CN111046942A - 一种道岔故障判断方法及装置 - Google Patents

Abstract

本发明实施例公开了一种道岔故障判断方法及装置，所述道岔故障判断方法包括：按照预设周期获取道岔在当前时刻前的第一预设时长内对应的历史电流数据，其中，所述历史电流数据包括正常工作电流和异常工作电流；通过动态时间规整算法对所述历史电流数据进行处理，得到最优路径，并通过谱聚类算法基于所述最优路径，生成所述道岔对应的多个聚类结果；获取所述道岔的实时工作电流，基于所述实时工作电流和所述多个聚类结果判断所述道岔是否处于故障状态。采用本发明可以提高道岔故障判断结果的准确性。

Description

一种道岔故障判断方法及装置

技术领域

本发明涉及轨道交通技术领域，具体涉及一种道岔故障判断方法及装置。

背景技术

道岔作为城市轨道交通中重要的连接设备，可以实现列车从一股轨道转入另一股轨道。道岔故障会直接影响到列车的运行安全和效率，故而，对道岔的故障状态进行判断也变得尤为重要。

现阶段，运营商通常基于机器学习实现道岔故障判断。具体的，首先，可以实时采集线路内每个道岔的动作电流，动作电流中可以包括正常工作电流和异常工作电流(如故障工作电流)。然后，可以通过机器学习算法对前述采集到的动作电流进行处理，并可以根据处理结果设置电流功率阈值。在进行道岔故障判断时，可以将采集到的道岔的实时动作电流和前述电流功率阈值进行比较，并根据比较结果确定道岔是否故障。

现有技术中，由于道岔大部分时间在正常工作，故而采集的异常工作电流通常较少。这样，会导致机器学习的处理结果不准确，从而使得电流功率阈值的准确性较低，道岔故障判断结果的准确性较低。

