较，当其超越历史数据统计特性的正常范围时，认定其异常，该方法同样为这样的特征及异常分配异常类型和预警代码。

动作曲线包括动作电流曲线和动作功率曲线。

异常类型对应的是异常动作曲线，异常指的是正常道岔产生的扳动到位，但是动作曲线和标准动作曲线有差别的情况；故障类型对应的是故障动作曲线，故障指的是由故障道岔产生的扳动不到位的情况。

上述步骤(1)为选取标准动作电流曲线的过程，步骤(2)至步骤(5)为异常预警和故障诊断过程，具体选取标准动作电流曲线的流程如图2所示，异常预警和故障诊断过程的流程如图3所示。下面结合本实施例对选取标准动作电流曲线过程和异常预警与故障诊断过程两个主要部分进行详细说明。

一、选取标准动作电流曲线的过程

1、通过微机监测设备获取待测道岔的转辙机动作数据文本(即历史数据)，经过读取文本生成道岔的动作曲线；该待测道岔为正常道岔；

上述数据文本涉及的信息有：数据ID、转辙机类型、道岔的转换方向、曲线点数(表示数据点的个数)、动作电流曲线A相点序列、动作电流曲线B相点序列、动作电流曲线C相点序列、动作功率曲线点序列。

上述动作曲线包括A相、B相、C相组合而成的三相动作电流曲线以及动作功率曲线。采集数值的时间间隔为0.04s，动作曲线的横坐标可以由时间点转换为时长。

2、利用Mean-Shift聚类算法将步骤1中得到的每条动作曲线进行分段；

这里分段主要是指将步骤1中得到的每条动作曲线分成了三个阶段：启动阶段、动作阶段、缓放阶段。

这里的Mean-Shift聚类算法是在一种小数据量的情况下适用的聚类算法。使用Mean-Shift聚类算法进行动作曲线分段主要是依靠动作电流曲线的特征，即启动阶段会有一个较大的峰值动作电流，动作阶段是平滑的，缓放阶段是一个形似“小台阶”的曲线。利用聚类算法的好处是不但解决了固定时间分段不具普适性的问题，而且不管动作阶段是否有波动或者突变(这样的话中间可能会有一些点属于其他类)，都能够准确地对动作曲线进行分段。具体地，该分段过程主要包括以下几步：

(1)将步骤1得到的动作电流数据(即所有的时间点对应的三相动作电流)作为输入，首先进行预处理，用动作阶段动作电流的众数对所有输入的动作电流进行归一化处理，得到聚类输入数据集合，即该集合中的元素为所有输入的动作电流经过归一化处理后得到的值。

(2)选择任意数据点x作为圆心，带宽h为半径做圆，落在圆内的数据记录为x_i(i＝1，2，…，m)，计算Mean-Shift向量M_h(x)的表达式如下：

这里因为带宽h采用的是可变带宽，取为聚类输入数据集合的标准差，所以相应的需要使用球形高斯核函数k(s)。g(s)由下面联立的两个式子给出，α是球形高斯核的形状参数，这里取h²：

(3)设定阈值ε，例如0.001*h，；若M_h(x)＞ε，则使M_h(x)＝0更新圆心x，并转到上一步即步骤(2)继续执行；若M_h(x)＜ε则退出循环，结束一次聚类，将剩下的数据用同样的方法进行聚类，直到所有的数据点都完成聚类。

(4)结束聚类以后，因为从动作曲线的特征上观察，动作阶段的动作电流值最多而且最平稳，所以点数最多的类别定义为动作阶段，查找第4个和最后一个属于该点数最多的类别的点，分别设为动作阶段的起始点和结束点。起始点去掉4到5个点不会对诊断的结果产生影响，反而会使起始点更加准确。

3、分别对每一段提取第二类特征；

第二类特征为用于辅助界定正常数据的特征。本实施例中，对应整体的第二类特征是指整体时长；对应启动阶段的第二类特征包括启动时长及该启动时长内动作电流的最大值、均值和中值；对应动作阶段的第二类特征包括动作时长及该动作时长内动作电流的极值(其最大值和最小值)及其均值、中值、众数、标准差、峰值因子、波动因子；对应缓放阶段的第二类特征包括缓放时长及该缓放时长内的缓放电流的极值(其最大值和最小值)及其均值、中值、众数、标准差、峰值因子、波动因子。

