CN110837718A - 道岔故障检测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明实施例提供一种道岔故障检测方法、装置、电子设备和存储介质，所述方法包括：将多种不同类型的道岔工况数据分别输入至对应的机器学习模型，输出多种初始故障检测结果；其中，目标道岔工况数据对应的目标机器学习模型是根据目标道岔工况数据的特点预先确定的；目标机器学习模型是利用目标道岔工况数据样本训练之后得到的；根据所有的初始故障检测结果，确定道岔的最终故障检测结果。本发明实施例提供的道岔故障检测方法、装置、电子设备和存储介质，采用多种不同的机器学习模型分别对不同类型的道岔工况数据进行处理，确定道岔的最终故障检测结果，提高了检测结果的准确性和可靠性，并提升了道岔的运维效率。

Description

道岔故障检测方法、装置、电子设备及存储介质

技术领域

本发明涉及轨道交通技术领域，尤其涉及一种道岔故障检测方法、装置、电子设备及存储介质。

背景技术

道岔运营维护一直是轨道交通运维的重要一环，能否及时、可靠地实现道岔状态检测和故障分析关系到行车安全和乘客的生命财产安全。

现有技术中，通常利用微机监测系统对采集到的道岔工况数据进行判断，来确定道岔是否发生故障，例如，如果采集到的道岔工况数据超出阈值时，确定道岔发生故障，否则没有发生故障。另外，最新的技术是使用一种机器学习模型对一种道岔工况数据进行分析，确定道岔是否发生故障，由于道岔工况数据包括多种不同类型的数据，为了提高检测结果的准确性，通常使用一种机器学习模型分别对每一类岔工况数据进行分析，再对分析结果进行汇总，得到最终的结果。

但是，现有技术中的微机监测系统智能化程度低，没有通用的故障检测原则，经常发生误报。而采用机器学习模型法，无法适应不同类型的道岔工况数据，导致检测结果准确性和可靠性低。

发明内容

本发明实施例提供一种道岔故障检测方法、装置、电子设备及存储介质，用于解决现有技术中道岔故障检测结果准确性和可靠性低的技术问题。

为了解决上述技术问题，一方面，本发明实施例提供一种道岔故障检测方法，包括：

将多种不同类型的道岔工况数据分别输入至对应的机器学习模型，输出多种初始故障检测结果；其中，目标道岔工况数据对应的目标机器学习模型是根据所述目标道岔工况数据的特点预先确定的；所述目标机器学习模型是利用目标道岔工况数据样本训练之后得到的；

根据所有的初始故障检测结果，确定道岔的最终故障检测结果。

进一步地，获取所述目标机器学习模型的具体步骤如下：

获取目标道岔工况数据的训练样本集，所述训练样本集中包含若干个已标记了故障编码值的训练样本数据，所述故障编码值用于表征道岔是否存在故障以及故障的类型；

利用所述训练样本集中的训练样本数据，对所述目标机器学习模型进行训练，确定所述目标机器学习模型的参数。

进一步地，所述获取目标道岔工况数据的训练样本集，具体包括：

从目标道岔工况数据的原始数据集中有放回地均匀抽样，确定所述训练样本集。

进一步地，所述道岔工况数据至少包括驱动电流、继电器动作时序、表示电路电流、转辙机功率和尖轨振动信号。

进一步地，当所述道岔工况数据包括驱动电流、继电器动作时序、表示电路电流、转辙机功率和尖轨振动信号时，驱动电流对应的机器学习模型为决策树模型，继电器动作时序对应的机器学习模型为动态时间规整模型，表示电路电流对应的机器学习模型为动态时间规整模型，转辙机功率对应的机器学习模型为K近邻分类模型，尖轨振动信号对应的机器学习模型为支持向量机模型。