发明内容

由于现有方法存在上述问题，本发明实施例提出一种道岔故障判断方法及装置。

第一方面，本发明实施例提出一种道岔故障判断方法，包括：

按照预设周期获取道岔在当前时刻前的第一预设时长内对应的历史电流数据，其中，所述历史电流数据包括正常工作电流和异常工作电流；

通过动态时间规整算法对所述历史电流数据进行处理，得到最优路径，并通过谱聚类算法基于所述最优路径，生成所述道岔对应的多个聚类结果；

获取所述道岔的实时工作电流，基于所述实时工作电流和所述多个聚类结果判断所述道岔是否处于故障状态。

可选的，所述通过动态时间规整算法对所述历史电流数据进行处理，得到最优路径，包括：

基于所述历史电流数据生成多条电流曲线，基于所述多条电流曲线构建相似度矩阵；

基于所述相似度矩阵以及约束条件，确定最优路径，其中所述约束条件包括边界约束、连续性约束和单调性约束。

可选的，所述获取所述道岔的实时工作电流，基于所述实时工作电流和所述多个聚类结果判断所述道岔是否处于故障状态，包括：

获取所述道岔的实时工作电流，以及所述道岔在当前时刻前的第二预设时长内的历史工作电流；

基于所述实时工作电流和所述历史工作电流，生成所述道岔对应的实时电流曲线；

基于所述实时电流曲线与所述多个聚类结果，确定所述道岔是否处于故障状态。

可选的，所述多个聚类结果至少包括正常聚类电流曲线和故障聚类电流曲线；

所述基于所述实时电流曲线与所述多个聚类结果，确定所述道岔是否处于故障状态，包括：

将所述实时电流曲线与所述故障聚类电流曲线进行比较，确定所述实时电流曲线是否与所述故障聚类电流曲线相符；

若与所述故障聚类电流曲线相符，则确定所述道岔处于故障状态。

可选的，所述确定所述实时电流曲线是否与所述故障聚类电流曲线相符之后，还包括：

若与所述故障聚类电流曲线不相符，则确定所述实时电流曲线是否与所述正常聚类电流曲线相符；

若与所述正常聚类电流曲线相符，则确定所述道岔处于正常状态，若与所述正常聚类电流曲线不相符，则确定所述道岔处于异常状态。

第二方面，本发明实施例还提出一种道岔故障判断装置，包括数据获取模块、数据处理模块和故障判断模块，其中：

所述数据获取模块，用于按照预设周期获取道岔在当前时刻前的第一预设时长内对应的历史电流数据，其中，所述历史电流数据包括正常工作电流和异常工作电流；

所述数据处理模块，用于通过动态时间规整算法对所述历史电流数据进行处理，得到最优路径，并通过谱聚类算法基于所述最优路径，生成所述道岔对应的多个聚类结果；

所述故障判断模块，用于获取所述道岔的实时工作电流，基于所述实时工作电流和所述多个聚类结果判断所述道岔是否处于故障状态。

可选的，所述数据处理模块，用于：

基于所述历史电流数据生成多条电流曲线，基于所述多条电流曲线构建相似度矩阵；

基于所述相似度矩阵以及约束条件，确定最优路径，其中所述约束条件包括边界约束、连续性约束和单调性约束。

可选的，所述故障判断模块，用于：

获取所述道岔的实时工作电流，以及所述道岔在当前时刻前的第二预设时长内的历史工作电流；

基于所述实时工作电流和所述历史工作电流，生成所述道岔对应的实时电流曲线；

基于所述实时电流曲线与所述多个聚类结果，确定所述道岔是否处于故障状态。

可选的，所述多个聚类结果至少包括正常聚类电流曲线和故障聚类电流曲线；

所述故障判断模块，用于：

所述基于所述实时电流曲线与所述多个聚类结果，确定所述道岔是否处于故障状态，包括：

将所述实时电流曲线与所述故障聚类电流曲线进行比较，确定所述实时电流曲线是否与所述故障聚类电流曲线相符；

若与所述故障聚类电流曲线相符，则确定所述道岔处于故障状态。

可选的，所述故障判断模块，还用于：

若与所述故障聚类电流曲线不相符，则确定所述实时电流曲线是否与所述正常聚类电流曲线相符；

若与所述正常聚类电流曲线相符，则确定所述道岔处于正常状态，若与所述正常聚类电流曲线不相符，则确定所述道岔处于异常状态。

由上述技术方案可知，本发明实施例通过动态时间规整算法和谱聚类算法，对道岔的历史电流数据进行处理，可以生成多个聚类结果，基于前述多个聚类结果和道岔的实时工作电流进行道岔故障判断。这样，一方面，采用谱聚类技术和动态时间规整技术对历史电流数据进行处理，可以将相同类型的电流曲线进行聚类分析，可以避免由于正常工作电流和异常工作电流数据量的不均衡对处理结果的影响，从而可以使得聚类结果的准确性更高，进而可以有效提高道岔故障判断结果的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据这些图获得其他的附图。

图1为本发明一实施例提供的一种道岔故障判断方法的流程示意图；

图2为本发明一实施例提供的一种道岔电流曲线平移示意图；

图3为本发明一实施例提供的一种道岔故障判断装置的结构示意图。

具体实施方式

下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

图1示出了本实施例提供的一种道岔故障判断方法的流程示意图，包括：

S101，按照预设周期获取道岔在当前时刻前的第一预设时长内对应的历史电流数据。

其中，所述预设周期指获取道岔对应的历史电流数据的周期，也可以理解为生成聚类结果的过程。

其中，所述历史电流数据包括正常工作电流和异常工作电流。

在实施中，可以通过检测设备(如可以是服务器，计算机等)进行道岔故障判断，该检测设备可以获取道岔的历史电流数据，通过动态时间规整算法和谱聚类算法对前述历史电流数据进行处理，得出多个聚类结果，在进行道岔故障判断时，可以基于道岔的实时工作电流和前述多个聚类结果确定道岔是否处于故障状态。具体的，可以按照预设周期获取道岔在当前时刻前的预设时长内(可称为第一预设时长)对应的电流数据(可称为历史电流数据)。

可以理解，检测设备可以开放通信接口与MSS(Maintenance Suppoort System，维护支持系统)或微机监测系统通过专有局域网按照IP地址和端口号进行通信，以使MSS或微机监测系统可以通过前述通信接口向检测设备发送道岔的动作电流信息(即道岔的工作电流)。前述检测设备与MSS或微机监测系统的通信接口的格式可以参见表1。

