CN110728300A - 基于道岔动作电流曲线识别故障类型的方法及系统 - Google Patents

Abstract

本公开的实施例提供了一种基于道岔动作电流曲线识别故障类型的方法及系统，所述方法包括对待识别的道岔动作电流曲线进行预处理，生成待识别图像；将所述待识别图像输入预先训练得到的故障识别模型，得到第一识别结果，其中，所述第一识别结果包括所述待识别图像对应正常的概率和对应不同故障类型的概率；基于所得到的第一识别结果生成并输出第二识别结果。以此方式，可以规范化道岔动作曲线数据在笛卡尔坐标系形态上横轴动作持续时间长短不一的情形，减小形态上横轴与纵轴上的偏移带来的影响；不需要人工提取电流曲线的特征，避免了欠拟合与过拟合问题；不依赖于专业人员的经验及业务能力水平，避免了误识别和漏识别，提高了故障识别精度。

Description

基于道岔动作电流曲线识别故障类型的方法及系统

技术领域

本公开的实施例一般涉及轨道交通技术领域，并且更具体地，涉及基于道岔动作电流曲线识别故障类型的方法、系统、设备和计算机可读存储介质。

背景技术

道岔转辙机是一个复杂的电气及机械装置，用来在车辆前方可选进路上进行轨道方向的转换。在地铁的运营与维护的过程当中，道岔不能正常转换占了道岔故障占相当大的比例。道岔转辙机的维护目的正是为了增强地铁服务质量并减少系统的故障。

对道岔转辙机，能够采用电压和电流传感器去采集电流、电压和功率等特性曲线。这些特性曲线是道岔在转换动作过程中的一个表征，通过这些曲线的分析能够推断出现场道岔相关设备实际的运营状况。当道岔转辙机的动作电路被接通时，道岔会执行转换的动作流程。道岔动作电流描述了转辙机的解锁阶段，转换阶段，锁闭阶段和缓放阶段。通过对电流曲线的分析就可以判断出道岔转辙机的电气、机械等故障特性。

道岔转辙机维护的基础一般是基于道岔转换过程中动作电流曲线的分析，因为其蕴含的信息量目前对于道岔的运营维护来说是最关键的且道岔动作电流曲线数据方便采集。道岔动作电流曲线作为道岔运行状况的一个主要指标，微机监测系统可以对其进行实时监测并记录。

在地铁道岔转辙机的运营维护中，针对转辙机特性曲线，主要依赖专业人员的人工调阅手段来判断当前曲线是否是故障类型。这种人工调阅的方式自身存在一定的问题。在道岔转辙机故障监测及诊断领域，用机器学习代替人工的思考和决策能够更准确的识别和诊断故障。采用经典的机器学习的视角来看，道岔转辙机曲线的故障诊断及识别问题可以被认为是一个分类问题，而实际运营中不仅仅对针对道岔动作曲线做简单的你“健康”或是“故障”的二分类就能够满足现场实际需求了，而要将“故障”更加进行细分，实际上问题是一个多分类的问题，故障类别包括但不限于卡阻故障、缺油故障、电机抱死故障等。传统机器学习方法中应用比较广泛的有支持向量机、神经网络、决策树和随机森林等方法。

在现今仍广泛采用的“故障修”及“计划修”的框架下，对道岔的故障分析时，人工地对常见的故障进行总结分析是必要的，通过对转辙机的动作电流进行分析，大体上可以找到故障的原因并能够推测未来是否会出现故障。不过，依赖专业人员的人工调阅手段来区别当前曲线是否是故障类型以及是哪一种故障类型，这样做的不足之处在于，这将依赖于专业人员的经验及业务能力水平，专家经验模型难以获取及统一，容易产生误识别和漏识别的问题，缺乏自学习性；另外，专家系统使用人工根据经验值而设定的硬阈值的方式对转辙机特性曲线进行检测，缺乏一定的鲁棒性和可扩展性，因为道岔曲线形态各异，即使是同一型号的转辙机，面对不同的工况及工作负载的不同，不同时间点的环境因素如温度及湿度的变化时，采集到的电流特性曲线也是有所区别的，人工地去面对各种情况并且要使用硬阈值去适应这些曲线特征上的变化对人的要求比较高，可能会需要经常根据工况调整参数的阈值，并且出现新的故障类型时，要增加新的故障识别方法。

