CN110598674B - 一种基于模式识别的转辙机故障识别方法 - Google Patents

Abstract

本发明公开的一种基于模式识别的转辙机故障识别方法，包括先将待测电流数据与标准电流数据基于时间轴和电流轴分为N段，再通过小波分解重构的方法分别对N段数据滤波处理，最后将经处理的正常数据与待识别数据进行FastDTW算法处理，将得到的结果依据阈值的方式来判断数据是否正常。本发明方法通过初始数据分段、去噪等数据预处理的方式很大程度上减少了FastDTW算法的运算量，加快运算效率，为后期的故障数据与故障数据库之间进行模式匹配得到了可行性保证，由于转辙机具有在启动和锁闭阶段故障率高的特性，从而增加相似度权重参数，为第一段数据与最后一段数据设置较高的相似度权重值来提高故障检测准确率。

Description

一种基于模式识别的转辙机故障识别方法

技术领域

本发明属于转辙机数据分析方法技术领域，具体涉及一种基于模式识别的转辙机故障识别方法。

背景技术

随着铁路的快速发展，为了保证铁路系统安全高效的运行，列车、轨道以及轨旁等铁路设备的安全可靠显得尤为重要。目前，增强铁路设备安全的主要手段是：实时监测设备的状态数据以判断是否工作正常。已有的转辙机故障监管方法主要依靠设置报警阈值，技术人员周期查看转辙机运行日志等手段来确定转辙机工作状态，但是这种人为的方式效率低下，普遍存在漏报误报等现象，并不能满足日益增长的铁路安全保障要求。

随着人工智能和大数据技术的不断发展，基于转辙机监测数据的各种故障特征提取的方法逐渐被广泛研究和应用。这类方法基于采集的数据，通过提取数据特征来反映设备的健康状况，相对传统方案具有准确率高、处理能力更快等优势。

发明内容

本发明的目的是提供一种基于模式识别的转辙机故障识别方法，解决了现有转辙机故障监管方法效率低下、误差率高的问题。

本发明所采用的技术方案是，一种基于模式识别的转辙机故障识别方法，包括以下步骤：

步骤1，建立平面坐标系，x轴表示时间，y轴表示电流，设电流标准数据为S＝[i₀,i₁,...,i_n]、电流待测数据为S'＝[i'₀,i'₁,...,i'_m]，将电流标准数据和电流待测数据输入至所述平面坐标系，基于x轴、y轴分段；

步骤2，针对步骤1中S、S'基于x轴、y轴分段所得数据进行小波分解重构法去噪；

步骤3，将步骤2中去噪后的数据进行FastDTW算法处理，得到每段数据与标准数据的相似度值；

步骤4，根据步骤3中每段数据相似度的权重值计算总相似度ω；

步骤5，比较步骤4中的总相似度ω与设定好的阈值ω'值，如果总相似度ω小于ω'值，则说并该段数据为故障数据，反之则为正常数据。

本发明的特征还在于，

分段有两种情况：

1)当转辙机为双动状态时，分为四段，具体为：

记i_max＝max(i_r,i_r+1...i_m)，其中r>第一个波峰点的时间点，参数m>第二个波峰的时间点；通过i_max将S沿x轴分为两段，即S_x＝[i₀,i₁...i_max]和S_y＝[i_max+1,i_max+2...i_m]，同理将待识别数据分为S'_x、S'_y；

分别取S_x与S'_x在x轴上最中间的k个点、以数组的形式保存为p＝[i_s,i_s+1,...,i_s+k,]、p'＝[i'_v,i'_v+1,...i'_v+k,]，记d(i,j)为p中第i个点与p'中第j个点的距离，取d(u,v)＝min(d(i,j))；则参数u将S_x在y轴分为S₁＝[i_max+1,i_max+2...i_u]和S₂＝[i_u+1,i_u+2...i_m]；同理S'_x被分为S'₁和S'₂，S_y被分为S₃和S₄，S'_y被分为S₃'和S₄'；