表1

S102，通过动态时间规整算法对历史电流数据进行处理，得到最优路径，并通过谱聚类算法基于最优路径，生成道岔对应的多个聚类结果。

在实施中，在获取到道岔对应的历史电流数据之后，可以通过动态时间归整算法(Dynamic Time Warping)对前述历史电流数据进行处理，得到最优路径，即能够最小化总损失的路径。然后，还可以通过谱聚类算法基于前述最优路径，生成前述道岔对应的多个聚类结果。可以理解，由于动态时间规整算法和谱聚类算法，通常是将历史电流数据绘制为多条电流曲线后进行处理分析的，故而，上述生成聚类结果的过程可以理解为将相同类型的电流曲线聚为一类，不同类型的电流曲线聚为不同类，每种类型的电流曲线即为一种聚类结果。具体的，为了获得全部为正的权值，可以使用全连接图表示曲线间的邻接关系。定义邻接矩阵为S＝{s_ij}，其中,s_ij表示i和j电流曲线的邻接数值。使用高斯核，s_ij的计算公式可以如下：

其中，σ控制着邻接矩阵的稀疏度。之后，计算S矩阵对应的拉普拉斯矩阵L，计算公式可以如下：

L＝I-D^-1/2/SD^-1/2

其中，D表示对角矩阵，I表示单位矩阵。

然后，可以计算L的特征值λ并将其降序排列。由于S矩阵是一半正定矩阵，因此其所有的特征值都为正值。通过提取前k个特征值，就能获得相应的k个聚类结果。

S103,获取道岔的实时工作电流，基于实时工作电流和多个聚类结果判断道岔是否处于故障状态。

在实施中，在生成道岔对应的多个聚类结果之后，可以基于该聚类结果判断道岔是否处于故障状态。具体的，可以实时获取道岔的实时工作电流，并可以基于前述道岔的实时工作电流，以及前述通过谱聚类算法生成的多个聚类结果进行道岔故障判断，即判断道岔是否处于故障状态。

由上述技术方案可知，本发明实施例通过动态时间规整算法和谱聚类算法，对道岔的历史电流数据进行处理，可以生成多个聚类结果，基于前述多个聚类结果和道岔的实时工作电流进行道岔故障判断。这样，一方面，采用谱聚类技术和动态时间规整技术对历史电流数据进行处理，可以将相同类型的电流曲线进行聚类分析，可以避免由于正常工作电流和异常工作电流的数据量的不均衡的对处理结果的影响，从而可以使得聚类结果的准确性更高，进而可以有效提高道岔故障判断结果的准确性。

需要说明的是，在进行道岔故障判断之后，还可以将判断结果发送至终端，该终端可以是电脑、平板电脑或其他移动终端，只要将该终端的通信地址预先存储在道岔监测系统中即可。之后，操作人员可以通过终端接收并查看该判断结果，以基于该判断结果对当前线路中的道岔进行维护，如可以对故障状态的道岔进行维修或更换，由于，本发明实施例提供的方法提高了判断结果的准确性，故而本发明实施例提供的方法还可以进一步减少道岔维护耗时，提高列车的运营效率。

可以理解，由于道岔是道岔转辙机的一部分，故而道岔的健康状态也可以反应道岔转辙机的健康状态，如故障状态、正常状态、异常状态。

进一步地，在上述方法实施例的基础上，可以基于历史电流数据构建相似度矩阵，并基于相似度矩阵确定最优路径，相应的上述步骤S102的部分处理可以如下：基于历史电流数据生成多条电流曲线，基于多条电流曲线构建相似度矩阵；基于相似度矩阵以及约束条件，确定最优路径。