而传统的机器学习算法表现出的缺陷为以下几点：

1.道岔动作曲线应用机器学习过程中采用人工特征提取存在一定的局限性。由于转辙机曲线的特殊性，模型的训练识别依赖于特征的选择，很难找到一个合适的特征提取方法对其进行特征提取，导致输入分类器的数据有大量冗余信息，这要求提取特征时要能最大程度提取正常曲线和故障曲线的差异特征，而真正能区分各类曲线的特征得不到体现，无法得到曲线的特征以及它们对于分类的重要性，对于噪音较大的分类会出现过拟合。

典型的三相交流电动转辙机是ZDJ9型号的道岔转辙机，其道岔动作电流曲线会有三相，分别为A相电流曲线，B相电流曲线和C相电流曲线。这三相电流曲线存在一定的关联，要将这三相电流曲线的信息综合成一个样本去使用机器学习算法进行训练，这就要将A、B、C相电流曲线的信息做特征提取，即需要实现确定好特征，每一个特征即为一个维度，特征数目过少，可能无法精确的分类出来，即欠拟合，如果特征数目过多，可能会导致在分类过程中过于注重某个特征导致分类错误，即过拟合。三相电流曲线的存在使得要去刻意提取三相电流曲线之间的关联关系的一些特征，但这往往存在上述的问题。

2.在实际运营过程中，不可能在最初就做到对故障类型精确分类且全覆盖，转辙机曲线会在运营过程中不断加入新的道岔动作曲线，而且道岔曲线的形态可能会不断的演变，要想适应新的情况就需要对模型重新进行训练。

3.道岔动作曲线数据的每个样本的采样点数不同，这是由于道岔在转换时动作时间长短不同导致的，使得在用传统机器学习算法时多个样本数据之间规格存在差异性，这对于分阶段更加细致的特征提取来说是一个相当大的障碍，由于数据规格的差异导致划分阶段没有一个好的标准，使得不同的道岔动作曲线不能在一个好的框架下去做比对。一般都要做的一个操作是要对样本进行采样点对齐的操作，通常是通过补零(padding)的方式，可是这样做一般是在曲线末尾进行操作，对于分阶段的精细化提取特征的方式也是不利的。

发明内容

根据本公开的实施例，提供了一种基于道岔动作电流曲线识别故障类型的方法及系统，能够准确识别道岔故障类型。

在本公开的第一方面，提供了一种基于道岔动作电流曲线识别故障类型的方法。该方法包括：对待识别的道岔动作电流曲线进行预处理，生成待识别图像；将所述待识别图像输入预先训练得到的故障识别模型，得到第一识别结果，其中，所述第一识别结果包括所述待识别图像对应正常的概率和对应不同故障类型的概率；基于所得到的第一识别结果生成并输出第二识别结果。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述道岔动作电流曲线为三相电流曲线；所述对待识别的道岔动作电流曲线进行预处理包括：将笛卡尔坐标系下的三相电流曲线转换到极坐标下。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述将笛卡尔坐标系下的三相电流曲线转换到极坐标下包括：对笛卡尔坐标系下纵轴的电流强度做归一化处理，将归一化处理后的电流强度值作为极坐标的极径；以2πi/n(n为样本的点数，i为当前样本)作为极坐标的极角。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述故障识别模型是通过对预设的卷积神经网络进行训练得到的，其中，所述卷积神经网络包括卷积层、池化层、全连接层；所述卷积层包括两层卷积层，第一层卷积层具有三个通道，对应所述三相电流曲线。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述故障识别模型是通过以下训练步骤得到的：获取预置的极坐标下的道岔动作电流曲线图像组成的样本图像集合与每个样本图像对应的故障标签；利用机器学习方法，基于所述样本图像集合、所述每个样本图像对应的故障标签、预设的分类损失函数和方向传播算法对所述卷积神经网络进行训练，得到故障识别模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述基于所得到的第一识别结果生成并输出第二识别结果包括：确定所述待识别图像对应健康状态的概率是否为所得的第一识别结果中的最大概率；若是最大概率，则将所述健康状态生成第二识别结果；若不是最大概率，则按照数值大小，从所述待识别图像中对应故障类型的概率中选取概率，并将选取出的概率和该概率所对应的故障类型生成第二识别结果。

在本公开的第二方面，提供一种基于道岔动作电流曲线识别故障类型的系统，包括：预处理单元，用于对待识别的道岔动作电流曲线进行预处理，生成待识别图像；识别单元，用于将所述待识别图像输入预先训练得到的故障识别模型，得到第一识别结果，其中，所述第一识别结果包括所述待识别图像对应正常的概率和对应不同故障类型的概率；输出单元，用于基于所得到的第一识别结果生成并输出第二识别结果。