2)当转辙机为单动状态时，分为两段，单动状态数据无需通过所述i_max进行分段，仅需通过参数u分段即可具体为：

分别取S、S'在x轴上最中间的k个点、以数组的形式保存为p＝[i_s,i_s+1,...,i_s+k,]、p'＝[i'_v,i'_v+1,...i'_v+k,]，记d(i,j)为p中第i个点与p'中第j个点的距离，取d(u,v)＝min(d(i,j))；则参数u将S在y轴分为S₁＝[i_max+1,i_max+2...i_u]和S₂＝[i_u+1,i_u+2...i_m]；同理S'被分为S'₁和S'₂。

步骤2具体为：

将S₁进行n层小波分解且n＝3-5，其分解过程为公式(1)：

公式(1)中参数S_i和W_i分别为原始信号S₁的低频信号和高频信号，参数H和V分别为低通滤波器和高通滤波器，分解到n层后，利用Mallat重构，具体过程如公式(2)：

其中参数H^*和G^*分别为低通滤波器和高通滤波器的对偶算子；

参数S₂、S₃和S₄、S'₁和S'₂、S₃'和S₄'重复上述计算过程。

步骤3具体为：

步骤3.1，分别取经步骤2处理过后标准数据第一段S₁＝[i₁,i₂,...,i_m]，待测数据第一段S'₁＝[i'₁,i'₂,...,i'_n]；构建S₁、S₁'距离矩阵D：

步骤3.2，数据粗粒度化，取分辨率系数τ作为S₁、S'₁距离矩阵D_k初始分辨率：

步骤3.3，随后对D_τ[k,v]进场DTW算法处理，具体过程如下：

构建扭曲路径W＝w₁,w₂,...w_t,...,w_s，其中w_t＝D_τ[k,v],max(m,n)＜t＜m+n，其中参数k、v分别是S₁、S₁'的索引，m、n分别是S₁、S₁'的长度，即最大索引。并保证w₁＝D[1,1],w_s＝D[m,n]，搜索扭曲路径如下：

w_t＝D[k,v],w_t+1＝min(D[k',v'])k≤k'≤k+1,v≤v'≤v+1 (5)

再将计算得到的W＝w₁,w₂,...w_t,...,w_s中每个w_t粒度细化：取分辨率系数τ＝τ/2，重复上述步骤直到τ＝1；

步骤3.4，令k＝1时扭曲路径为W1＝w₁,w₂,...,w_r，距离相似度为

同理可得S₂、S'₂的距离相似度Dist(W2)，S₃、S'₃的距离相似度Dist(W3)，S₃、S'₃的距离相似度Dist(W4)。

步骤4具体为：

分别设置经步骤3处理后的分段数据相似度为Dist(W1)、Dist(W2)、……的权重值α、β、…且α+β+…＝1，则总距离相似度

本发明的有益效果是：本发明一种基于模式识别的转辙机故障识别方法通过先将待测电流数据与标准电流数据，基于时间轴和电流轴分为若干段，再通过小波分解重构的方法分别对分段后的数据滤波处理，最后将经处理的正常数据与待识别数据进行FastDTW算法处理，将得到的结果依据阈值的方式来判断数据是否正常。本发明识别方法通过初始数据分段、去噪等数据预处理的方式很大程度上减少了FastDTW算法的运算量，加快运算效率，为后期的故障数据与故障数据库之间进行模式匹配得到了可行性保证，由于转辙机具有在启动和锁闭阶段故障率高的特性，从而增加相似度权重参数，为第一段数据与最后一段数据设置较高的相似度权重值来提高故障检测准确率，有很好的实用价值。

附图说明

图1是本发明一种基于模式识别的转辙机故障识别方法的流程图；

图2是本发明识别方法中转辙机一次启动电流示意图，其中图2(a)为转辙机一次启动单动电流示意图，图2(b)为转辙机一次启动双动电流示意图；

图3是图2(b)中标准电流数据与待测电流数据第一次分段图，其中图3(a)为转辙机一次启动双动的S_x和S'_x部分分段图，图3(b)为转辙机一次启动双动S_y和S'_y部分分段图；