其中，所述约束条件至少可以包括边界约束、连续性约束和单调性约束。

在实施中，在获取到道岔的历史电流数据之后，可以基于前述历史电流数据生成多条电流曲线，并可以基于前述多条电流曲线构建相似度矩阵。然后，可以基于相似度矩阵以及上述约束条件，确定出最优路径。具体的，考虑到由于操作时间不同、操作条件不同、记录时间点不同，记录的道岔电流曲线会存在时间维度上的平移问题，见图2，图2中横坐标表示步长，纵坐标表示电流值，Signal90和Signal91分别表示90号电流曲线和91号电流曲线。对于任意两条电流曲线T(t₁，t₂，t₃，…，t_n)和R(r₁，r₂，r₃，…，r_m)，其中，序列长度定义为n和m。动态时间规整算法可以将动态规划和距离度量结合起来考虑，找到一个时间顺序函数可以将一条曲线映射到另一条曲线。t_i和r_j两点的时间顺序函数可以定义为j＝w(i)，其中，t_i表示电流曲线T中第i个工作电流，r_j表示电流曲线R中第j个工作电流。为了优化这种映射关系，时间顺序函数应该满足：

其中，D表示距离测度。距离测度函数被定义为欧几里得距离：

q(i，j)＝(t_i-r_j)²

其中，q(i,j)表示t_i和r_j间的距离测度，较小的距离测度意味着较大的相似度取值。

基于上述公式，可以构建相似度矩阵，如下：

动态时间规整算法可以确定出Q矩阵中的一个最优路径，表示为W＝{w₁，w₂，…，w_k，…，w_K}，其中，K表示路径总数量，w_k表示第k个路径。然后，可以结合如下三个约束条件：

1、边界约束：起始点和终止点必须一致，即w₁＝q₁₁同时w_K＝q_n，m；

2、单调性约束：n₁≤n₂≤…≤n_K and m₁≤m₂≤…≤m_K。

3、连续性约束(也可以称为步长约束)：

w_k+1-w_k∈{(1，0)，(0，1)，(1，1)}for k∈[1：K-1]。

通过上述约束条件，能够得出对于路径经过的某一(i，j)点，下一点仅可在以下三个方向取值，(i+1,j)、(i,j+1)或者(i+1,j+1)。

显然，有很多路径可以满足上述条件，此时定义最优路径为能够最小化总损失的路径，该最优路径的公式可以如下：

进一步地，在上述方法实施例的基础上，可以基于道岔的实时电流曲线和上述多个聚类结果确定道岔是否处于故障状态，相应的上述步骤S103的处理可以如下：获取道岔的实时工作电流，以及道岔在当前时刻前的第二预设时长内的历史工作电流；基于实时工作电流和历史工作电流，生成道岔对应的实时电流曲线；基于实时电流曲线与多个聚类结果，确定道岔是否处于故障状态。

在实施中，在获取到道岔的实时工作电流之后，可以获取该道岔在当前时刻前的固定时长(可称为第二预设时长)内的历史工作电流。然后，可以基于前述实时工作电流和历史工作电流，生成前述道岔对应的电流曲线(可称为实时电流曲线)。之后，可以将前述实时电流曲线与上述多个聚类结果进行比较，以确定道岔是否处于故障状态。这样，基于实时电流曲线与多个聚类结果的比较结果进行道岔故障判断，可以进一步提高判断结果的准确性。

进一步地，在上述方法实施例的基础上，可以将实时电流曲线和聚类电流曲线确定道岔是否处于故障状态，相应的上述步骤S103的处理可以如下：将实时电流曲线与故障聚类电流曲线进行比较，确定实时电流曲线是否与故障聚类电流曲线相符；若与故障聚类电流曲线相符，则确定道岔处于故障状态。

其中，所述正常聚类电流曲线指道岔处于正常状态(即正常工作)时对应的聚类后的电流曲线。

所述故障聚类电流曲线指道岔处于故障状态时对应的聚类后的电流曲线。

在实施中，上述多个聚类结果至少可以包括正常聚类电流曲线和故障聚类电流曲线。在生成道岔的实时电流曲线之后，可以将该实时电流曲线和故障聚类电流曲线进行比较，确定该实时电流曲线是否与前述故障聚类电流曲线相符。若实时电流曲线与前述故障聚类电流曲线相符，如可以是完全相符或者可以相符程度达到一定比例时，认为实时电流曲线与前述故障聚类电流曲线相符，此时，则可以确定道岔处于故障状态。这样，根据实时电流曲线与故障聚类电流曲线的相符程度进行道岔故障判断，可以进一步提高道岔故障判断结果的准确性。