在本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。

在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面和/或第二发面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1示出了根据本公开的实施例的基于道岔动作电流曲线识别故障类型的方法的流程图；

图2示出了根据本公开的实施例的基于道岔动作电流曲线识别故障类型的系统的方框图；

图3示出了能够实施本公开的实施例的示例性电子设备的方框图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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全部其他实施例，都属于本公开保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1示出了根据本公开的实施例的基于道岔动作电流曲线识别故障类型的方法的流程图。

在框102，对待识别的转辙机动作电流曲线进行预处理，生成待识别图像；

获取道岔转辙机的动作电流曲线，当道岔转辙机的动作电路被接通时道岔会执行转换的动作流程。道岔转换时就会有动作电流，道岔转辙机的动作电流描述了道岔转辙机的解锁阶段，转换阶段，锁闭阶段和缓放阶段。通过对道岔转辙机的电流曲线的分析就可以判断出道岔转辙机的电气、机械等故障特性。

所获取的电流曲线为笛卡尔坐标系下的电流曲线。

典型的三相交流电动转辙机是ZDJ9型号的道岔转辙机，其道岔动作电流曲线会有三相，分别为A相电流曲线，B相电流曲线和C相电流曲线。三相道岔电流曲线在笛卡尔坐标系中绘制出来，会出现图片大小不一致或是图像比例不一致的情形。笛卡尔坐标系下可能由于道岔动作时间太长而造成的图像的宽大于高的图像类型，且不同的样本的图片大小也存在差距，而后续要使用的卷积神经网络是要求图片大小是要有固定尺寸的，对图像数据进行处理需要resize图片大小，这种手段会使三项道岔电流曲线发生形变，会影响识别分类效果，

因此，需要对待识别的转辙机动作电流曲线进行预处理，生成适用于机器学习的待识别图像。

在一些实施例中，将笛卡尔坐标系下的三相道岔动作电流曲线转换到极坐标下进行表示。

笛卡尔坐标系就是直角坐标系和斜角坐标系的统称。相交于原点的两条数轴，构成了平面放射坐标系。如两条数轴上的度量单位相等，则称此放射坐标系为笛卡尔坐标系。两条数轴互相垂直的笛卡尔坐标系，称为笛卡尔直角坐标系，否则称为笛卡尔斜角坐标系。

极坐标系是在平面内由极点、极轴和极径组成的坐标系。在平面上取一点O，称为极点。从O出发引一条射线Ox，称为极轴。再取定一个长度单位，通常规定角度取逆时针方向为正。这样，平面上任一点P的位置就可以用OP的长度ρ以及从Ox到OP的角度θ来确定，有序数对(ρ，θ)就称为P点的极坐标，记为P(ρ，θ)；ρ称为P点的极径，θ称为P点的极角。当限制ρ≥0，0≤θ<2π时，平面上除极点Ο以外，其他每一点都有唯一的一个极坐标。对极坐标添加一个限制，即极点的极径为零，极角任意之后能够保证平面上每一点不会有无数多组极坐标，一般地，如果(ρ，θ)是一个点的极坐标，那么(ρ，θ+2nπ)，(－ρ，θ+(2n+1)π)，都可作为它的极坐标，这里n是任意整数。

将道岔动作电流曲线由笛卡尔坐标系转换成极坐标系的方式如下：

对笛卡尔坐标系下纵轴的电流值强度做归一化操作Min-Max

Normalization，使结果值映射到[0，1]之间，转换函数如下：

y'＝(y-Y_min)/(Y_max-Y_min)

将笛卡尔坐标下的(x,y)的纵轴的y'值直接作为极坐标的极径，即：r＝y'。

在一些实施例中，在道岔动作电流曲线的算法应用的过程中，将在极坐标下极角的范围限制在0≤θ<2π之间，θ的选取根据当前的样本的点数决定，每个取值在极坐标下的极径与相邻点极径的角度都是相同的：θ＝2π/n(n为样本的点数)。

通过上述操作使得道岔动作电流曲线在极坐标下呈现的形态与笛卡尔坐标系下的形态有所差异，所述差异在于：

在极坐标下，道岔动作曲线被统一的限定在了极角为0≤θ<2π的范围内，相当于对原笛卡尔坐标系中的x轴的尺度规范到了0到2π之内，同时y的值也进行了归一化操作；形成一张高与宽等长的图像。因此这样的转换之后能够满足后续作为故障识别模型的输入的需求。

