CN111046583B - 基于DTW算法和ResNet网络的转辙机故障诊断方法 - Google Patents

基于DTW算法和ResNet网络的转辙机故障诊断方法 Download PDF

Info

Publication number
CN111046583B
CN111046583B CN201911379281.5A CN201911379281A CN111046583B CN 111046583 B CN111046583 B CN 111046583B CN 201911379281 A CN201911379281 A CN 201911379281A CN 111046583 B CN111046583 B CN 111046583B
Authority
CN
China
Prior art keywords
curve
standard template
action
curves
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911379281.5A
Other languages
English (en)
Other versions
CN111046583A (zh
Inventor
李刚
杨勇
谢智多
李志鹏
梁志国
付伟
唐世军
马元
王鹏
樊丽萍
胡启正
胡伟
金鹏
窦道飞
王琳
巩瑞英
孙瑞
郝乙丁
葛雪纯
徐尚志
吴旻哲
刘洋
孙瑞晓
张思杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Academy of Railway Sciences Corp Ltd CARS
Signal and Communication Research Institute of CARS
Beijing Huatie Information Technology Co Ltd
Original Assignee
China Academy of Railway Sciences Corp Ltd CARS
Signal and Communication Research Institute of CARS
Beijing Huatie Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Academy of Railway Sciences Corp Ltd CARS, Signal and Communication Research Institute of CARS, Beijing Huatie Information Technology Co Ltd filed Critical China Academy of Railway Sciences Corp Ltd CARS
Priority to CN201911379281.5A priority Critical patent/CN111046583B/zh
Publication of CN111046583A publication Critical patent/CN111046583A/zh
Application granted granted Critical
Publication of CN111046583B publication Critical patent/CN111046583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
    • B61L27/53—Trackside diagnosis or maintenance, e.g. software upgrades for trackside elements or systems, e.g. trackside supervision of trackside control system conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/203—Drawing of straight lines or curves

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Mechanical Engineering (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于DTW算法和ResNet网络的转辙机故障诊断方法，包括：对每台转辙机设备的历史动作曲线分别进行预处理，再利用DTW算法选取对应的标准模板曲线；对曲线进行归一化与拼接操作，对得到的矩阵形式的曲线数据中部分曲线数据进行人工标记，作为训练用的模板曲线；利用模板曲线对预先构建的且引入了ResNet网络的卷积神经网络进行训练，使得ResNet网络能够提取出表征转辙机实时动作状态的特征参数；将需要进行故障诊断的曲线输入至训练好的卷积神经网络中，得到故障概率。该方法能够针对每台转辙机设备自适应选取标准模板曲线用于神经网络训练检测，能有效提高转辙机设备工作异常检出率，利于提前发现故障隐患，减少因设备故障对行车造成的影响。