进一步地，所述将继电器动作时序输入至动态时间规整模型，输出初始故障检测结果，具体包括：

将继电器动作时序输入至动态时间规整模型，分别输出继电器动作时序与每一类故障数据之间的距离；一类故障数据对应一种故障编码值；

以距离的最小值对应的故障编码值作为初始故障检测结果。

进一步地，所述根据所有的初始故障检测结果，确定道岔的最终故障检测结果，具体包括：

根据投票法，以得票最高的初始故障检测结果作为道岔的最终故障检测结果。

另一方面，本发明实施例提供一种道岔故障检测装置，包括：

第一检测模块，用于将多种不同类型的道岔工况数据分别输入至对应的机器学习模型，输出多种初始故障检测结果；其中，目标道岔工况数据对应的目标机器学习模型是根据所述目标道岔工况数据的特点预先确定的；所述目标机器学习模型是利用目标道岔工况数据样本训练之后得到的；

第二监测模块，用于根据所有的初始故障检测结果，确定道岔的最终故障检测结果。

再一方面，本发明实施例提供一种电子设备，包括：存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述方法的步骤。

又一方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述方法的步骤。

本发明实施例提供的道岔故障检测方法、装置、电子设备和存储介质，采用多种不同的机器学习模型分别对不同类型的道岔工况数据进行处理，得到多种初始故障检测结果，再根据初始故障检测结果确定道岔的最终故障检测结果，提高了检测结果的准确性和可靠性，并提升了道岔的运维效率。

附图说明

图1为本发明实施例提供的道岔故障检测方法示意图；

图2为本发明另一实施例提供的道岔故障检测方法示意图；

图3为本发明实施例提供的道岔故障检测装置示意图；

图4为本发明实施例提供的电子设备的结构示意图。

具体实施方式

为了使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，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，都属于本发明保护的范围。

图1为本发明实施例提供的道岔故障检测方法示意图，如图1所示，本发明实施例提供一种道岔故障检测方法，其执行主体为道岔故障检测装置。该方法包括：

步骤S101、将多种不同类型的道岔工况数据分别输入至对应的机器学习模型，输出多种初始故障检测结果；其中，目标道岔工况数据对应的目标机器学习模型是根据所述目标道岔工况数据的特点预先确定的；所述目标机器学习模型是利用目标道岔工况数据样本训练之后得到的。

具体来说，本发明实施例基于集成学习理念的多机器学习算法的并行化道岔健康诊断方法，使得该方法能支持同时分析多种道岔工况数据，并给出道岔是否故障的结论。

首先，获取多种不同类型的道岔工况数据，将多种不同类型的道岔工况数据分别输入至对应的机器学习模型，输出多种初始故障检测结果。

例如，道岔工况数据可以包括驱动电流、继电器动作时序、表示电路电流、转辙机功率和尖轨振动信号等。

道岔工况数据对应的机器学习模型是根据道岔工况数据的特点预先确定的。

例如，继电器动作时序和表示电路电流是比较密集的点序列，并且序列较长，因此，其对应的机器学习模型可以采用动态时间规整DTW模型，而驱动电流对应的机器学习模型可以采用决策树模型等。

机器学习模型是利用道岔工况数据样本训练之后得到的，经过训练得到机器学习模型的相关参数，经过训练之后的机器学习模型即可用于故障检测。

例如，在确定继电器动作时序对应的机器学习模型为DTW模型之后，需要根据继电器动作时序的训练样本数据对DTW模型进行训练。在确定驱动电流对应的机器学习模型为决策树模型之后，需要根据驱动电流的训练样本数据对决策树模型进行训练。

步骤S102、根据所有的初始故障检测结果，确定道岔的最终故障检测结果。

具体来说，在分别根据多种不同类型的道岔工况数据得出多种初始故障检测结果之后，需要对所有的初始故障检测结果进行综合分析，得到道岔的最终故障检测结果。

例如，可以采用加权法、投票法和学习法对初始故障检测结果进行综合分析，得到道岔的最终故障检测结果。

本发明实施例提供的道岔故障检测方法，采用多种不同的机器学习模型分别对不同类型的道岔工况数据进行处理，得到多种初始故障检测结果，再根据初始故障检测结果确定道岔的最终故障检测结果，提高了检测结果的准确性和可靠性，并提升了道岔的运维效率。