在一些实施例中，分别对A相、B相、C相道岔动作电流曲线做上述极坐标转换之后会形成三种极坐标道岔动作电流曲线，分别对应后续卷积神经网络的三个通道。

实际应用中，将上述道岔动作电流曲线形成一个高256像素×宽256像素×3通道的“图像”。

在框104，将所述待识别图像输入预先训练得到的故障识别模型，得到第一识别结果，其中，所述第一识别结果包括所述待识别图像对应正常的概率和对应不同故障类型的概率；

将所述待识别图像输入预先训练得到的故障识别模型，得到第一识别结果，其中，所述第一识别结果包括所述待识别图像对应正常的概率和对应不同故障类型的概率；

在一些实施例中，所述故障识别模型可以是通过对预设的卷积神经网络(Convolution Neural Network,CNN)进行训练得到的。其中，所述卷积神经网络可以是未经训练或未训练完成的多层卷积神经网络。所述卷积神经网络可以包括卷积层、池化层、全连接层。

优选地，所述卷积神经网络包含2层卷积层，第一层为输入层，采取3*3的正方形卷积核，个数为20个，深度为3，stride为2，pooling尺寸为2*2，激活函数采取的为RELU；第一层具有3个通道，分别用于接收输入的A相、B相、C相道。

第一层卷积操作完成后，输入池化层，所述池化层数据接入第二层卷积层。所述第二层卷积层只对卷积核的尺寸、个数和深度做了些变化，分别为50个5*5的卷积核，和20个通道；

第二层卷积层完成的数据同样接入池化层，所述池化层数据接入全连接层，设定所有健康及故障类别个数label作为输出，采用Softmax函数作为分类器，输出每个label的概率。

事实上卷积神经网络中的全连接层是制约输入大小的关键因素，因为卷积和池化层根本不关心输入尺寸是多少，这些层只需要拿到前一层的feature map，然后做卷积池化输出就可以，只有全连接层，因为权重维度固定了，就不能更改了，这样层层向回看，才导致了所有的尺寸都必须固定才可以。

在道岔动作曲线的故障类别判别的过程中，我们要识别图像中的某种特定的故障形式，表现在图像中是图像的某一部分显示出了故障特征区域，也就是说，要有一种滤波器要对这种故障特征区域曲线有很高的输出，对其他形状则输出很低，这也就像是神经元的激活。对整个原图的不同部分遍历进行一次卷积操作，得到的结果中，在那个特定曲线和周边的区域值会变高，在其他的区域，值相对会低一些，这就是一张激活图，对应的高值区就是我们检测曲线显著故障特征的位置。

分别对A相、B相、C相道岔动作电流曲线做这样的极坐标转换之后会形成三种极坐标，分别对应卷积神经网络的三个通道。模型需要固定的维度，在训练卷积神经网络的某一个卷积层时，实际上是在训练一系列的滤波器，实际应用中，将道岔动作电流曲线形成一个高256像素×宽256像素×3通道的“图像”。

在一些实施例中，所述故障识别模型，即卷积神经网络模型是通过以下步骤训练得到的：

首先，获取经过上述步骤S11处理得到的样本图像集合和与所述样本图像集合中的每个样本图像对应的标签。

分别对A相、B相、C相道岔动作电流曲线做上述极坐标转换之后会形成三种极坐标道岔动作电流曲线，分别对应后续卷积神经网络的三个通道。将上述道岔动作电流曲线形成一个高256像素×宽256像素×3通道的“图像”。

其中，样本图像集合中可以存在标注为正常的样本图像，也可以存在标注为不同故障类型的样本图像。

而后，利用机器学习方法，基于样本图像集合、样本图像集合中的每个样本图像所对应的标签、预设的分类损失函数和反向传播算法对上述卷积神经网络进行训练，得到故障识别模型。具体地，在训练过程中，可以将样本图像输入上述卷积神经网络，得到与所述样本图像对应的第一识别结果，利用预设的分类损失函数来确定所述第一识别结果与所述样本图像所对应的标签之间的差异；根据所述差异，采用预设的反向传播算法对上述卷积神经网络中的参数进行调整。优选地，采用梯度下降算法对神经元权值(例如卷积层中卷积核的参数等)进行调整。

