CN110852365B - 一种zpw-2000a型无绝缘轨道电路故障诊断方法 - Google Patents

Abstract

本发明提供了一种基于DBM‑SVM的ZPW‑2000A无绝缘轨道电路故障诊断方法，用以解决人工检测存在随机性、诊断精度低、误差大、周期长的问题。所述诊断方法将原始数据划分为训练样本集和测试样本集，采用训练样本集数据作为DBN的输入数据，提取轨道电路故障原始数据的特征，再采用所提取的轨道电路故障原始数据的特征，训练二叉树型支持向量机多类分类器，而后将测试样本集，送入二叉树型支持向量机多类分类器中进行分类，得出诊断结果。本发明基于DBM‑SVM模型，对ZPW‑2000A无绝缘轨道电路进行故障诊断，诊断性能稳定，精度高、误差小，工作周期短，提高了无绝缘轨道电路故障诊断的效率。

Description

一种ZPW-2000A型无绝缘轨道电路故障诊断方法

技术领域

本发明属于轨道交通安全与故障检修领域，具体涉及一种基于深度信任网络(Deep Belief Network,DBN)与支持向量机(Support Vector Machine,SVM)模型的ZPW-2000A无绝缘轨道电路故障诊断方法。

背景技术

随着城市规模的扩大和人们生活水平的提高，城市轨道交通在人们的日常生活和交流中发挥着越来越重要的作用，轨道交通的安全运行则显得更为重要。在轨道交通的安全运行中，轨道电路的正常工作是保障列车安全的前提。然而由于轨道电路结构复杂，工作环境恶劣，易出现故障，无法有效保障列车的安全运行。

在轨道交通系统中，中国的ZPW-2000A型无绝缘轨道电路，是在法国UM71无绝缘轨道电路技术基础上研发的轨道电路，提高了系统的安全性、传输性和可靠性，是目前在中国城市轨道交通中普遍采用的轨道电路系统。

现有技术中，通常采用人工检测的方式对轨道电路进行维护。但是，人工检测过程中故障特征提取存在随机性，误差大，整体诊断精度低，从而导致检测效率低下，工作周期长，检测准确率受人为因素干扰大。

发明内容

为了提高轨道电路的检测效率，克服人工检测存在随机性、诊断精度低、误差大、周期长的问题，本发明提供了一种ZPW-2000A型无绝缘轨道电路故障诊断方法，克服传统人工故障特征提取带来的不确定性和误差，实现对轨道电路故障的高精度诊断，保障列车安全运行。

为了实现上述目的，本发明采取了如下技术方案。

本发明实施例提供了一种基于DBN_SVM模型的ZPW-2000A无绝缘轨道电路故障诊断方法，所述方法包括如下步骤：

步骤S1，从ZPW-2000A无绝缘轨道电路中采集故障原始数据，将所述原始数据划分为训练样本集和测试样本集；

步骤S2，对DBN_SVM模型进行参数设置；

步骤S3，利用贪婪算法自下向上的分层对DBN进行无监督学习，提取轨道电路故障原始数据的特征，并通过BP神经网络对RBM网络层间参数进行反向微调，使得各层RBM达到能量平衡状态；

步骤S4，采用所提取的轨道电路故障原始数据的特征，训练二叉树型支持向量机多类分类器，其中每个SVM分类器利用网格搜索求对应的惩罚因子和核函数参数的最优值；

步骤S5，对于测试样本集，经过DBN进行特征提取后，送入二叉树型支持向量机多类分类器中进行分类，对每一个测试样本进行诊断得出识别结果；

步骤S6，采集ZPW-2000A无绝缘轨道电路当前状态数据，并将数据输入所述完成训练和测试的DBN_SVM模型，对当前ZPW-2000A无绝缘轨道电路进行故障诊断。

优选地，所采集的故障原始数据，有12个不同的样本特征，且训练样本集和测试样本集的数量符合十折交叉验证法要求。

优选地，所述DBN模型包括N个RBM和BP网络层；其中，N个RBM用于提取输入数据的高层分布特征，BP神经网络用于反向微调各层RBM网络层间参数。

优选地，所述对DBN_SVM模型进行参数设置包括如下步骤：

对连接权重W、可视层、隐含层神经元偏置进行极小值随机初始化：

W_ij＝0.1×randm(m,n)  (1)

a＝zeros(1,m)  (2)

b＝zeros(1,n)  (3)