基于上述任一实施例，进一步地，获取所述目标机器学习模型的具体步骤如下：

获取目标道岔工况数据的训练样本集，所述训练样本集中包含若干个已标记了故障编码值的训练样本数据，所述故障编码值用于表征道岔是否存在故障以及故障的类型；

利用所述训练样本集中的训练样本数据，对所述目标机器学习模型进行训练，确定所述目标机器学习模型的参数。

具体来说，对机器学习模型进行训练的具体过程如下：

首先，根据专家数据库确定道岔总共可能出现的故障类型，并且对每一类故障进行编码，确定用于表征道岔是否存在故障以及故障的类型的故障编码值的集合，每一类故障对应一个故障编码值。

例如，某种型号的道岔，根据专家数据库中的数据，确定其可能出现的故障类型为28种。可以用0-28这29个阿拉伯数字组成故障编码值的集合，其中，故障编码值0表示道岔没有故障，故障编码值1表示道岔出现第一类故障，故障编码值2表示道岔出现第二类故障，故障编码值3表示道岔出现第三类故障，依次类推，故障编码值28表示道岔出现第二十八类故障。

在确定故障编码值的集合之后，获取道岔工况数据的训练样本集，该训练样本集中包含若干个已标记了故障编码值的训练样本数据。训练样本集中的训练样本数据的数量，可以根据实际应用来设置。

然后，设定训练轮数，利用训练样本数据对相应的机器学习模型进行训练，达到设定的训练轮数之后，即可得到机器学习模型的相关参数。经过训练之后的机器学习模型具有了分类判断的功能。

例如，在确定继电器动作时序对应的机器学习模型为DTW模型之后，需要根据继电器动作时序的训练样本数据对DTW模型进行训练。在确定驱动电流对应的机器学习模型为决策树模型之后，需要根据驱动电流的训练样本数据对决策树模型进行训练。

本发明实施例提供的道岔故障检测方法，采用多种不同的机器学习模型分别对不同类型的道岔工况数据进行处理，得到多种初始故障检测结果，再根据初始故障检测结果确定道岔的最终故障检测结果，提高了检测结果的准确性和可靠性，并提升了道岔的运维效率。

基于上述任一实施例，进一步地，所述获取目标道岔工况数据的训练样本集，具体包括：

从目标道岔工况数据的原始数据集中有放回地均匀抽样，确定所述训练样本集。

具体来说，为提升单个机器学习模型的训练精度，在获取训练样本集的过程中，本发明实施例采用了自助采样法。即，从目标道岔工况数据的原始数据集中有放回地进行均匀抽样，确定训练样本集。也就是说，每当选中一个样本，该样本等可能地在下次抽样过程中被再次选中并被再次添加到训练集中。

本发明实施例提供的道岔故障检测方法，采用多种不同的机器学习模型分别对不同类型的道岔工况数据进行处理，得到多种初始故障检测结果，再根据初始故障检测结果确定道岔的最终故障检测结果，提高了检测结果的准确性和可靠性，并提升了道岔的运维效率。

基于上述任一实施例，进一步地，所述道岔工况数据至少包括驱动电流、继电器动作时序、表示电路电流、转辙机功率和尖轨振动信号。

具体来说，采用单一的道岔工况数据均无法检测出道岔可能出现的所有类型的故障，为了提高道岔故障检测结果的准确性，本实施例中，道岔工况数据至少包括驱动电流、继电器动作时序、表示电路电流、转辙机功率和尖轨振动信号。

其中，驱动电流表征道岔的转辙机部分工作是否正常。当道岔的转辙机通过交流电驱动时，驱动电流为交流电，当道岔的转辙机通过直流电驱动时，驱动电流为直流电。

继电器动作时序表征道岔的组合电路是否故障。

表示电路电流表征道岔是否转动到位。

转辙机功率表征道岔的转辙机部分工作是否正常。

尖轨振动信号表征道岔的轨道部分是否发生机械性故障。

采用多种不同类型的道岔工况数据，对道岔进行综合检测，提高了检测结果的准确性。

本发明实施例提供的道岔故障检测方法，采用多种不同的机器学习模型分别对不同类型的道岔工况数据进行处理，得到多种初始故障检测结果，再根据初始故障检测结果确定道岔的最终故障检测结果，提高了检测结果的准确性和可靠性，并提升了道岔的运维效率。