进一步地，所述峰值因子p是用来度量是否存在冲击信号的统计量，表达式如下，C(t)指的是t时刻的动作电流值，t₁表示的是第一个数据点，t_l是对应阶段的数据长度：

表示t_l的数据长度内动作电流的最大值，表示t_l的数据长度内动作电流的最小值。

所述波动因子w是用来度量波动趋势的统计量，且与振幅无关，表达式如下，C(t)指的是t时刻的电流值，t₁表示的是第一个数据点，t_l是对应阶段的数据长度，μ是t_l的数据长度内动作电流的均值：

4、利用从步骤3中提取的第二类特征选择正常数据，在正常数据中选择中心(即正常数据组成的数据集合的中心)，形成该道岔的标准动作电流曲线；

在该步骤中，选取正常数据使用的还是Mean-Shift聚类算法，采用的是正常道岔的历史数据，也就是正常数据的比例在50％以上。这样将步骤3中得到所有历史数据的特征集输入进行Mean-Shift聚类，聚类之后势最大的集合必定是正常类，其中的数据为正常数据。

选取中心使用的是基于DDTW(即导数动态时间规整)距离的K-mediods算法(即将现有技术中基于欧式距离的K-mediods算法中的欧式距离改换为DDTW距离)。这样选出的标准动作电流曲线最具有代表性，给后面的诊断提供了更科学的参照。

进一步地，上述基于DDTW距离的K-mediods算法具体分为以下几步：

(1)先从正常数据中随机选取一组聚类样本作为中心点集，每个中心点对应一个簇。

(2)计算各样本点到各个中心点的DDTW距离(这里使用DDTW距离，计算方法在后文介绍)，将样本点放入距离中心点最短的那个簇中。

(3)更新中心点：计算各簇中距簇内各样本点距离的绝度误差最小的点，作为新的中心点。

(4)如果新的中心点集与原中心点集相同，算法终止，且当前的中心点作为求得的正常数据的中心点；如果新的中心点集与原中心点集不完全相同，返回这里的步骤(2)。

进一步地，这里步骤(2)中的DDTW距离和DTW距离一样可以适用于信号序列时间长度不一致的情况，并且和DTW相比增强了对局部变化的适应性，所以对于道岔动作电流曲线相似度的度量更加准确。DTW距离的计算方法是一种常用的距离算法，DDTW距离的计算方法在其基础上进行了改进。计算两条数据的DDTW距离包括以下几步：

①计算原始序列的衍生序列，原始数据的总长度为l，x_j是道岔动作曲线数据的第j个点，按照下式得出衍生序列中的各个元素D(x_j)：

②根据DTW算法的基本步骤，以第①步得出的衍生序列为输入计算出两条数据的DDTW距离。

5、对于所有的历史数据进行统计(本实施例中，例如读取所有历史数据，分段后记录动作电流范围)得到历史数据特性，便于后面预警使用。

这里步骤5所述的统计主要是指获取历史数据统计特性，包括关键特征的正常取值范围，例如动作电流的正常取值范围。对于动作时长、缓放时长这些正常值范围比较固定的特征，可以直接用标准动作电流曲线进行对比来判定。但是把所有动作电流的单相曲线画出对比可以看出，对于某些道岔来说，正常动作电流的范围比较大，而另外一些道岔则比较小(如图4)，因此只用标准动作电流曲线的动作电流值进行对比是不准确的，加入历史数据的统计值即前述历史数据统计特性能够获得更理想的结果。

二、异常预警与故障诊断过程

预警和诊断的实现是判断待测动作曲线能否正确分段，对能够正确分段的待测动作曲线提取的特征和标准动作电流曲线以及历史数据统计特性结合自适应阈值法进行对比，由此判断故障、异常还是正常，返回诊断代码、异常代码或正常结果信息。本实施例中，正常代码、预警代码、诊断代码及其对应的类型含义如下表1所示。

表1正常代码、预警代码、诊断代码及其对应类型含义

表1中，0001至0005为五种异常类型的预警代码，1001至1006为六种故障类型的诊断代码，0000为正常代码。

异常类型主要包括：1DQJ(第一道岔启动电路)长时间未落下、道岔发生空转、动作电流有波动、转换电流超标、动作回路中接点接触不良或接线松动。图5a～图5e是异常的动作曲线的样本。

故障类型主要包括：2DQJ(第二道岔启动电路)未转极、道岔中途卡阻、道岔卡缺口、启动电路开路、输入断相、自闭回路故障。图6a～图6f是故障的动作曲线的样本。

1、将待测的动作曲线进行分段，若无法正确分段则说明属于故障，转到下面的步骤2，否则转到下面的步骤3；

这里对待测动作曲线分段同样使用的是Mean-Shift聚类算法，和选取标准的动作曲线时的步骤相似，此处不再赘述。由图6a-图6f可以看出，部分故障的动作曲线不具有正常的动作曲线的阶段特性，因此分段方法不再适用；而异常的动作曲线因为都具有缓放阶段的“小台阶”，不存在无法分段的问题。在这种情况下，无法分段的故障曲线应当用功率曲线进行故障诊断，因为故障的功率曲线往往有着特殊形态，通过相似度算法就可以区分。