其中，a,b为对应的阈值向量，m为输入层神经元个数，n是输出层神经元个数；

学习率初值设定为0.1，初步迭代次数设定为200次，且每项实验均重复进行20次，取其平均值作为最终结果；

根据公式(4)确定DBN网络隐含层神经元数量：

选择最优的二叉树型SVM多分类器结构对影响实验结果的核心参数：隐含层神经元数量，隐含层层数，网络迭代次数，惩罚因子和高斯传播系数，进行整定，并。

优选地，所述对核心参数的整定，包括如下步骤：

步骤S21，隐含层层数为2，迭代次数为150次，采用全二叉树型支持向量机多类分类器的条件下，改变单个隐含层神经元数量，得出基于DBN_SVM的轨道电路故障诊断模型的最佳单个隐含层神经元数量为15；

步骤S22，在隐含层神经元个数为15，迭代次数为150次，采用全二叉树型支持向量机多类分类器的条件下，改变隐含层的层数，得出基于DBN_SVM的轨道电路故障诊断模型的最佳隐含层层数为2层；

步骤S23，在隐含层神经元个数为15，隐含层层数为2，采用全二叉树型支持向量机多分类器的条件下，改变网络迭代次数，得出基于DBN_SVM的轨道电路故障诊断模型的最佳迭代次数为150次；

步骤S24，将每个SVM分类器的惩罚因子初值设置为2，高斯传播系数的取值设置为0.25；且通过网格搜索法从上至下依次实现每个SVM分类器对这两个参数的最佳取值。

优选地，所述步骤S3中对DBN进行无监督学习，进一步包括如下步骤：

步骤S31，向所述DBN输入训练样本集数据，经过训练使得第一层RBM达到能量平衡，得到第一层RBM的联合分布，t＝1；

步骤S32，将第t层RBM的联合分布输入第t+1层RBM；

步骤S33，判断是否t＝N；若否，则t＝t+1，转入步骤S22；若是，则判断第N层RBM是否达到能量平衡；

步骤S34，利用BP神经网络反向微调各层RBM网络层间参数。

优选地，所述步骤S23中RBM的能量函数由公式(5)给定：

式(5)中，p,q分别为可见神经元节点数量和隐藏神经元节点数量，v,h为对应的状态向量，c,d为对应的阈值向量，θ＝(w,c,d)为各参数向量的连接，w_ij为i,j之间的连接权值。

优选地，所述训练二叉树型支持向量机多类分类器，包括以下步骤：

步骤S41，确定训练样本集中的样本集合{x_i,y_i}，i＝1,2,…,N，x_i为训练数据，N为样本总数，y_i∈{0,1}为样本类别标号；

步骤S42，SVM核函数为高斯卷积核如式(8)所示：

K(x_i,x_j)＝exp(-γ||x_i-x_j||²)  (8)

式(8)中，i,)均为样本编号，γ为高斯传播系数；

步骤S43，根据SVM核函数，输入向量计算协方差矩阵，并通过矩阵变换运算将其映射到高维Hilbert空间，使得输入的训练样本集样本在高维空间线性可分；

步骤S44，定义罚函数：

式(9)中，w为分离超平面法向量，C为惩罚因子，i＝1,2,…,N，ξ_i表示样本i到分离超平面距离小于1时的距离；

步骤S45，在高维空间中求解二次规划问题：

式(10)中，α_i为拉格朗日乘子，其中使得样本分类间隔最大化的非零最优解即为w；

步骤S46，通过公式(11)计算得到截距b^*：

步骤S47，根据所述截距，得到分离超平面：

f(x)＝w·x+b^*＝0  (12)

步骤S48，将分离超平面的参数代入SVM决策函数(13)得到最终分类器模型：

f(x)＝sgn{∑wy_iK(x_i,x_j)+b^*}  (13)。

优选地，所述步骤S5还包括：

将每一个测试样本的识别结果和故障标签进行对比，计算出每一类故障的识别率。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例基于DBM-SVM的ZPW-2000A无绝缘轨道电路故障诊断方法，通过故障原始数据中的训练样本集训练DBN提取故障数据的特征，再利用所提取的特征对SVM分类器进行训练，从而得到DBN-SVM诊断模型，对故障数据进行诊断，诊断性能稳定，精度高、误差小，工作周期短，提高了无绝缘轨道电路故障诊断的效率。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例基于DBN_SVM的ZPW-2000A无绝缘轨道电路诊断方法流程示意图；