Description

基于DTW算法和ResNet网络的转辙机故障诊断方法
技术领域
本发明涉及轨道交通技术领域，尤其涉及一种基于DTW算法和ResNet网络的转辙机故障诊断方法。
背景技术
随着铁路运营里程和运输量的不断增长，对铁路信号控制设备的要求也日趋严格。转辙机作为道岔控制系统的执行机构，用于道岔的转换、锁闭以及道岔所处位置和状态的监督，是铁路信号设备中最重要的基础设备之一，也是最容易发生故障的设备之一，其能否正常运行，对铁路运输的安全稳定运行有着重要的影响。转辙机设备安装在室外，环境复杂、使用频率高，且设备各组成部件之间结构形式多样化，功能相互关联，受诸多不确定因素的影响，转辙机在使用期间难免会发生故障，若出现故障未及时维修，将导致严重的后果，轻则导致运行列车晚点，影响行车，重则导致安全事故，造成经济损失甚至人员伤亡。传统的基于“事后维修”和“计划维修”的被动维修保障模式已经难以满足现代铁路运输系统对转辙机设备可靠性的需求。因此，及时准确地掌握转辙机运行状况，研究其故障诊断技术，对于实施转辙机状态维修，防止发生严重事故，保证铁路运输安全，提高经济效益具有重要意义和实际应用价值。
道岔需要转换的时候，转辙机内部的动作电路被接通，由电机输出动力驱动道岔进行转换。对于道岔转辙机设备，铁路信号集中监测系统能够实时采集到转辙机动作的电流和功率等电气特性曲线，分析这些特性曲线能在一定程度上了解转辙机的工作状态。
目前，道岔故障诊断已经处于基于计算机技术与传感器监测数据融合的阶段，现有技术引入CNN神经网络理论进行道岔转辙机故障智能诊断，通过设计适当的模型，用历史曲线数据对模型进行训练，使其能模拟人类的判断对道岔转辙机故障进行检测，其核心是网络模型和训练样本。不同于专家系统是通过人为设定的规则对未知的数据进行判断，机器学习的思想是用数据去训练模型，让模型从数据中获取所谓的专家经验和知识，并获得对未知数据的识别判断能力。然而，该方案的主要缺陷在于：1)由于同一种曲线对于不同的设备来说可能表示不同的运行状况，算法模型对转辙机动作曲线识别泛化性不足。2)算法模型识别特殊工况与环境下的转辙机动作异常曲线精度不高。3)算法模型训练集过于依赖运维人员人工标记。
此外，目前还有利用支持向量机、弗雷歇距离以及灰关联理论等方法，但是，这些方法需要对动作曲线进行分段提取特征，而计算机很难对动作曲线进行准确的自动分段；同时求曲线点集之间的距离也无法适应每一个设备不同服役年限和服役工况的情况。
发明内容
本发明的目的是提供一种基于DTW算法和ResNet网络的转辙机故障诊断方法，能够针对每台转辙机设备自适应选取标准模板曲线用于神经网络训练检测，能有效提高转辙机设备工作异常检出率，利于提前发现故障隐患，减少因设备故障对行车造成的影响。
本发明的目的是通过以下技术方案实现的：
一种基于DTW算法和ResNet网络的转辙机故障诊断方法，包括：
对每台转辙机设备的历史动作曲线分别进行预处理，再利用DTW算法选取对应的标准模板曲线；
对每台转辙机设备的历史动作曲线与标准模板曲线进行归一化，再通过曲线拼接，转换成矩阵形式的曲线数据，对矩阵形式的曲线数据中部分曲线数据进行人工标记，作为训练用的模板曲线；
利用模板曲线对预先构建的且引入了ResNet网络的卷积神经网络进行训练，使得ResNet网络能够提取出表征转辙机实时动作状态的特征参数；
将需要进行故障诊断的曲线输入至训练好的卷积神经网络中，得到故障概率。
由上述本发明提供的技术方案可以看出，通过对道岔历史动作曲线数据综合分析，对每台转辙机设备自动化选取标准模板曲线，不仅能够替代人工对大量道岔动作曲线数据进行集中、关联分析，从而减轻运维人员的劳动强度，提高维护效率，还能够能够提升模型的泛化性与曲线故障概率检测的精度。此外，通过对道岔动作曲线进行实时分析和诊断，提早发现设备故障征兆，这对保证列车安全正点运行、降低运维人员劳动强度具有重要的意义和实际应用价值。
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，对于本领域的普通技术人员来讲，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附图。
图1为本发明实施例提供的一种基于DTW算法和ResNet网络的转辙机故障诊断方法的流程图；
图2为本发明实施例提供的DTW算法应用于转辙机动作电流曲线上的原理示意图；
图3为本发明实施例提供的寻找一条通过转辙机曲线中若干数据点的路径的示意图；
图4为本发明实施例提供的寻找一条通过转辙机曲线中若干数据点的路径的示意图；
图5为本发明实施例提供的曲线拼接示意图；
图6为本发明实施例提供的卷积核堆叠示意图；
图7为本发明实施例提供的引入了ResNet网络的卷积神经网络示意图；
图8为本发明实施例提供的跨层连接残差传递的示意图。
具体实施方式
下面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，所描述的实施例仅仅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，都属于本发明的保护范围。
不同服役频度、环境的转辙机随着运行时间的增长，其物理特性会逐渐发生变化(如滑床板摩擦度、齿轮咬合度会降低等)，表现在动作曲线中会产生一定的差异性，使用传统神经网络算法进行动作曲线故障诊断时，若训练样本选取不当会导致误报率飙升，甚至报警失灵。为解决此问题，本发明采用DTW算法为每台转辙机的每个动作方向自动选取一条标准模板曲线(standard curve)，DTW(Dynamic Time Warping，动态时间归整)算法是衡量两个长度不同的时间序列之间的相似度的一种算法。