基于上述任一实施例，进一步地，当所述道岔工况数据包括驱动电流、继电器动作时序、表示电路电流、转辙机功率和尖轨振动信号时，驱动电流对应的机器学习模型为决策树模型，继电器动作时序对应的机器学习模型为动态时间规整模型，表示电路电流对应的机器学习模型为动态时间规整模型，转辙机功率对应的机器学习模型为K近邻分类模型，尖轨振动信号对应的机器学习模型为支持向量机模型。

具体来说，因为不同道岔工况数据具有不同的属性和特征，因此本发明实施例采用了“异质”集成学习方法。道岔工况数据对应的机器学习模型是根据道岔工况数据的特点预先确定的。

本实施例中，当所述道岔工况数据包括驱动电流、继电器动作时序、表示电路电流、转辙机功率和尖轨振动信号时，驱动电流对应的机器学习模型为决策树模型，继电器动作时序对应的机器学习模型为DTW模型，表示电路电流对应的机器学习模型为DTW模型，转辙机功率对应的机器学习模型为K近邻分类KNN模型，尖轨振动信号对应的机器学习模型为支持向量机SVM模型。

通过对不同类型的道岔工况数据的特定进行分析，为不同类型的道岔工况数据设置最合适的对其进行分析的机器学习模型，提高了道岔故障检测结果的准确性和可靠性。

本发明实施例提供的道岔故障检测方法，采用多种不同的机器学习模型分别对不同类型的道岔工况数据进行处理，得到多种初始故障检测结果，再根据初始故障检测结果确定道岔的最终故障检测结果，提高了检测结果的准确性和可靠性，并提升了道岔的运维效率。

基于上述任一实施例，进一步地，所述将继电器动作时序输入至动态时间规整模型，输出初始故障检测结果，具体包括：

将继电器动作时序输入至动态时间规整模型，分别输出继电器动作时序与每一类故障数据之间的距离；一类故障数据对应一种故障编码值；

以距离的最小值对应的故障编码值作为初始故障检测结果。

具体来说，道岔工况数据对应的机器学习模型是根据道岔工况数据的特点预先确定的。

本实施例中，当所述道岔工况数据包括驱动电流、继电器动作时序、表示电路电流、转辙机功率和尖轨振动信号时，驱动电流对应的机器学习模型为决策树模型，继电器动作时序对应的机器学习模型为动态时间规整模型，表示电路电流对应的机器学习模型为动态时间规整模型，转辙机功率对应的机器学习模型为K近邻分类模型，尖轨振动信号对应的机器学习模型为支持向量机模型。

但是，由于动态时间规整模型和K近邻分类模型输出的初始结果为曲线距离，而决策树模型和支持向量机模型输出的初始结果即为故障编码值。

因此，将继电器动作时序输入至动态时间规整模型，输出初始故障检测结果的过程中，还包括对数据的处理，具体如下：

首先，将继电器动作时序输入至动态时间规整模型，分别输出继电器动作时序与每一类故障数据之间的距离。一类故障数据对应一种故障编码值，故障数据可以根据专家数据库来确定，并配置到训练好的动态时间规整模型中，也可在将继电器动作时序输入至动态时间规整模型的同时，输入所有类型的故障数据。

例如，某种型号的道岔，根据专家数据库中的数据，确定其可能出现的故障类型为28种，这28种故障类型分别对应28种故障数据，没有故障时对应的数据为一种特殊的故障数据，总共29种故障数据。可以用0-28这29个阿拉伯数字组成故障编码值的集合，其中，故障编码值0表示道岔没有故障，故障编码值1表示道岔出现第一类故障，故障编码值2表示道岔出现第二类故障，故障编码值3表示道岔出现第三类故障，依次类推，故障编码值28表示道岔出现第二十八类故障。将继电器动作时序输入至动态时间规整模型，分别输出继电器动作时序与这29种故障数据之间的距离，总共29个距离数据值。