图2是本发明实施例中所述ZPW-2000A无绝缘轨道电路结构示意图；

图3是本发明实施例中DBN模型结构示意图；

图4是本发明实施例中基于对比散度法训练RBM的过程示意图；

图5是本发明实施例中二叉树型支持向量机多类分类器工作原理示意图；

图6是本发明实施例中迭代次数和训练样本集故障识别率的关系图；

图7是本发明实施例中训练样本集样本大小对测试样本集故障识别率的影响关系图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本发明实施例针对ZPW-2000A型无绝缘轨道电路检修的问题，提出了一种基于DBN_SVM模型的ZPW-2000A型无绝缘轨道电路故障诊断方法，以克服人工检测中故障特征提取存在的随机性，从而改善故障诊断精度低、误差大、周期长、效率低的问题。本发明首先利用无绝缘轨道电路模型采集故障样本，其次通过深度置信网络提取故障样本高层分布特征，最后选择二叉树型支持向量机多类分类器对提取到的样本高层分布特征进行故障分类。通过故障样本测试样本集的故障诊断实验，得出该DBN_SVM模型的平均故障识别率达到94.2％。本发明实施例的基于DBN_SVM模型的ZPW-2000A型无绝缘轨道电路故障诊断方法，诊断精度高、误差小，工作周期短，提高了无绝缘轨道电路故障诊断的效率。

为便于对本发明实施例的理解，下面通过具体的实施例并结合附图对本发明做进一步的解释说明。

实施例

本实施例提供了一种基于DBN_SVM模型的ZPW-2000A无绝缘轨道电路故障诊断方法。深度信任网络(Deep Belief Network,DBN)模型具有无监督学习能力，二叉树型支持向量机(Support Vector Machine,SVM)模型稳定性高，泛化能力强，本实施例基于DBN_SVM模型对ZPW-2000A无绝缘轨道电路故障进行诊断，克服传统人工故障特征提取带来的不确定性和误差，实现对轨道电路故障的高精度诊断，保障列车安全运行。

图1所示为所述诊断方法的流程示意图。如图1所示，所述诊断方法包括如下步骤：

步骤S1，从ZPW-2000A无绝缘轨道电路中采集故障原始数据，将所述原始数据划分为训练样本集和测试样本集。

图2所示为本实施例所述ZPW-2000A无绝缘轨道电路结构示意图。如图2所示，所述ZPW-2000A无绝缘轨道电路至少包含主轨道和调谐区两大部分。从所述轨道电路中采集的故障原始数据有12个不同的样本特征，其中室内设备主要采集的特征量为发送电压，发送电流，电缆侧发送电压，电缆侧接收电压，主轨入电压，主轨出电压。室外调谐区主要采集的特征量为调谐单元(Turning Unit,TU)1发送端和接收端的电流，TU2发送端和接收的电流，空心线圈SVA发送端和接收端的电流。优选地，所述训练样本集和测试样本集的数量符合十折交叉验证法要求。

步骤S2，对DBN_SVM模型进行参数设置。

本步骤中，所述对DBN_SVM模型进行参数设置包括如下步骤：

对连接权重W、可视层、隐含层神经元偏置进行极小值随机初始化：

W_ij＝0.1×randm(m,n)  (1)

a＝zeros(1,m)(2)

b＝zeros(1,n)  (3)

其中，a,b为对应的阈值向量，m为输入层神经元个数，n是输出层神经元个数。

学习率初值设定为0.1，初步迭代次数设定为200次。为避免参数随机初始化带来的不确定性影响，每项实验均重复进行20次，取其平均值作为最终结果。

为了确定DBN网络隐含层神经元数量，结合调试经验，得到如下经验公式：

对影响实验结果的核心参数：隐含层神经元数量，隐含层层数，网络迭代次数，惩罚因子和高斯传播系数进行整定，并选择最优的二叉树型SVM多分类器结构。

进一步地，本步骤中所述对核心参数的整定，包括如下步骤：

步骤S21，隐含层层数为2，迭代次数为150次，采用全二叉树型支持向量机多类分类器的条件下，改变单个隐含层神经元数量，进行仿真实验，仿真结果表明基于DBN_SVM的轨道电路故障诊断模型的最佳单个隐含层神经元数量为15。