图4是本发明识别方法中标准电流数据与待测电流数据的第二次分段图意图，其中图4(a)为转辙机一次启动双动S₁和S'₁分段图，图4(b)为转辙机一次启动双动S₂和S'₂分段图，图4(c)为转辙机一次启动双动S₃和S'₃分段图，图4(d)为转辙机一次启动双动S₄和S'₄分段图；

图5是图4中对应图片处理后的去噪后的图片，其中图5(a)为图4(a)去噪后的曲线图，图5(b)为图4(b)去噪后的曲线图，图5(c)为图4(c)去噪后的曲线图，图5(d)为图4(d)去噪后的曲线图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于模式识别的转辙机故障识别方法，如图1所示，具体包括以下步骤：

转辙机单动指转辙机转动角度小，只需一次牵引力即可完成动作；转辙机双动指转动角度大，需两次牵引力完成动作。其中standard current曲线为转辙机一次启动标准电流数据，test current曲线为待测数据。如图2(a)和图2(b)所示，分别为单动和双动的标准和待测数据图。

以转辙机一次启动双动为例，具体为：

步骤1，建立平面坐标系，x轴表示时间，y轴表示电流，设标准数据为S＝[i₀,i₁,...,i_n]、待测数据为S'＝[i'₀,i'₁,...,i'_m]，将标准数据和待测数据输入至平面坐标系，将S、S'基于x轴、y轴分为4段；

具体为：

第一次分段：记i_max＝max(i_r,i_r+1...i_m)，其中r>第一个波峰点的时间点，参数m>第二个波峰的时间点；

通过i_max将S分为2段，即S_x＝[i₀,i₁...i_max]和S_y＝[i_max+1,i_max+2...i_m]，同理将待识别数据分为S'_x、S'_y；如图如图3(a)，为标准数据中的S_x段和待识别数据中的S'_x段，如图3(b)所示，为标准数据中的S_y段和待识别数据中的S'_y段，

第二次分段：分别取S_x与S'_x在时间轴上最中间的k个点、以数组的形式保存为p＝[i_s,i_s+1,...,i_s+k,]、p'＝[i'_v,i'_v+1,...i'_v+k,]，记d(i,j)为p中第i个点与p'中第j个点的距离，取d(u,v)＝min(d(i,j))；则参数u将S'_x分为S₁＝[i_max+1,i_max+2...i_u]和S₂＝[i_u+1,i_u+2...i_m]；

同理S'_x被分为S'₁和S'₂，S_y被分为S₃和S₄，S'_y被分为S₃'和S₄'。具体如图4中(a)-(d)所示，分别对应为S₁和S'₁、S₂和S'₂、S₃和S₃'、S₄和S₄'的分段图。

步骤2，针对对步骤1中S、S'基于x轴、y轴分段所得数据，S₁和S₂、S₃和S₄、S'₁和S'₂、S₃'和S₄'，进行小波分解重构法去噪；具体为：

步骤2具体为：

将S₁进行n层小波分解且n＝3-5，其分解过程为公式(1)：

公式(1)中参数S_i和W_i分别为原始信号S₁的低频信号和高频信号，参数H和V分别为低通滤波器和高通滤波器，分解到n层后，利用Mallat重构，具体过程如公式(2)：