其中，训练的目标为使分类损失函数的值最小，训练得到的卷积神经网络的参数即为分类损失函数的值为最小值时所对应的参数。

在框106，基于所得到的第一识别结果生成并输出第二识别结果。

在一些实施例中，确定所述待识别图像对应健康状态的概率是否为所得的第一识别结果中的最大概率；

若是最大概率，则将所述健康状态生成第二识别结果；

若不是最大概率，则按照数值大小，从所述待识别图像中对应故障类型的概率中选取最大概率，并将选取出的最大概率和该最大概率所对应的故障类型生成第二识别结果。

在一些实施例中，也可以将所述最大概率和所述最大概率对应的状态生成第二识别结果。

根据本公开的实施例，实现了以下技术效果：

规范化道岔动作曲线数据在笛卡尔坐标系形态上横轴动作持续时间长短不一的情形，减小形态上横轴与纵轴上的偏移带来的影响；

不需要人工提取电流曲线的特征，避免了欠拟合与过拟合问题；

不依赖于专业人员的经验及业务能力水平，避免了误识别和漏识别，提高了故障识别精度。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。

图2示出了根据本公开的实施例的基于道岔动作电流曲线识别故障类型的系统200的方框图；如图2所示，系统200包括：预处理单元210，用于对待识别的道岔动作电流曲线进行预处理，生成待识别图像；识别单元220，用于将所述待识别图像输入预先训练得到的故障识别模型，得到第一识别结果，其中，所述第一识别结果包括所述待识别图像对应正常的概率和对应不同故障类型的概率；输出单元230，用于基于所得到的第一识别结果生成并输出第二识别结果。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图3示出了可以用来实施本公开的实施例的电子设备300的示意性框图。设备300可以用于实现图2的系统200。如图所示，设备300包括中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)302中的计算机程序指令或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序指令，来执行各种适当的动作和处理。在RAM 303中，还可以存储设备300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

设备300中的多个部件连接至I/O接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300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。

处理单元301执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由CPU 301执行时，可以执行上文描述的方法100的一个或多个步骤。备选地，在其他实施例中，CPU 301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法100。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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、或半导体系统、装置或设备，或者上述内容的任何合适组合。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。

此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (9)

1.一种基于道岔动作电流曲线识别故障类型的方法，其特征在于，包括：

对待识别的道岔动作电流曲线进行预处理，生成待识别图像；

将所述待识别图像输入预先训练得到的故障识别模型，得到第一识别结果，其中，所述第一识别结果包括所述待识别图像对应正常的概率和对应不同故障类型的概率；

基于所得到的第一识别结果生成并输出第二识别结果。

2.根据权利要求1所述的方法，其特征在于，

所述道岔动作电流曲线为三相电流曲线；

所述对待识别的道岔动作电流曲线进行预处理包括：将笛卡尔坐标系下的三相电流曲线转换到极坐标下。

3.根据权利要求2所述的方法，其特征在于，所述将笛卡尔坐标系下的三相电流曲线转换到极坐标下包括：

对笛卡尔坐标系下纵轴的电流强度做归一化处理，将归一化处理后的电流强度值作为极坐标的极径；

以2πi/n(n为样本的点数，i为当前样本)作为极坐标的极角。

4.根据权利要求3所述的方法，其特征在于，所述故障识别模型是通过对预设的卷积神经网络进行训练得到的，其中，所述卷积神经网络包括卷积层、池化层、全连接层；所述卷积层包括两层卷积层，第一层卷积层具有三个通道，对应所述三相电流曲线。

5.根据权利要求4所述的方法，其特征在于，所述故障识别模型是通过以下训练步骤得到的：

获取预置的极坐标下的道岔动作电流曲线图像组成的样本图像集合与每个样本图像对应的故障标签；

利用机器学习方法，基于所述样本图像集合、所述每个样本图像对应的故障标签、预设的分类损失函数和方向传播算法对所述卷积神经网络进行训练，得到故障识别模型。

6.根据权利要求1所述的方法，其特征在于，所述基于所得到的第一识别结果生成并输出第二识别结果包括：

确定所述待识别图像对应健康状态的概率是否为所得的第一识别结果中的最大概率；

若是最大概率，则将所述健康状态生成第二识别结果；

若不是最大概率，则按照数值大小，从所述待识别图像中对应故障类型的概率中选取概率，并将选取出的概率和该概率所对应的故障类型生成第二识别结果。

7.一种基于道岔动作电流曲线识别故障类型的系统，其特征在于，包括：

预处理单元，用于对待识别的道岔动作电流曲线进行预处理，生成待识别图像；

识别单元，用于将所述待识别图像输入预先训练得到的故障识别模型，得到第一识别结果，其中，所述第一识别结果包括所述待识别图像对应正常的概率和对应不同故障类型的概率；

输出单元，用于基于所得到的第一识别结果生成并输出第二识别结果。

8.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～6中任一项所述的方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～6中任一项所述的方法。

Images