步骤S22，在隐含层神经元个数为15，迭代次数为150次，采用全二叉树型支持向量机多类分类器的条件下，改变隐含层的层数，进行仿真实验，仿真结果表明基于DBN_SVM的轨道电路故障诊断模型的最佳隐含层层数为2层。

步骤S23，在隐含层神经元个数为15，隐含层层数为2，采用全二叉树型支持向量机多分类器的条件下，改变网络迭代次数，进行仿真实验，结果表明基于DBN_SVM的轨道电路故障诊断模型的最佳迭代次数为150次。

步骤S24，将每个SVM分类器的惩罚因子初值设置为2，高斯传播系数的取值设置为0.25。在参数整定过程中，每次将惩罚因子和高斯传播系数按指数增长，在它们按故障类别进行二分类的效果最优时的值作为该SVM分类器对应参数的取值。且通过网格搜索法从上至下依次实现每个SVM分类器对这两个参数的最佳取值。

步骤S25，在DBN模型隐含层神经元个数为15，隐含层层数为2，迭代次数为150次的条件下，仿真研究全二叉树型SVM多分类器和偏二叉树型SVM多分类器对实验结果的影响，结果表明全二叉树型SVM多分类器的故障识别率高，训练时间短，综合效果最好。所以本发明采用全二叉树型SVM多分类器。步骤S3，利用贪婪算法自底朝上的分层对DBN进行无监督学习，提取轨道电路故障原始数据的特征，并通过BP神经网络对RBM网络层间参数进行反向微调，使得各层RBM达到能量平衡状态。

图3所示为所述DBN模型的结构示意图。如图3所示，所述DBN包括N个RBM和BP网络层。N个RBM用于提取输入数据的高层分布特征。BP神经网络用于反向微调各层RBM网络层间参数。

本步骤中，所述对DBN进行无监督学习，进一步包括如下步骤：

步骤S31，向所述DBN输入训练样本集数据，经过训练使得第一层RBM达到能量平衡，得到第一层RBM的联合分布，t＝1。

步骤S32，将第t层RBM的联合分布输入第t+1层RBM。

步骤S33，判断是否t＝N；若否，则t＝t+1，转入步骤S22；若是，则判断第N层RBM是否达到能量平衡。

本步骤中，所述RBM的能量函数由公式(5)给定：

式(5)中，p,q分别为可见神经元节点数量和隐藏神经元节点数量，v,h为对应的状态向量，c,d为对应的阈值向量，θ＝(w,c,d)为各参数向量的连接，w_ij为i,j之间的连接权值。

步骤S34，利用BP神经网络反向微调各层RBM网络层间参数。

优选地，步骤S3中，采用对比散度法对RBM进行训练。利用对比散度法对RBM进行训练，将RBM的隐藏层作为训练样本起点，通过状态转移达到RBM分布状态。通过可见层节点，由下式(6)计算隐藏层状态值：

P(h_i＝1|v)＝sigmoid(c_i+W_iv)  (6)

将隐藏层状态值代入式(7)可得可视节点为1的概率，而后将其代入RBM中进行梯度下降运算。

P(v_j＝1|h)＝sigmoid(b_i+W′_jh)  (7)

图4所示为对比散度法训练RBM的过程示意图。如图4所示，其中，v₀是可见层输入，由式(6)可得隐含层特征向量h₀，由式(7)可得到重建后的特征v₁，而后由v₁可推导出隐含层特征向量h₁。

步骤S4，采用所提取的轨道电路故障原始数据的特征向量，训练二叉树型支持向量机多类分类器，其中每个SVM分类器利用网格搜索求对应的惩罚因子和核函数参数的最优值。

图5为所述二叉树型支持向量机多类分类器工作原理示意图。如图5所示，二叉树型支持向量机多类分类器包含M个SVM，SVM模型的工作原理为从根节点开始输入数据样本，并对其进行二分类，对分类后的结果利用子节点SVM分类器再次进行二分类。如此循环，直到最下层子节点中只包含一个数据样本类别。

本步骤中，所述训练二叉树型支持向量机多类分类器，包括以下步骤：

步骤S41，确定训练样本集中的样本集合{x_i,y_i}，i＝1,2,…,0，x_i为训练数据，0为样本总数，y_i∈{0,1}为样本类别标号。

步骤S42，SVM核函数为高斯卷积核如式(8)所示：

K(x_i,x_j)＝exp(-γ||x_i-x_j||²)  (8)