2、故障诊断：计算待测的动作曲线中的功率曲线和检测库中所有样本的功率曲线的相似度，相似度用DDTW距离衡量，找到最相似的样本，并返回对应的诊断代码，后面步骤不再执行。

在使用DDTW进行相似度对比时，需要首先对于数据进行归一。除以最大值是常用的归一化方法，可以将数值都限制在0到1之间。由于DDTW只衡量两个时间序列的相似程度，处理时将序列在时间上进行翘曲，因此忽略了时长上的特性。对于特定的故障类型(如图6c和图6f只有时长不同，形状相似)，需要加入时长来联合判断。

检测库中的样本包括全部故障的动作曲线的样本，每一个样本都有对应的诊断代码，来标注所属故障类别，通过寻找出最相似的一条就可以把故障进行归类。这种方法可以使得故障的类型增多时，只需要在检测库中加入新类型的故障的动作曲线的样本，就可以实现诊断。

3、对每一段提取第一类特征

对于可以分为三段的曲线，可能的情况是正常或是异常，因此以下步骤的目标就是分出异常的动作曲线，并且判断异常类型进行异常预警。这里提取的第一类特征主要有：动作时长、缓放时长、三相动作电流值、三相动作电流波动值、三相动作电流波动数。其中波动部分的特征需要结合现有的小波变换或者微分等方法，找出波动部分的时间段，再进行统计。

4、异常预警：将提取的第一类特征和标准动作电流曲线及历史数据统计特性进行对比，用阈值法判断异常类型，返回对应的预警代码。

由于本申请的第一部分能够对不同的道岔针对性地选取对应的标准动作电流曲线和得到不同的历史数据统计特性，这时再采用阈值法，就不会有需要调节阈值的问题，有自适应的效果，因而本申请中的阈值法实际上为自适应阈值法。对比特征的结果用结构体返回，包括动作时长(用-1,0,1分别表示过短、正常、过长)、缓放时长(用-1,0,1分别表示过短、正常、过长)、三相动作电流值(用-1,0,1分别表示过小、正常、过大)、三相动作电流波动值、三相动作电流波动数。通过结构体中的返回值对应的异常类型得到预警代码；如果返回值均为0，则判定为正常。具体不同类型的异常在曲线上的特征对应如下表2所示，其中过长、过大或过小都以标准值的百分数(例如20％)来判断。利用标准动作电流曲线和历史数据统计特性进行异常预警的原因是，异常与正常往往是细微的区别，在动作电流曲线或者动作功率曲线上的形态特征也有灵活变化。例如“动作回路中接点接触不良或接线松动”这个异常类型(如图5e)，三相电流可以是向上也可以是向下的波动，且可能会出现在不同的时间，也可以呈现不同的形态。实验证明，若直接采用相似度的方法，这些细小的特征会被其他大量的数据点所忽略，或出现错误的匹配，所以采用标准动作电流曲线和历史数据统计特性进行异常预警效果更好。

表2特征分布和各类异常的对应情况

代码	异常类型	曲线特征
			0001	1DQJ长时间未落下	缓放阶段过长
0002	道岔发生空转	动作阶段过长
			0003	动作电流有波动	动作阶段有周期性的电流波动
0004	转换电流超标	动作电流过大或过小
			0005	动作回路中接点接触不良或接线松动	动作阶段同一时刻出现三相电流突变

本实施例重点对S700K型道岔进行异常预警和故障诊断，求取标准动作电流曲线和故障类型和异常类型的样本数据来源于韶赣铁路线上多个道岔2016至2017年的动作电流数据。通过观察这些历史数据并结合专家知识，主要的道岔异常状态有5种，故障状态有6种。

对每个道岔采用2个月的正常数据(500条以上)来选取标准的动作曲线并统计历史数据特征。然后利用310条测试样本，其中包含正常样本、5种异常类型样本和6种故障类型样本，比例为20:5:6，对本申请的道岔异常预警与故障诊断方法的诊断效果进行测试。诊断准确率能够达到98.06％，且只要从测试数据的文本中读出道岔号，就可以自适应地进行诊断，不需要人为进行配置，同时诊断的效果很好。

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (10)