如图1所示，为本发明实施例提供的一种基于DTW算法和ResNet网络的转辙机故障诊断方法的流程图，其主要包括：
1、对每台转辙机设备的历史动作曲线分别行预处理，再利用DTW算法选取对应的标准模板曲线。
本发明实施例中，为提高用DTW算法自动选取的标准模板曲线的可用性，做了如下数据预处理：
(1)去除异常、天窗时间曲线。
异常、天窗时间的曲线是指设备动作不正常(异常)或维修时间段内设备产生的动作曲线，其不能很好反映设备工作特性。本发明在自动选取标准模板曲线前去除此类曲线，以保证选取的标准模板曲线能很好反映设备工作性状。
(2)依据扳动方向和设备类型自适应分类成簇
不同设备之间由于服役环境、服役年限等因素的差异，会在动作曲线上有所体现，因此，本发明以设备为单位，根据其类型动作方向分别选取标准模板曲线，以提升模型的泛化性与曲线故障概率检测的精度。
本发明实施例中，历史动作曲线主要分为四类：功率曲线(Power curve)和三相电流曲线(Three-phase current curve)。
转辙机动作有两个方向：定位到反位、反位到定位。正常时两个方向的动作依次循环，通常两个方向的曲线形态不完全一致。对于同一转辙机设备，在同一时间动作(一个动作方向上)会监测到功率曲线和三相电流曲线一共四条曲线，随后将曲线拼接后形成动作曲线(DZdata)，对照动作曲线的形式生成标准模板曲线。
DTW算法应用于转辙机动作电流曲线上，其工作原理如图2所示，其中的DzData1～DzData2表示两种道岔动作曲线。
图中给出了某个转辙机设备的2条动作电流曲线，从形态上来看这两条动作曲线是相似的，图中给出的是2条曲线的最小包络路径。可以看出DTW算法既解决了欧式距离对数据对称性的要求，又可以避免曲线噪声对比较结果的影响。
利用DTW算法对于每一类型的准模板曲线均采用下述方式选取标准模板曲线：
从预处理后的历史动作曲线中任选两条相同类型的动作曲线，假设两条历史动作曲线的时间序列分别为A＝{a1,a2,...,am}和B＝{b1,b2,...,bn}，则存在一个局部距离矩阵Dm,n：
其中，a与b分别为时间序列A与B中的数据点，m与n分别为时间序列A与B中的数据点数目，下标为数据点序号；||a,b||表示两个数据点之间的欧式距离；
通过Dm,n找到一个最小的累积包络距离Dist(i,j)作为相应类型的标准模板曲线，表示为：
其中，D(i,j)为局部距离矩阵Dm,n中第i行，第j列的元素。
本领域技术人员可以理解，实际算法中，算法计算曲线与其它所有同类型曲线的归整路径距离(Warp Path Distance)，将某曲线到其它所有曲线的距离和称为累计包络距离。
上述处理的原理可以归结为寻找一条通过转辙机曲线中若干数据点的路径，路径通过的数据点即为两个序列进行计算的对齐的点，图3～图4给出了相关示例。如图3～图4所示，为两组动作曲线的示例。每一组动作曲线中示意了两个动作曲线(即动作曲线AB)，每一组动作曲线中，数字2、3、4、5表示同一组动作曲线中同一特征阶段的数据点。对于每台转辙机设备，通过DTW算法计算出各条动作曲线之间的反向包络距离，选取其中与其它所有动作曲线包络距离最小的曲线作为此转辙机设备的标准模板曲线。
2、对每台转辙机设备的历史动作曲线与标准模板曲线进行归一化，再通过曲线拼接，转换成矩阵形式的曲线数据，对矩阵形式的曲线数据中部分曲线数据进行人工标记，作为训练用的模板曲线。
为了便于进一步机器学习分析，本发明需要对动作曲线数据进行归一化、曲线拼接与正误样本标记处理，主要如下：
1)曲线归一化。
归一化旨在对动作曲线进行一系列标准处理变换，使所有曲线变换为以一固定标准形式的过程。因为转辙机设备运行环境和服役年限的不同，不同设备曲线会有一定差异，归一化消除了不同环境、服役年限的对曲线的影响。本发明对每台转辙机的历史动作曲线与标准模板曲线中每一类型的曲线分别进行归一化处理，结果映射到[0,1]，以提取每条曲线的形状趋势。
曲线归一化的公式为：
其中，X'为归一化之后的曲线值，X为归一化之前的曲线值，Xmin为单条曲线中的最小值，Xmax为单条曲线中的最大值。
通过归一化处理，在保持曲线动作不变的同时将曲线值映射到0-1范围内。
2)曲线拼接。
对于归一化后的历史动作曲线与标准模板曲线中每一类型曲线，各自取前M个数据点，则历史动作曲线与标准模板曲线各自为4*M个数据点；
将历史动作曲线与标准模板曲线按照曲线类型对应的拼接在一起，转换成矩阵形式。历史动作曲线中每一类型曲线数据通常为多个，在操作时，将每一类型曲线的4*M个数据点与对应的标准模板曲线进行拼接。
示例性的，实际应用中，转辙机设备的动作时间约为5到10秒，以每秒25个点的采样间隔对其采样，得到大约250个点数据。但是，当转辙机动作异常或连续扳动时曲线延续时间可以到达30秒之多，为了提高训练和识别的精确度，对每路数据，取其前800个点作为有效数据，这样转辙机每次动作就会得到4*800个数据，再与其对应的标准模板曲线数据(也是4*800个数据)一起转换成矩阵形式，作为训练和识别的输入，曲线拼接示意图如图5所示。
拼接完成后，曲线数据就变成80*80的伪图片数据，作为特征被输入到卷积神经网络中去进行学习，通过深度学习的方法，自适应的学习实时动作性曲线与标准模板曲线之间内在的联系。此方法可避免传统的通过人工设置阈值实现故障诊断方法引起的模型“水土不服”问题，相比于专家系统，本发明具有更强的适应性，可以保证在不同使用场景方面的健壮性。
3)正误样本标记。