式(8)中，i,j均为样本编号，γ为高斯传播系数。

步骤S43，根据SVM核函数，输入向量计算协方差矩阵，并通过矩阵变换运算将向量的每一个数据映射到高维空间，使得输入的训练样本集样本在高维空间线性可分。

步骤S44，定义罚函数：

式(9)中，w为分离超平面法向量，:为惩罚因子，i＝1,2,…,N，ξ_i表示样本i到分离超平面距离小于1时的距离。

步骤S45，在Hilbert空间中求解二次规划问题：

式(10)中，α_i为拉格朗日乘子，其中使得样本分类间隔最大化的非零最优解即为w。

步骤S46，通过公式(11)计算得到截距b^*：

步骤S47，根据所述截距，得到分离超平面：

f(x)＝w·x+b^*＝0  (12)

由式(12)可以看出，所述超平面由法向量w和截距b^*决定，将样本在Hilbert空间中分成两类，法向量指向的为正类，另一类为负类。

步骤S48，将分离超平面的参数代入SVM决策函数(13)得到最终分类器模型：

f(x)＝sgn{∑wy_iK(x_i,x_j)+b^*}  (13)

步骤S5，对于测试样本集，经过DBN进行特征提取后，送入二叉树型支持向量机多类分类器中进行分类，对每一个测试样本进行诊断得出识别结果。

进一步地，所述基于DBM-SVM的ZPW-2000A无绝缘轨道电路故障诊断方法还可以包括：

步骤S5，将每一个测试样本的识别结果和故障标签进行对比，计算出每一类故障的识别率。

图6所示为本实施例迭代次数和训练样本集故障识别率的关系图。如图6所示，当迭代次数小于50次时，诊断准确率随着迭代次数的增加而迅速上升；当迭代次数大于50次，小于150次时，诊断准确率随着迭代次数的增加而缓慢上升；迭代次数在150次左右时，识别率达到最高；当迭代次数大于150次时，识别率随着迭代次数的增加而略有下降，呈现过拟合状态。由此可以看出，基于DBN_SVM的轨道电路故障诊断模型的最佳迭代次数为150次。

图7为本实施例训练样本集样本大小对测试样本集故障识别率的影响关系图。如图7所示，当训练样本集故障样本数大于1575组后，模型故障识别率已经基本保持不变。由此可见，本实施例的基于DBM-SVM的ZPW-2000A无绝缘轨道电路故障诊断方法诊断稳定性高，精度高。

步骤S6，采集ZPW-2000A无绝缘轨道电路当前状态数据，并将数据输入所述完成训练和测试的DBN_SVM模型，对当前ZPW-2000A无绝缘轨道电路进行故障诊断。

由以上技术方案可以看出，本发明实施例的基于DBM-SVM的ZPW-2000A无绝缘轨道电路故障诊断方法，通过故障原始数据中的训练样本集训练DBN提取故障数据的特征，再利用所提取的特征对SVM分类器进行训练，从而得到DBN-SVM诊断模型，对故障数据进行诊断，诊断性能稳定，精度高、误差小，工作周期短，提高了无绝缘轨道电路故障诊断的效率。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统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劳动的情况下，即可以理解并实施。

本领域普通技术人员可以理解：实施例中的装置中的部件可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的部件可以合并为一个部件，也可以进一步拆分成多个子部件。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于DBN_SVM模型的ZPW-2000A无绝缘轨道电路故障诊断方法，其特征在于，所述方法包括如下步骤：

步骤S1，从ZPW-2000A无绝缘轨道电路中采集故障原始数据，将所述原始数据划分为训练样本集和测试样本集；所述故障原始数据有12个不同的样本特征，其中室内设备采集的特征量为发送电压、发送电流、电缆侧发送电压、电缆侧接收电压、主轨入电压和主轨出电压；室外调谐区采集的特征量为调谐单元TU1发送端和接收端的电流、TU2发送端和接收的电流、空心线圈SVA发送端和接收端的电流；

步骤S2，对DBN_SVM模型进行参数设置；对连接权重W、可视层、隐含层神经元偏置进行极小值随机初始化：

W_ij＝0.1×randm(m,n)    (1)

a＝zeros(1,m)    (2)

b＝zeros(1,n)    (3)