然后，对所有的距离数据值进行比较。以距离的最小值对应的故障编码值作为初始故障检测结果。

本发明实施例提供的道岔故障检测方法，采用多种不同的机器学习模型分别对不同类型的道岔工况数据进行处理，得到多种初始故障检测结果，再根据初始故障检测结果确定道岔的最终故障检测结果，提高了检测结果的准确性和可靠性，并提升了道岔的运维效率。

基于上述任一实施例，进一步地，所述根据所有的初始故障检测结果，确定道岔的最终故障检测结果，具体包括：

根据投票法，以得票最高的初始故障检测结果作为道岔的最终故障检测结果。

具体来说，在分别根据多种不同类型的道岔工况数据得出多种初始故障检测结果之后，需要对所有的初始故障检测结果进行综合分析，得到道岔的最终故障检测结果。

本发明实施例中，基于所有的初始故障检测结果，采用投票法确定道岔的最终故障检测结果，即，统计所有的初始故障检测结果的得票数，以得票最高的初始故障检测结果作为道岔的最终故障检测结果。

例如，根据表1中的实验室数据，可得，故障编码值1的得票数为3，故障编码值2的得票数为1，故障编码值3的得票数为1。故障编码值1的得票数最高，因此，故障编码值1即为道岔的最终故障检测结果，也就是说检测到的道岔出现了第一类故障。

表1实验数据一

另外，还可以结合故障类型的权值，来统计初始故障检测结果的得票数，由初始得票数乘以权值，得到最终的得票数。

例如，根据表1中的实验室数据，可得，故障编码值1的初始得票数为3，故障编码值2的初始得票数为1，故障编码值3的初始得票数为1。假如第一类故障的权值为1，第二类故障的权值为1，第三类故障的权值为5，则故障编码值1的最终得票数为3(3*1)，故障编码值2的最终得票数为1(1*1)，故障编码值3的最终得票数为5(1*5)，故障编码值3的最终得票数最高，因此，故障编码值3即为道岔的最终故障检测结果，也就是说检测到的道岔出现了第三类故障。

另外，得票最高的初始故障检测结果为多种时，还可以结合不同类型的道岔工况数据的检测精度，来得到道岔的最终故障检测结果。

例如，根据表2中的实验室数据，可得，故障编码值1的得票数为1，故障编码值2的得票数为1，故障编码值3的得票数为1，故障编码值4的得票数为1，故障编码值5的得票数为1。此时，可以结合不同类型的道岔工况数据的检测精度，来得到道岔的最终故障检测结果，以对应的检测精度最高的道岔工况数据得到的初始故障检测结果作为道岔的最终故障检测结果，即，以尖轨振动信号得到的初始故障检测结果作为道岔的最终故障检测结果，因此，故障编码值5即为道岔的最终故障检测结果，也就是说检测到的道岔出现了第五类故障。

表2实验数据二

本发明实施例提供的道岔故障检测方法，采用多种不同的机器学习模型分别对不同类型的道岔工况数据进行处理，得到多种初始故障检测结果，再根据初始故障检测结果确定道岔的最终故障检测结果，提高了检测结果的准确性和可靠性，并提升了道岔的运维效率。

下面以一个具体的例子，对上述实施例中的方法进行说明：

图2为本发明另一实施例提供的道岔故障检测方法示意图，如图2所示，因为不同道岔工况数据具有不同的属性和特征，因此本发明实施例采用了“异质”集成学习方法。道岔工况数据对应的机器学习模型是根据道岔工况数据的特点预先确定的。

本实施例中，选择驱动电流、继电器动作时序、表示电路电流、转辙机功率和尖轨振动信号5种类型的道岔工况数据对道岔故障进行预测，并且，利用决策树模型对驱动电流进行分析，利用DTW模型对继电器动作时序进行分析，利用DTW模型对表示电路电流进行分析，利用KNN模型对转辙机功率进行分析，利用SVM模型对尖轨振动信号进行，分别输出对应的故障类别标签，作为初始故障检测结果。