进一步地，在上述方法实施例的基础上，还可以将实时电流曲线与正常聚类电流曲线进行比较，相应的处理可以如下：若与故障聚类电流曲线不相符，则确定实时电流曲线是否与正常聚类电流曲线相符；若与正常聚类电流曲线相符，则确定道岔处于正常状态，若与正常聚类电流曲线不相符，则确定道岔处于异常状态。

在实施中，当道岔的实时电流曲线与故障聚类电流曲线不相符时，还可以将该实时电流曲线与正常聚类电流曲线相符。若实时电流曲线与正常聚类电流曲线相符，则可以确定道岔处于正常状态，即处于正常工作状态。反之，若实时电流曲线与正常聚类电流曲线不相符，则可以确定道岔未处于正常状态也未处于故障状态，处于异常状态。这样，通过实时电流曲线与正常聚类电流曲线的比较，可以进一步确定道岔的健康状态，如故障状态、正常状态、异常状态，从而可以进一步提高确定的道岔状态的准确性。

图3示出了本实施例提供的一种道岔故障判断装置，包括数据获取模块301、数据处理模块302和故障判断模块303，其中：

所述数据获取模块301，用于按照预设周期获取道岔在当前时刻前的第一预设时长内对应的历史电流数据，其中，所述历史电流数据包括正常工作电流和异常工作电流；

所述数据处理模块302，用于通过动态时间规整算法对所述历史电流数据进行处理，得到最优路径，并通过谱聚类算法基于所述最优路径，生成所述道岔对应的多个聚类结果；

所述故障判断模块303，用于获取所述道岔的实时工作电流，基于所述实时工作电流和所述多个聚类结果判断所述道岔是否处于故障状态。

可选的，所述数据处理模块302，用于：

基于所述历史电流数据生成多条电流曲线，基于所述多条电流曲线构建相似度矩阵；

基于所述相似度矩阵以及约束条件，确定最优路径，其中所述约束条件包括边界约束、连续性约束和单调性约束。

可选的，所述故障判断模块303，用于：

获取所述道岔的实时工作电流，以及所述道岔在当前时刻前的第二预设时长内的历史工作电流；

基于所述实时工作电流和所述历史工作电流，生成所述道岔对应的实时电流曲线；

基于所述实时电流曲线与所述多个聚类结果，确定所述道岔是否处于故障状态。

可选的，所述多个聚类结果至少包括正常聚类电流曲线和故障聚类电流曲线；

所述故障判断模块303，用于：

所述基于所述实时电流曲线与所述多个聚类结果，确定所述道岔是否处于故障状态，包括：

将所述实时电流曲线与所述故障聚类电流曲线进行比较，确定所述实时电流曲线是否与所述故障聚类电流曲线相符；

若与所述故障聚类电流曲线相符，则确定所述道岔处于故障状态。

可选的，所述故障判断模块303，还用于：

若与所述故障聚类电流曲线不相符，则确定所述实时电流曲线是否与所述正常聚类电流曲线相符；

若与所述正常聚类电流曲线相符，则确定所述道岔处于正常状态，若与所述正常聚类电流曲线不相符，则确定所述道岔处于异常状态。

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。

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)