其中，a,b为对应的阈值向量，m为输入层神经元个数，n是输出层神经元个数，W_ij为i，j之间的连接权值；

学习率初值设定为0.1，初步迭代次数设定为200次；为避免参数随机初始化带来的不确定性影响，每项实验均重复进行20次，取其平均值作为最终结果；

根据公式(4)确定DBN网络隐含层神经元数量：

对影响实验结果的核心参数：隐含层神经元数量，隐含层层数，网络迭代次数，惩罚因子和高斯传播系数进行整定，并选择最优的二叉树型SVM多分类器结构；

对核心参数的整定，包括如下步骤：

步骤S21，隐含层层数为2，迭代次数为150次，采用全二叉树型支持向量机多类分类器的条件下，改变单个隐含层神经元数量，得出基于DBN_SVM的轨道电路故障诊断模型的最佳单个隐含层神经元数量为15；

步骤S22，在隐含层神经元个数为15，迭代次数为150次，采用全二叉树型支持向量机多类分类器的条件下，改变隐含层的层数，得出基于DBN_SVM的轨道电路故障诊断模型的最佳隐含层层数为2层；

步骤S23，在隐含层神经元个数为15，隐含层层数为2，采用全二叉树型支持向量机多分类器的条件下，改变网络迭代次数，得出基于DBN_SVM的轨道电路故障诊断模型的最佳迭代次数为150次；

步骤S24，将每个SVM分类器的惩罚因子初值设置为2，高斯传播系数的取值设置为0.25；且通过网格搜索法从上至下依次实现每个SVM分类器对这两个参数的最佳取值；

步骤S3，利用贪婪算法自下向上的分层对DBN进行无监督学习，提取轨道电路故障原始数据的特征，并通过BP神经网络对RBM网络层间参数进行反向微调，使得各层RBM达到能量平衡状态；

步骤S4，采用所提取的轨道电路故障原始数据的特征，训练二叉树型支持向量机多类分类器，其中每个SVM分类器利用网格搜索求对应的惩罚因子和核函数参数的最优值；

步骤S5，对于测试样本集，经过DBN进行特征提取后，送入二叉树型支持向量机多类分类器中进行分类，对每一个测试样本进行诊断得出识别结果；

步骤S6，采集ZPW-2000A无绝缘轨道电路当前状态数据，并将数据输入完成训练和测试的DBN_SVM模型，对当前ZPW-2000A无绝缘轨道电路进行故障诊断。

2.根据权利要求1所述的ZPW-2000A无绝缘轨道电路故障诊断方法，其特征在于，所采集的故障原始数据，训练样本集和测试样本集的数量符合十折交叉验证法要求。

3.根据权利要求1所述的ZPW-2000A无绝缘轨道电路故障诊断方法，其特征在于，所述DBN模型包括N个RBM和BP网络层；其中，N个RBM用于提取输入数据的高层分布特征，BP神经网络用于反向微调各层RBM网络层间参数。

4.根据权利要求2所述的ZPW-2000A无绝缘轨道电路故障诊断方法，其特征在于，所述DBN包括N个RBM和BP网络层；所述步骤S3中对DBN进行无监督学习，进一步包括如下步骤：

步骤S31，向所述DBN输入训练样本集数据，经过训练使得第一层RBM达到能量平衡，得到第一层RBM的联合分布，t＝1；

步骤S32，将第t层RBM的联合分布输入第t+1层RBM；

步骤S33，判断是否t＝N；若否，则t＝t+1，转入步骤S22；若是，则判断第N层RBM是否达到能量平衡；

步骤S34，利用BP神经网络反向微调各层RBM网络层间参数。

5.根据权利要求4所述的ZPW-2000A无绝缘轨道电路故障诊断方法，其特征在于，所述步骤S23中RBM的能量函数由公式(5)给定：

式(5)中，p,q分别为可见神经元节点数量和隐藏神经元节点数量，v,h为对应的状态向量，c,d为对应的阈值向量，θ＝(w,c,d)为各参数向量的连接。

6.根据权利要求1所述的ZPW-2000A无绝缘轨道电路故障诊断方法，其特征在于，所述步骤S5还包括：

将每一个测试样本的识别结果和故障标签进行对比，计算出每一类故障的识别率。

Images