然后，将这5个初始故障检测结果组成预测矩阵，选择编号数量最多的结果作为最终的输出结果。若遇到5个编号中每个编号的数量都只有一个，那么随机选取一个编号为最终的输出结果。

在利用DTW模型和KNN模型对数据进行处理得到初始故障检测结果的过程中，由于DTW和KNN学习器的输出是待分析数据同故障样本之间的数学距离(距离越小越相似)，因为需要将待判断数据同故障编码集逐一比对，因此每次判断都会输出N+1个数学距离(即N+1个数字)。

因此，需要将DTW和KNN学习器的输出进行转化，即这两种学习器的最终结果是N+1个数学距离中最小的距离(即最相似)所对应的故障类型编号，得到初始故障检测结果。基于上述任一实施例，进一步地，图3为本发明实施例提供的道岔故障检测装置示意图，如图3所示，本发明实施例提供一种道岔故障检测装置，该装置包括第一检测模块301和第二检测模块302，其中：

第一检测模块301用于将多种不同类型的道岔工况数据分别输入至对应的机器学习模型，输出多种初始故障检测结果；其中，目标道岔工况数据对应的目标机器学习模型是根据所述目标道岔工况数据的特点预先确定的；所述目标机器学习模型是利用目标道岔工况数据样本训练之后得到的；第二监测模块302用于根据所有的初始故障检测结果，确定道岔的最终故障检测结果。

本发明实施例提供的道岔故障检测装置，采用多种不同的机器学习模型分别对不同类型的道岔工况数据进行处理，得到多种初始故障检测结果，再根据初始故障检测结果确定道岔的最终故障检测结果，提高了检测结果的准确性和可靠性，并提升了道岔的运维效率。

基于上述任一实施例，进一步地，还包括训练模块，所述训练模块用于获取目标道岔工况数据的训练样本集，所述训练样本集中包含若干个已标记了故障编码值的训练样本数据，所述故障编码值用于表征道岔是否存在故障以及故障的类型；利用所述训练样本集中的训练样本数据，对所述目标机器学习模型进行训练，确定所述目标机器学习模型的参数。

基于上述任一实施例，进一步地，所述获取目标道岔工况数据的训练样本集，具体包括：

从目标道岔工况数据的原始数据集中有放回地均匀抽样，确定所述训练样本集。

基于上述任一实施例，进一步地，所述道岔工况数据至少包括驱动电流、继电器动作时序、表示电路电流、转辙机功率和尖轨振动信号。

基于上述任一实施例，进一步地，当所述道岔工况数据包括驱动电流、继电器动作时序、表示电路电流、转辙机功率和尖轨振动信号时，驱动电流对应的机器学习模型为决策树模型，继电器动作时序对应的机器学习模型为动态时间规整模型，表示电路电流对应的机器学习模型为动态时间规整模型，转辙机功率对应的机器学习模型为K近邻分类模型，尖轨振动信号对应的机器学习模型为支持向量机模型。

基于上述任一实施例，进一步地，所述第一检测模块具体用于将继电器动作时序输入至动态时间规整模型，分别输出继电器动作时序与每一类故障数据之间的距离；一类故障数据对应一种故障编码值；以距离的最小值对应的故障编码值作为初始故障检测结果。

基于上述任一实施例，进一步地，所述第二检测模块具体用于根据投票法，以得票最高的初始故障检测结果作为道岔的最终故障检测结果。

图4为本发明实施例提供的电子设备的结构示意图，如图4所示，该电子设备包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401和存储器402通过总线403完成相互间的通信。处理器401可以调用存储器403中的逻辑指令，以执行如下方法：

将多种不同类型的道岔工况数据分别输入至对应的机器学习模型，输出多种初始故障检测结果；其中，目标道岔工况数据对应的目标机器学习模型是根据所述目标道岔工况数据的特点预先确定的；所述目标机器学习模型是利用目标道岔工况数据样本训练之后得到的；