1.一种道岔故障判断方法，其特征在于，包括：

按照预设周期获取道岔在当前时刻前的第一预设时长内对应的历史电流数据，其中，所述历史电流数据包括正常工作电流和异常工作电流；

通过动态时间规整算法对所述历史电流数据进行处理，得到最优路径，并通过谱聚类算法基于所述最优路径，生成所述道岔对应的多个聚类结果；

获取所述道岔的实时工作电流，基于所述实时工作电流和所述多个聚类结果判断所述道岔是否处于故障状态。

2.根据权利要求1所述的道岔故障判断方法，其特征在于，所述通过动态时间规整算法对所述历史电流数据进行处理，得到最优路径，包括：

基于所述历史电流数据生成多条电流曲线，基于所述多条电流曲线构建相似度矩阵；

基于所述相似度矩阵以及约束条件，确定最优路径，其中所述约束条件包括边界约束、连续性约束和单调性约束。

3.根据权利要求1所述的道岔故障判断方法，其特征在于，所述获取所述道岔的实时工作电流，基于所述实时工作电流和所述多个聚类结果判断所述道岔是否处于故障状态，包括：

获取所述道岔的实时工作电流，以及所述道岔在当前时刻前的第二预设时长内的历史工作电流；

基于所述实时工作电流和所述历史工作电流，生成所述道岔对应的实时电流曲线；

基于所述实时电流曲线与所述多个聚类结果，确定所述道岔是否处于故障状态。

4.根据权利要求3所述的道岔故障判断方法，其特征在于，所述多个聚类结果至少包括正常聚类电流曲线和故障聚类电流曲线；

所述基于所述实时电流曲线与所述多个聚类结果，确定所述道岔是否处于故障状态，包括：

将所述实时电流曲线与所述故障聚类电流曲线进行比较，确定所述实时电流曲线是否与所述故障聚类电流曲线相符；

若与所述故障聚类电流曲线相符，则确定所述道岔处于故障状态。

5.根据权利要求4所述的道岔故障判断方法，其特征在于，所述确定所述实时电流曲线是否与所述故障聚类电流曲线相符之后，还包括：

若与所述故障聚类电流曲线不相符，则确定所述实时电流曲线是否与所述正常聚类电流曲线相符；

若与所述正常聚类电流曲线相符，则确定所述道岔处于正常状态，若与所述正常聚类电流曲线不相符，则确定所述道岔处于异常状态。

6.一种道岔故障判断装置，其特征在于，包括数据获取模块、数据处理模块和故障判断模块，其中：

所述数据获取模块，用于按照预设周期获取道岔在当前时刻前的第一预设时长内对应的历史电流数据，其中，所述历史电流数据包括正常工作电流和异常工作电流；

所述数据处理模块，用于通过动态时间规整算法对所述历史电流数据进行处理，得到最优路径，并通过谱聚类算法基于所述最优路径，生成所述道岔对应的多个聚类结果；

所述故障判断模块，用于获取所述道岔的实时工作电流，基于所述实时工作电流和所述多个聚类结果判断所述道岔是否处于故障状态。

7.根据权利要求6所述的道岔故障判断装置，其特征在于，所述数据处理模块，用于：

基于所述历史电流数据生成多条电流曲线，基于所述多条电流曲线构建相似度矩阵；

基于所述相似度矩阵以及约束条件，确定最优路径，其中所述约束条件包括边界约束、连续性约束和单调性约束。

8.根据权利要求6所述的道岔故障判断装置，其特征在于，所述故障判断模块，用于：

获取所述道岔的实时工作电流，以及所述道岔在当前时刻前的第二预设时长内的历史工作电流；

基于所述实时工作电流和所述历史工作电流，生成所述道岔对应的实时电流曲线；

基于所述实时电流曲线与所述多个聚类结果，确定所述道岔是否处于故障状态。

9.根据权利要求8所述的道岔故障判断装置，其特征在于，所述多个聚类结果至少包括正常聚类电流曲线和故障聚类电流曲线；

所述故障判断模块，用于：

所述基于所述实时电流曲线与所述多个聚类结果，确定所述道岔是否处于故障状态，包括：

将所述实时电流曲线与所述故障聚类电流曲线进行比较，确定所述实时电流曲线是否与所述故障聚类电流曲线相符；

若与所述故障聚类电流曲线相符，则确定所述道岔处于故障状态。

10.根据权利要求9所述的道岔故障判断装置，其特征在于，所述故障判断模块，还用于：

若与所述故障聚类电流曲线不相符，则确定所述实时电流曲线是否与所述正常聚类电流曲线相符；

若与所述正常聚类电流曲线相符，则确定所述道岔处于正常状态，若与所述正常聚类电流曲线不相符，则确定所述道岔处于异常状态。

Images