曲线拼接完成后，选取矩阵形式的部分曲线经过人工标记(正误样本标记)后送入曲线案例库保存作为神经网络模型训练的模板曲线。模型训练是利用卷积神经网络提取出能表征转辙机实时动作状态的特征参数，然后根据训练得出模型。
训练时，只将标记好的曲线送入网络学习(也就是将实时曲线标记好后送入曲线案例库，训练时从案例库中选取曲线进行训练)。数据量过大优先标记异常曲线送入案例库，没有标记的曲线是不能送入网络训练的。
3、利用模板曲线对预先构建的且引入了ResNet网络的卷积神经网络进行训练，使得ResNet网络能够提取出表征转辙机实时动作状态的特征参数。
本发明实施例中，卷积神经网络包含多个卷积层以及设置与网络末端的全连接层，每一卷积层内包含依次设置的若干卷积单元与末端的池化单元。
本发明实施例中，每个卷积单元的参数都是通过反向传播算法最佳化得到的。对于传统的卷积神经网络，在深层网络能够收敛的前提下，随着网络深度的增加，正确率开始饱和甚至下降，称之为网络的退化(degradation)问题。为了解决这一问题，本发明引入残差网络(ResNet)，如图6所示，为卷积核堆叠示意图。
ResNet网络提出了两种mapping：一种是identity mapping，指的就是图6中右侧的曲线，另一种residual mapping，指的就是除了“identity mapping”那部分，所以最后的输出是y＝F(x)+x。identity mapping顾名思义，就是指本身，也就是公式中的x，而residual mapping指的是“差”，也就是y-x，所以残差指的就是F(x)部分。
ResNet网络是参考了VGG19的网络，在其基础上进行了修改，并通过短路机制加入了残差单元。引入残差后的映射对输出的变化更敏感，另外ResNet的一大优势也在于其网络的复杂性并不比传统网络的复杂性更高，却能拥有更深的网络深度。引入了ResNet网络的卷积神经网络如图7所示。其中，conv表示卷积单元，Pool表示池化单元，conv之前的1*1，3*3和1*1表示卷积核，之后的数字为卷积操作后的尺寸；Pool之后的“/2”表示将尺寸缩小为输入尺寸的1/2，最后一个卷积层中的池化单元为平均池化单元(Avg pooling)。fc表示全连接层，其数目为3个，前两个fc之后的1000表示尺寸，最后一个fc之后的2表示输出节点数目，分别输出正常状态与异常状态的概率。值得注意的是，图5所示结构中卷积层的数目以及卷积单元、池化单元及前两个fc所涉及的相关参数均为举例，并非构成限制。
如图8所示，本发明在卷积层中采用1*1，3*3和1*1的卷积核堆叠，运用跨层连接实现残差的传递。
用1×1的卷积核进行降维，可以达到减少参数的目的。因为如果卷积的输入、输出都仅有一个平面，那么1×1卷积核并没有什么意义，但通常卷积的输入、输出都是多通道的，此时1×1卷积核实际上是对每个像素点在不同通道(channels)上线性组合(信息整合)，且保留了图片的原有平面结构，同时改变channels的数量，进而达到升维和降维的功能。
另外，在每个卷积层后用Batch Normalization(批归一化)对输出结果进行规范化，它可以防止梯度弥散并且加快收敛速度。激活采用线性整流函数(Rectified LinearUnit，ReLU)，它能减少正常梯度与单位自然梯度之间的差距，加快收敛，并且在负的限制条件下能够更有鲁棒性。
通过迭代训练，能够不断更新网络模型中的参数，使得训练好的模型，能够学习到实时曲线与标准模板曲线的差异，从而准确实现动作曲线的故障诊断。
4、将需要进行故障诊断的曲线输入至训练好的卷积神经网络中，得到故障概率。
通过前述的步骤3训练好的卷积神经网络，能够对需要进行故障诊断的曲线进行准确的识别，得到曲线状态(正常或异常)并给出曲线故障概率。
末端fc层将结果分为两类(判断正样本还是负样本)，输出结果为归类的概率，例如：[0.99,0.01]说明正样本概率为99％，负样本概率为1％。通过与设定的阈值进行比较，确定曲线状态，例如，将90％概率以上的判定为正常曲线，50％以上90％以下的为待人工判断，50％以下的判定为异常曲线。
上述方案能有效提高转辙机工作异常检出率，利于提前发现故障隐患，能够减少因设备故障对行车造成的影响。这对保证列车安全正点运行、降低运维人员劳动强度具有重要的意义和实际应用价值。同时，该方法能达成每台设备自适应的从设备的历史曲线中选择标准模板曲线用于神经网络训练检测，且经过拓展，同样可以适用于转辙机以外的其它系统的故障诊断，这对设备健康度管理具有重要意义。
本发明实施例上述方案，主要获得如下有益效果：
(1)能够替代人工对大量道岔动作曲线数据进行集中、关联分析，准确识别异常曲线，从而减轻运维人员的劳动强度，提高维护效率。
(2)通过对道岔历史动作曲线数据综合分析，对每台转辙机设备自动化选取标准模板曲线，代替运维人员人工标定。
(3)通过对道岔动作曲线进行实时分析和诊断，提早发现设备故障征兆，指导科学检修。
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上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)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的方法。
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披露的技术范围内，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书的保护范围为准。