其中参数H^*和G^*分别为低通滤波器和高通滤波器的对偶算子；

参数S₂、S₃和S₄、S'₁和S'₂、S₃'和S₄'重复上述计算过程。

步骤3，将步骤2中去噪后的数据进行FastDTW算法处理得到每段数据与标准数据的相似度值；具体过程如下：

分别取经处理过后标准数据第一段S₁＝[i₁,i₂,...,i_m]，待测数据第一段S'₁＝[i'₁,i'₂,...,i'_n]；

构建S₁、S₁'距离矩阵D：

数据粗粒度化，取分辨率系数τ作为S₁、S'₁距离矩阵D_k初始分辨率：

随后对D_τ[k,v]进场DTW算法处理，具体过程如下：

构建扭曲路径W＝w₁,w₂,...w_t,...,w_s，其中w_t＝D_τ[k,v],max(m,n)＜t＜m+n，其中参数k、v分别是S₁、S'₁的索引，m、n分别是S₁、S'₁的长度，即最大索引。并保证w₁＝D[1,1],w_s＝D[m,n]，搜索扭曲路径如下：

w_t＝D[k,v],w_t+1＝min(D[k',v'])k≤k'≤k+1,v≤v'≤v+1

再将计算得到的W＝w₁,w₂,...w_t,...,w_s中每个w_t粒度细化：取分辨率系数τ＝τ/2，重复上述步骤直到τ＝1。

令k＝1时扭曲路径为W1＝w₁,w₂,...,w_r，距离相似度为

同理可得S₂、S'₂的距离相似度Dist(W2)，S₃、S'₃的距离相似度Dist(W3)，S₃、S'₃的距离相似度Dist(W4)。

步骤4，根据步骤3中每段数据相似度的权重值计算总相似度ω；

分别设置四段数据相似度Dist(W1)、Dist(W2)、Dist(W3)、Dist(W4)的权重值α、β、γ、μ且α+β+γ+μ＝1，则总距离相似度

步骤5，比较步骤4中的总相似度ω与设定好的阈值ω'值，如果总相似度ω小于ω'值，则说并该段数据为故障数据，反之则为正常数据。

本发明识别方法通过以实测转辙机一次启动电流数据为待测数据，首先输入标准电流数据与待测电流数据，然后分段，随后对所得8段数据进行小波分解重构算法去噪，结果如图5(a)-(d)所示。最后将上步骤所得得数据分别作为FastDTW的输入，得到其结果为ω＝0.18小于阈值ω'＝9.86，故其为故障数据。

本发明识别方法通过利用FastDTW算法来对转辙机一次动作电流曲线进行模式识别，弥补了传统DTW算法运算效率慢的缺点；同时依据转辙机动作电流曲线的特性，在保证待测数据和标准数据相对位置最大概率相同的情况下对数据进行分段，不仅加快了FastDTW运算效率，同时适当弥补了FastDTW算法准确率的问题；最后根据先验知识，由于转辙机在一次动作过程中，由于在启动和转换过程中故障发生频率高于锁闭阶段，故给每段数据设置相应的权重参数来提高识别准确率。

Claims (5)

1.一种基于模式识别的转辙机故障识别方法，其特征在于，包括以下步骤：

步骤1，建立平面坐标系，x轴表示时间，y轴表示电流，设电流标准数据为S＝[i₀,i₁,...,i_n]、电流待测数据为S′＝[i′₀,i′₁,...,i′_m]，将电流标准数据和电流待测数据输入至所述平面坐标系，基于x轴、y轴分段；

步骤2，针对步骤1中S、S'基于x轴、y轴分段所得数据进行小波分解重构法去噪；

步骤3，将步骤2中去噪后的数据进行FastDTW算法处理，得到每段数据与标准数据的相似度值；

步骤4，根据步骤3中每段数据相似度的权重值计算总相似度ω；

步骤5，比较步骤4中的总相似度ω与设定好的阈值ω'值，如果总相似度ω小于ω'值，则说并该段数据为故障数据，反之则为正常数据。

2.根据权利要求1所述的一种基于模式识别的转辙机故障识别方法，其特征在于，所述分段有两种情况：

1)当转辙机为双动状态时，分为四段，具体为：

记i_max＝max(i_r,i_r+1...i_m)，其中r>第一个波峰点的时间点，参数m>第二个波峰的时间点；通过i_max将S沿x轴分为两段，即S_x＝[i₀,i₁...i_max]和S_y＝[i_max+1,i_max+2...i_m]，同理将待识别数据分为S′_x、S′_y；