1.一种道岔异常预警与故障诊断方法，其特征在于：包括以下步骤：

(1)基于待测道岔的历史数据，选取所述待测道岔的标准动作曲线，作为比对标准；

(2)采用聚类算法对待测道岔的待测动作曲线进行分段；若无法正确分段，则转到步骤(3)，否则转到步骤(4)；

(3)比较所述待测动作曲线中功率曲线与所有故障样本的功率曲线，寻找功率曲线最相似的故障样本，认定所述待测动作曲线存在所找到的故障样本对应的故障；

所述故障样本为已知的，包括对应的功率曲线和对应的诊断代码；

(4)对所述待测动作曲线的每一段，提取第一类特征；第一类特征为用于预警的特征；

(5)将所述步骤(4)中提取的第一类特征，与所述标准动作曲线进行对比，判断所述待测动作曲线为异常还是正常。

2.根据权利要求1所述的道岔异常预警与故障诊断方法，其特征在于：所述正确分段根据对道岔的正常的动作数据总结得到；

优选地，所述标准动作曲线为标准动作电流曲线；所述正确分段的充分条件是：所述步骤(2)中的待测动作曲线能够划分为三段，并且最后一段的数值处于所述标准动作曲线的最后一段的数值的±20％的区间内。

3.根据权利要求1所述的道岔异常预警与故障诊断方法，其特征在于：所述步骤(3)中寻找到功率曲线最相似的故障样本后，返回所找到的故障样本对应的诊断代码；

所有故障样本均分配有诊断代码。

4.根据权利要求1所述的道岔异常预警与故障诊断方法，其特征在于：所述异常指的是正常道岔扳动到位，但是动作曲线和标准动作曲线有差别的情况；

优选地，所述步骤(5)采用阈值法判断所述待测动作曲线为异常还是正常；

进一步优选地，所述步骤(5)中采用阈值法判断所述待测动作曲线为异常还是正常包括：将所述步骤(4)提取的所述待测动作曲线的第一类特征与所述标准动作曲线进行比较，在所述第一类特征相比于所述标准动作曲线超过设定的阈值的情形下为异常，否则为正常；

更进一步优选地，所述步骤(5)中，基于第一类特征的类型和对应设定的阈值限定异常类型；

优选地，为每种异常类型分配一个预警代码；所述步骤(5)中判断所述待测动作曲线异常时，返回对应的预警代码。

5.根据权利要求1所述的道岔异常预警与故障诊断方法，其特征在于：所述步骤(1)还包括基于待测道岔的历史数据，获取所述待测道岔的历史数据统计特性；

所述步骤(5)还包括将所述步骤(4)中提取的部分第一类特征与所述历史数据统计特性进行对比，判断异常类型，返回对应的预警代码；

优选地，超越每个所述历史数据统计特性对应于一个异常类型以及预警代码；

优选地，所述历史数据统计特性包括关键特征的正常取值范围；

进一步优选地，所述关键特征包括动作电流。

6.根据权利要求1所述的道岔异常预警与故障诊断方法，其特征在于：所述步骤(1)包括以下步骤：

(11)基于待测道岔的历史数据，生成待测道岔的动作曲线；

(12)采用聚类算法对每条所述步骤(11)中生成的待测道岔的动作曲线进行分段；

(13)分别对每一段提取第二类特征；第二类特征为用于辅助界定正常数据的特征；

(14)利用所述步骤(13)中提取的第二类特征，从所述历史数据中选取正常数据；在所述正常数据中选择中心，形成所述待测道岔的标准动作曲线；

优选地，所述步骤(12)中的聚类算法为Mean-Shift聚类算法；

优选地，所述步骤(12)中分段的结果为将动作曲线划分为以下三个阶段：启动阶段、动作阶段和缓放阶段；

优选地，所述步骤(14)中选取正常数据采用的方法为Mean-Shift聚类算法；

优选地，所述步骤(14)中在所述正常数据中选择中心采用基于DDTW距离的K-mediods算法。

7.根据权利要求1或6所述的道岔异常预警与故障诊断方法，其特征在于：所述标准动作曲线为标准动作电流曲线。

8.根据权利要求1所述的道岔异常预警与故障诊断方法，其特征在于：所述步骤(2)中的所述聚类算法为Mean-Shift聚类算法。

9.根据权利要求1所述的道岔异常预警与故障诊断方法，其特征在于：所述步骤(3)中寻找功率曲线最相似的故障样本包括采用DDTW距离衡量待测动作曲线中功率曲线与故障样本的动作曲线中功率曲线的相似度。

10.根据权利要求1所述的道岔异常预警与故障诊断方法，其特征在于：所述步骤(4)中的第一类特征包括：动作时长、缓放时长、三相动作电流值、三相动作电流波动值、三相动作电流波动数。