Claims (4)

1.一种基于DTW算法和ResNet网络的转辙机故障诊断方法，其特征在于，包括：
对每台转辙机设备的历史动作曲线分别进行预处理，再利用DTW算法选取对应的标准模板曲线，包括：去除历史动作曲线中设备动作异常或维修时间段内设备产生的动作曲线；再以转辙机设备为单位，根据类型动作方向分别选取标准模板曲线，所述类型动作方向包括：定位到反位、以及反位到定位；
对每台转辙机设备的历史动作曲线与标准模板曲线进行归一化，再通过曲线拼接，转换成矩阵形式的曲线数据，对矩阵形式的曲线数据中部分曲线数据进行人工标记，作为训练用的模板曲线；其中，所述曲线拼接包括：所述历史动作曲线与标准模板曲线均包括四种类型：功率曲线和三相电流曲线；对于归一化后的历史动作曲线与标准模板曲线中每一类型曲线，各自取前M个数据点，则历史动作曲线与标准模板曲线各自为4*M个数据点；将历史动作曲线与标准模板曲线按照曲线类型对应的拼接在一起，转换成矩阵形式；
利用模板曲线对预先构建的且引入了ResNet网络的卷积神经网络进行训练，使得ResNet网络能够提取出表征转辙机实时动作状态的特征参数；
将需要进行故障诊断的曲线输入至训练好的卷积神经网络中，得到故障概率。
2.根据权利要求1所述的一种基于DTW算法和ResNet网络的转辙机故障诊断方法，其特征在于，所述利用DTW算法选取对应的标准模板曲线包括：
所标准模板曲线包括：功率标准模板曲线和三相电流标准模板曲线；对于每一类型的准模板曲线均采用下述方式选取标准模板曲线：
从预处理后的历史动作曲线中任选两条相同类型的动作曲线，假设两条历史动作曲线的时间序列分别为A＝{a1,a2,...,am}和B＝{b1,b2,...,bn}，则存在一个局部距离矩阵Dm,n：
其中，a与b分别为时间序列A与B中的数据点，m与n分别为时间序列A与B中的数据点数目，下标为数据点序号；||a,b||表示两个数据点之间的欧式距离；
通过Dm,n找到一个最小的累积包络距离Dist(i,j)作为相应类型的标准模板曲线，表示为：
其中，D(i,j)为局部距离矩阵Dm,n中第i行，第j列的元素。
3.根据权利要求1所述的一种基于DTW算法和ResNet网络的转辙机故障诊断方法，其特征在于，曲线归一化的公式为：
其中，X'为归一化之后的曲线值，X为归一化之前的曲线值，Xmin为单条曲线中的最小值，Xmax为单条曲线中的最大值；
通过归一化处理，在保持曲线动作不变的同时将曲线值映射到0-1范围内。
4.根据权利要求1所述的一种基于DTW算法和ResNet网络的转辙机故障诊断方法，其特征在于，所述卷积神经网络包含多个卷积层以及设置于网络末端的全连接层；每一卷积层内包含依次设置的若干卷积单元与末端的池化单元，在每个卷积层后用批归一化处理对输出结果进行规范化，卷积层之间使用跨层连接实现残差的传递；网络末端的最后一个全连接层输出需要进行故障诊断的曲线为正常与异常的概率。
CN201911379281.5A 2019-12-27 2019-12-27 基于DTW算法和ResNet网络的转辙机故障诊断方法 Active CN111046583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911379281.5A CN111046583B (zh) 2019-12-27 2019-12-27 基于DTW算法和ResNet网络的转辙机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911379281.5A CN111046583B (zh) 2019-12-27 2019-12-27 基于DTW算法和ResNet网络的转辙机故障诊断方法