分别取S_x与S′_x在x轴上最中间的k个点、以数组的形式保存为p＝[i_s,i_s+1,...,i_s+k,]、p'＝[i′_v,i′_v+1,...i′_v+k,]，记d(i,j)为p中第i个点与p'中第j个点的距离，取d(u,v)＝min(d(i,j))；则参数u将S_x在y轴分为S₁＝[i_max+1,i_max+2...i_u]和S₂＝[i_u+1,i_u+2...i_m]；同理S′_x被分为S′₁和S′₂，S_y被分为S₃和S₄，S′_y被分为S₃'和S₄'；

2)当转辙机为单动状态时，分为两段，单动状态数据无需通过所述i_max进行分段，仅需通过参数u分段即可具体为：

分别取S、S'在x轴上最中间的k个点、以数组的形式保存为p＝[i_s,i_s+1,...,i_s+k,]、p'＝[i′_v,i′_v+1,...i′_v+k,]，记d(i,j)为p中第i个点与p'中第j个点的距离，取d(u,v)＝min(d(i,j))；则参数u将S在y轴分为S₁＝[i_max+1,i_max+2...i_u]和S₂＝[i_u+1,i_u+2...i_m]；同理S'被分为S′₁和S′₂。

3.根据权利要求2所述的一种基于模式识别的转辙机故障识别方法，其特征在于，所述步骤2具体为：

将S₁进行n层小波分解且n＝3-5，其分解过程为公式(1)：

公式(1)中参数S_i和W_i分别为原始信号S₁的低频信号和高频信号，参数H和V分别为低通滤波器和高通滤波器，分解到n层后，利用Mallat重构，具体过程如公式(2)：

其中参数H^*和G^*分别为低通滤波器和高通滤波器的对偶算子；

参数S₂、S₃和S₄、S′₁和S′₂、S₃'和S₄'重复上述计算过程。

4.根据权利要求3所述的一种基于模式识别的转辙机故障识别方法，其特征在，步骤3具体为：

步骤3.1，分别取经步骤2处理过后标准数据第一段S₁＝[i₁,i₂,...,i_m]，待测数据第一段S′₁＝[i′₁,i′₂,...,i′_n]；构建S₁、S′₁距离矩阵D：

步骤3.2，数据粗粒度化，取分辨率系数τ作为S₁、S′₁距离矩阵D_k初始分辨率：

步骤3.3，随后对D_τ[k,v]进场DTW算法处理，具体过程如下：

构建扭曲路径W＝w₁,w₂,...w_t,...,w_s，其中w_t＝D_τ[k,v],max(m,n)＜t＜m+n，其中参数k、v分别是S₁、S′₁的索引，m、n分别是S₁、S′₁的长度，即最大索引；并保证w₁＝D[1,1],w_s＝D[m,n]，搜索扭曲路径如下：

w_t＝D[k,v],w_t+1＝min(D[k',v']) k≤k'≤k+1,v≤v'≤v+1 (5)

再将计算得到的W＝w₁,w₂,...w_t,...,w_s中每个w_t粒度细化：取分辨率系数τ＝τ/2，重复上述步骤直到τ＝1；

步骤3.4，令k＝1时扭曲路径为W1＝w₁,w₂,...,w_r，距离相似度为

重复上述步骤可得S₂、S′₂的距离相似度Dist(W2)，S₃、S′₃的距离相似度Dist(W3)，S₃、S′₃的距离相似度Dist(W4)。

5.根据权利要求4所述的一种基于模式识别的转辙机故障识别方法，其特征在，步骤4具体为：

分别设置经步骤3处理后的分段数据相似度为Dist(W1)、Dist(W2)、……的权重值α、β、…且α+β+…＝1，则总距离相似度

Images