根据所有的初始故障检测结果，确定道岔的最终故障检测结果。

此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

进一步地，本发明实施例提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例中的步骤，例如包括：

将多种不同类型的道岔工况数据分别输入至对应的机器学习模型，输出多种初始故障检测结果；其中，目标道岔工况数据对应的目标机器学习模型是根据所述目标道岔工况数据的特点预先确定的；所述目标机器学习模型是利用目标道岔工况数据样本训练之后得到的；

根据所有的初始故障检测结果，确定道岔的最终故障检测结果。

进一步地，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述各方法实施例中的步骤，例如包括：

将多种不同类型的道岔工况数据分别输入至对应的机器学习模型，输出多种初始故障检测结果；其中，目标道岔工况数据对应的目标机器学习模型是根据所述目标道岔工况数据的特点预先确定的；所述目标机器学习模型是利用目标道岔工况数据样本训练之后得到的；

根据所有的初始故障检测结果，确定道岔的最终故障检测结果。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种道岔故障检测方法，其特征在于，包括：

将多种不同类型的道岔工况数据分别输入至对应的机器学习模型，输出多种初始故障检测结果；其中，目标道岔工况数据对应的目标机器学习模型是根据所述目标道岔工况数据的特点预先确定的；所述目标机器学习模型是利用目标道岔工况数据样本训练之后得到的；

根据所有的初始故障检测结果，确定道岔的最终故障检测结果。

2.根据权利要求1所述的道岔故障检测方法，其特征在于，获取所述目标机器学习模型的具体步骤如下：

获取目标道岔工况数据的训练样本集，所述训练样本集中包含若干个已标记了故障编码值的训练样本数据，所述故障编码值用于表征道岔是否存在故障以及故障的类型；

利用所述训练样本集中的训练样本数据，对所述目标机器学习模型进行训练，确定所述目标机器学习模型的参数。

3.根据权利要求2所述的道岔故障检测方法，其特征在于，所述获取目标道岔工况数据的训练样本集，具体包括：

从目标道岔工况数据的原始数据集中有放回地均匀抽样，确定所述训练样本集。

4.根据权利要求1-3任一项所述的道岔故障检测方法，其特征在于，所述道岔工况数据至少包括驱动电流、继电器动作时序、表示电路电流、转辙机功率和尖轨振动信号。

5.根据权利要求4所述的道岔故障检测方法，其特征在于，当所述道岔工况数据包括驱动电流、继电器动作时序、表示电路电流、转辙机功率和尖轨振动信号时，驱动电流对应的机器学习模型为决策树模型，继电器动作时序对应的机器学习模型为动态时间规整模型，表示电路电流对应的机器学习模型为动态时间规整模型，转辙机功率对应的机器学习模型为K近邻分类模型，尖轨振动信号对应的机器学习模型为支持向量机模型。

6.根据权利要求5所述的道岔故障检测方法，其特征在于，所述将继电器动作时序输入至动态时间规整模型，输出初始故障检测结果，具体包括：

将继电器动作时序输入至动态时间规整模型，分别输出继电器动作时序与每一类故障数据之间的距离；一类故障数据对应一种故障编码值；

以距离的最小值对应的故障编码值作为初始故障检测结果。

7.根据权利要求1所述的道岔故障检测方法，其特征在于，所述根据所有的初始故障检测结果，确定道岔的最终故障检测结果，具体包括：

根据投票法，以得票最高的初始故障检测结果作为道岔的最终故障检测结果。

8.一种道岔故障检测装置，其特征在于，包括：

第一检测模块，用于将多种不同类型的道岔工况数据分别输入至对应的机器学习模型，输出多种初始故障检测结果；其中，目标道岔工况数据对应的目标机器学习模型是根据所述目标道岔工况数据的特点预先确定的；所述目标机器学习模型是利用目标道岔工况数据样本训练之后得到的；

第二监测模块，用于根据所有的初始故障检测结果，确定道岔的最终故障检测结果。

9.一种电子设备，包括存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至7任一项所述道岔故障检测方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至7任一所述道岔故障检测方法的步骤。

Images