Publications (2)

Publication Number Publication Date
CN111046583A CN111046583A (zh) 2020-04-21
CN111046583B true CN111046583B (zh) 2023-12-08

Family

ID=70239367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911379281.5A Active CN111046583B (zh) 2019-12-27 2019-12-27 基于DTW算法和ResNet网络的转辙机故障诊断方法

Country Status (1)

Country Link
CN (1) CN111046583B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898661B (zh) * 2020-07-17 2024-09-13 交控科技股份有限公司 道岔转辙机的工作状态监测方法及装置
CN112213579B (zh) * 2020-09-24 2024-08-06 交控科技股份有限公司 道岔转辙机故障识别方法及装置
CN112348170B (zh) * 2020-11-10 2024-10-15 交控科技股份有限公司 一种道岔转辙机故障诊断方法及系统
CN112395968B (zh) * 2020-11-11 2021-08-27 北京京航计算通讯研究所 基于神经网络的机械旋转部件故障诊断方法及装置
CN112668715A (zh) * 2020-12-28 2021-04-16 卡斯柯信号有限公司 一种基于机器学习的道岔转辙机异常诊断方法及系统
CN112668484B (zh) * 2020-12-29 2023-04-21 上海工程技术大学 一种转辙机自动开闭器动静节点接入距离检测方法
CN112906782B (zh) * 2021-02-07 2024-01-26 江西科技学院 基于dtw与最小二乘估计的轨道静态检查历史数据匹配方法
CN112861799A (zh) * 2021-03-15 2021-05-28 深圳市创捷科技有限公司 一种轨道交通设备的大数据诊断方法
CN113110398B (zh) * 2021-05-13 2022-03-22 浙江理工大学 基于动态时间归整和图卷积网络的工业过程故障诊断方法
CN114692969B (zh) * 2022-03-29 2023-05-12 西门子交通技术(北京)有限公司 转辙机故障预测方法、装置、电子设备和存储介质
CN117741512B (zh) * 2024-02-20 2024-06-07 山东铁路投资控股集团有限公司 一种基于神经网络的转辙机状态检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832896A (zh) * 2017-11-29 2018-03-23 广东电网有限责任公司电力科学研究院 一种电厂设备缓变故障预警方法及装置
CN108985380A (zh) * 2018-07-25 2018-12-11 西南交通大学 一种基于聚类集成的转辙机故障识别方法
CN109993152A (zh) * 2019-04-15 2019-07-09 武汉轻工大学 坐标曲线积分的模式转换方法、设备、存储介质及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832896A (zh) * 2017-11-29 2018-03-23 广东电网有限责任公司电力科学研究院 一种电厂设备缓变故障预警方法及装置
CN108985380A (zh) * 2018-07-25 2018-12-11 西南交通大学 一种基于聚类集成的转辙机故障识别方法
CN109993152A (zh) * 2019-04-15 2019-07-09 武汉轻工大学 坐标曲线积分的模式转换方法、设备、存储介质及装置

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
一种拒绝服务攻击的离散概率分布预测模型;赵文涛;殷建平;;计算机研究与发展(S1);全文 *
单九思.基于深度置信网络的铁路道岔故障诊断系统的研究与实现.《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》.2018,(第undefined期),全文. *
基于卷积神经网络的工件表面缺陷检测系统;梁智聪;《中国优秀硕士学位论文全文数据库信息科技辑》;全文 *
基于卷积神经网络的目标跟踪技术研究;唐爽硕;《中国优秀硕士学位论文全文数据库信息科技辑》;全文 *
巡天光谱中拼接异常光谱的自动检测和异常分级方法;孟凡龙;潘景昌;于敬敬;韦鹏;;光谱学与光谱分析(07);全文 *
张鹤鹤. 区域卷积神经网络在车辆检测中的应用研究.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2018,全文. *
模块化的多机牵引提速道岔转辙机智能测试仪的研究与设计;赵振翔;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;全文 *
起重机械主梁塑性变形的机器视觉识别算法;黄凯;;质量技术监督研究(06);全文 *
转辙机缺口监测主机软件设计与实现;靖欣;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;全文 *
陈亭.基于道岔动作电流的故障诊断方法研究.《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》.2018,(第undefined期),第4-5章. *

Also Published As

Publication number Publication date
CN111046583A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN111046583B (zh) 基于DTW算法和ResNet网络的转辙机故障诊断方法
CN111914873B (zh) 一种两阶段云服务器无监督异常预测方法
CN112287816B (zh) 一种基于深度学习的危险工作区事故自动检测报警方法
CN109633369B (zh) 一种基于多维数据相似性匹配的电网故障诊断方法
CN111931625B (zh) 基于非对称损失神经网络的产品关键零件剩余寿命预测方法
Zhang et al. Fault diagnosis of high-speed railway turnout based on convolutional neural network
CN116842379A (zh) 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法
CN114998294A (zh) 一种基于知识蒸馏的高铁绝缘子缺陷检测方法
CN117437933A (zh) 基于特征聚类结合生成式学习的变压器声纹信号故障无监督检测方法
CN114818817B (zh) 一种电容式电压互感器微弱故障识别系统及方法
CN117786507B (zh) 全局和局部特征耦合指导的滚动轴承未知故障检测方法
CN117032165A (zh) 一种工业设备故障诊断方法
Cheng et al. MMFSL: A Novel Multimodal Few-Shot Learning Framework for Fault Diagnosis of Industrial Bearings
CN114282647A (zh) 基于脉冲神经网络的神经形态视觉传感器目标检测方法
CN113255519A (zh) 一种输电线路危险车辆吊车扬臂识别系统及多目标跟踪方法
CN117973511A (zh) 一种融合知识图谱和神经网络的电梯故障诊断方法
CN112434979A (zh) 道岔系统健康评估方法
CN117458432A (zh) 一种基于人工智能的配网故障恢复方法及系统
CN114167837B (zh) 一种铁路信号系统的智能故障诊断方法及系统
CN116279672A (zh) 一种道岔故障定位的方法、装置、设备及存储介质
CN116167008A (zh) 基于数据增强的物联感知云数据中心异常定位方法
CN112418255A (zh) 基于一维卷积生成式对抗网络的无监督异常检测方案
Liu et al. Power System Relay Protection Based on Faster R-CNN Algorithm
CN111476383A (zh) 一种泵站机组状态检修动态决策方法
Ding A Fault Diagnosis Model Based on Attention Convolution Network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant