CN113109666A - 一种基于深度卷积神经网络的轨道电路故障诊断方法 - Google Patents
一种基于深度卷积神经网络的轨道电路故障诊断方法 Download PDFInfo
- Publication number
- CN113109666A CN113109666A CN202110380456.5A CN202110380456A CN113109666A CN 113109666 A CN113109666 A CN 113109666A CN 202110380456 A CN202110380456 A CN 202110380456A CN 113109666 A CN113109666 A CN 113109666A
- Authority
- CN
- China
- Prior art keywords
- neural network
- fault
- convolutional neural
- training
- track
- 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.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003745 diagnosis Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 110
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004088 simulation Methods 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 24
- 229910000831 Steel Inorganic materials 0.000 claims description 18
- 239000010959 steel Substances 0.000 claims description 18
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 241000512668 Eunectes Species 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 241000124008 Mammalia Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及轨道电路故障诊断技术领域,本发明公开了一种基于深度卷积神经网络的轨道电路故障诊断方法,步骤一、轨道电路区段变量的实时监测;步骤二、训练样本和检测样本的划分;步骤三、训练样本数据集和检测样本数据集的归一化处理;步骤四、卷积神经网络模型的建立;步骤五、卷积神经网络模型故障参数的优化;步骤六、卷积神经网络模型的训练;步骤七、卷积神经网络模型性能分析和故障诊断结果的输出。该发明在三大类故障准确判断的基础上,可区分每一大类故障的具体故障部位共计21个,且准确率较高,最低为90.1%,最高为100%;划分故障类型更为细致,可以进一步为维修人员提供维修参考,加快维修效率,提高轨道电路运行的可靠性。
Description
技术领域
本发明涉及轨道电路故障诊断技术领域,尤其涉及ZPW-2000R型轨道电路在无室外数据采集设备的情况下的基于深度卷积神经网络的轨道电路故障诊断方法。
背景技术
近年来,随着我国“交通强国、铁路先行”战略的实施,铁路系统有了快速的发展,行车安全和运行效率问题变得越来越重要,列车行车安全对铁路设备在安全性和可靠性上的要求也越来越高。轨道电路作为铁路信号系统的重要组成部分,主要用于实现轨道占用、出清检查,列车完整性检查以及地车通讯情况的检查。由于轨道电路铺设于室外铁路,工作环境复杂,故障类型数目多,因此,如何对轨道电路进行系统的故障检测和处理一直是国内外学者研究的热点问题。
近年来,我国各铁路部门已经逐步建立了铁路信号集中监测系统对轨道电路的重要数据进行实时监测,是电务维修人员对轨道电路运行状态以及轨道电路故障检测的主要依据,但是由于数据量繁多,数据分析给现场工作人员增加了较大工作量,虽然有一定的故障诊断能力,但是误诊率较高。所谓铁路信号集中监测系统主要包括轨道电路诊断主机和室外数据采集设备。其中室外数据采集设备主要包括室外监测通信处理机、电源设备、通信分机、采集分机、电流传感器等。
ZPW-2000R型轨道电路铺设在全国数千公里的铁路线上,工作环境复杂,故障类型数目多,实现快速准确的故障智能诊断难度大。现有技术中,轨道电路的故障诊断主要存在的技术问题是:1、目前的轨道电路故障诊断对人的依赖高,轨道电路故障诊断效率低,同时对轨道电路故障诊断的准确率低,从而使轨道电路信号系统的安全性和可靠性降低。2、目前的轨道电路故障诊断系统所需的数据处理和数据采集元件众多,轨道电路诊断主机需要对众多的数据全部进行计算,导致轨道电路故障诊断系统复杂,操作的便捷性差。发明人基于现有技术中存在的上述问题,研发了一种基于深度卷积神经网络的轨道电路故障诊断方法,能够很好地解决现有技术中存在的上述问题。
发明内容
本发明的目的是为了解决上述现有技术问题存在的不足,提供了一种基于深度卷积神经网络的轨道电路故障诊断方法,本发明在轨道电路无室外数据采集设备的情况下,根据神经网络有监督学习的特点,利用深度卷积神经网络对轨道电路中变量的特征值进行计算,首先将训练数据集的实时监测数据作为输入,将故障类型作为输出,建立输入和输出之间的映射关系;通过训练网络的参数,不断调整网络结构,寻找最优参数。然后将测试集的监测变量输入训练好的卷积神经网络,以此来判断网络性能。
本发明所采用技术方案如下:一种基于深度卷积神经网络的轨道电路故障诊断方法,
步骤一、轨道电路区段变量的实时监测:1、利用ZPW-2000R型轨道电路原理,将轨道电路中的故障划分为三大类,分别为发送通道故障、接受通道故障和轨道故障三大类;每一类分别划分为网络训练样本和检测样本;2、采用设计正交实验表的方式,通过模拟不同的故障监测轨道电路中发送器、接收器、发送端变压器、发送端调谐单元、接受端变压器、接收端调谐单元和钢轨附近的电压、电流数据变化,通过诊断主机读取并记录数据;同时实时监测设备本区段的供出电压、供出电流、发送电缆的电压、发送电缆电流14个变量;
步骤二、训练样本和检测样本的划分:将步骤一中的三大故障类型的数据集共8490组,将每一类故障划分为训练样本和检测样本;网络训练样本数据集共10560组,其中包括发送通道故障、接收通道故障、轨道故障共8490组和正常样本数据2070组;
步骤三、训练样本数据集和检测样本数据集的归一化处理:将步骤二中整理后的训练样本和测试样本中的各个监测变量进行归一化处理,归一化的公式为:
步骤四、卷积神经网络模型的建立:实验环境以 Keras的深度学习库,为后端,采用Anaconda的Jupyter Notebook 作为python编译器,将训练样本中数据集输入卷积神经网络,采用交叉验证的方法,将80%样本作为训练样本,20%样本作为检测样本;利用Adam优化器进行训练,通过一维卷积核和池化层交替,利用Rule激活函数传递网络信息,然后采用softmax分类函数得出卷积神经网络模型的分类结果;
步骤五、卷积神经网络模型故障参数的优化:通过K折交叉验证方法对卷积神经网络的参数优化,并获取最优的网络模型参数;
步骤六、卷积神经网络模型的训练:步骤四的卷积神经网络模型建立后,将步骤三中归一化的网络训练样本数据集共10560组通过训练样本数据集的前向传播、误差反向传播以及参数的调节,是否满足步骤五中卷积神经网络模型故障参数的误差设置,如果满足,完成卷积神经网络模型的训练;
步骤七、卷积神经网络模型性能分析和故障诊断结果的输出:
1、将训练样本数据集共10560组作为神经网络net1的输入,将发送通道故障、接收通道故障、轨道故障以及正常情况作为神经网络的四种输出,迭代100次后停止训练,此时检测样本准确率达99%,得到训练过程中损失函数变化曲线,随着迭代次数的增加,准确率和损失率呈逐渐趋稳的状态;之后将检测样本输入到训练好的网络,评估神经网络的准确率可得,每一类故障测试集准确率都可达99%;
2、将发送通道的1792组训练样本数据作为神经网络net2的输入,将功出至发送防雷模拟网络盘断线、发送防雷模拟网络盘模拟端子短路、发送防雷模拟网络盘模拟端子断线、发送实际电缆模拟端子短路、发送实际电缆模拟端子断线等五种故障类型作为输出,迭代300次后停止训练,此时检测样本准确率达98.8%,得到训练过程中损失函数变化曲线,之后将检测样本输入到训练好的网络,评估神经网络的准确率可得,5种故障的诊断准确率分别为:90.1%,98.5%,100%,98.9%,90.7%;net2的混淆矩阵图;
3、将接收通道的1799组训练样本数据作为神经网络net3的输入,接收防雷模拟网络盘至衰耗器间配线开路、接收防雷模拟网络盘模拟端子断路、接收实际电缆模拟端子断线三种故障作为输出,迭代600次后停止训练,此时检测样本准确率达99%,得到训练过程中损失函数变化曲线,之后将检测样本输入到训练好的网络,评估神经网络的准确率可得,3种故障的诊断准确率分别为:96.8%,97.1%,100%;
4、将轨道故障的2352组训练样本数据作为神经网络net4的输入,FBP钢轨引接线短路、FBA钢轨引接线短路、FBA钢轨引接线开路、JBP钢轨引接线短路、JBA钢轨引接线短路、JBA钢轨引接线开路、接收侧SVA开路、接收侧SVA短路、主轨道断轨、主轨道分路、小轨道断轨、小轨道分路、补偿电容断线十三种故障类型作为输出,迭代600次后停止训练,此时检测样本准确率达99%,得到训练过程中损失函数变化曲线,之后将检测样本输入到训练好的网络,评估神经网络的准确率可得,13种故障的诊断准确率均为99%以上;
通过卷积神经网络模型对上述不同故障类型的预测值分别为TP、FP、FN、TN,然后利用精确率P(Precision)、召回率R(ReCall)、准确率A(Accuracy)和F1分数(F1-score)公式对卷积神经网络模型性能进行分析;
其中,TP表示被模型预测为正的正样本,表示通过卷积神经网络模型对轨道电路故障预测为真实是正确;FP表示被模型预测为正的负样本,表示通过卷积神经网络模型对轨道电路故障预测为不真实是正确;FN表示被模型预测为负的正样本,表示通过卷积神经网络模型对轨道电路故障预测为不真实是不正确;TN表示被模型预测为负的负样本,表示通过卷积神经网络模型对轨道电路故障预测为真实是不正确;TP、FP、FN、TN构成混淆矩阵。
其中步骤四中,卷积神经网络模型卷积层的卷积核大小为3*1,采样宽度为2*1。
其中步骤六中,训练样本数据集共10560组,其中包括发送通道故障、接收通道故障、轨道故障共8490组和正常样本数据2070组。
其中步骤一中,轨道电路区段变量的实时监测:1、利用ZPW-2000R型轨道电路原理,将轨道电路中的故障划分为三大类,分别为发送通道故障、接受通道故障和轨道故障三大类;每一类各划分为网络训练样本和检测样本;2、采用设计正交实验表的方式,通过模拟不同的故障监测轨道电路中发送器、接收器、发送端变压器、发送端调谐单元、接受端变压器、接收端调谐单元和钢轨附近的电压、电流数据变化,通过诊断主机读取并记录数据;同时实时监测设备本区段的供出电压、供出电流、发送电缆的电压、发送电缆电流14个变量。这样做的主要目的是:一方面在省去轨道电路室外数据采集设备的情况下,实时准确地获得发送通道故障、接受通道故障和轨道故障中实时的监测数据。另一方面,为步骤二中训练样本和检测样本的划分提供前提条件。
其中步骤二中,训练样本数据集共10560组,其中包括发送通道故障、接收通道故障、轨道故障共8490组和正常样本数据2070组。这样做的主要目的是:通过分析轨道电路在实际工作中常见的故障类型,结合电路原理及实际工作经验,将故障类型划分为发送通道故障,接收通道故障和轨道故障三大类的基础上,再区分为21种具体故障类型;一方面细化了故障的类型,使判断故障类型更加全面。另一方面,通过对故障类型的细化,为训练样本数据集和网络检测样本提供了实时监测的故障数据集,为卷积神经网络模型的结构建立,提供了参数设置依据,同时为卷积神经网络模型的训练提供了条件。
其中步骤三中,将步骤二中整理后的训练样本和测试样本中的各个监测变量进行归一化处理;这样做的主要目的是:一方面,可以加快训练样本的训练速度;另一方面,改善训练样本数据模型中的网络梯度,使训练样本数据模型的计算数据简单化;再一方面,提高了卷积神经网络模型的稳定性,同时提高了对轨道电路中不同故障的诊断的精确性。
其中步骤四中,实验环境以 Keras的深度学习库为后端,采用Anaconda的JupyterNotebook 作为python编译器,将训练样本中数据集输入卷积神经网路,采用交叉验证的方法,将80%样本作为训练样本,20%样本作为检测样本;利用Adam优化器固定每一次迭代学习率范围,通过一维卷积核和池化层交替,利用Rule激活函数得到卷积层的特征数,然后采用softmax分类函数得出卷积神经网络模型的分类结果。这样做的主要目的是:以实验环境以Keras的深度学习库为后端,采用Anaconda的Jupyter Notebook 作为python编译器为模型架构,一方面,通过一维卷积核和池化层交替提高了卷积神经网络模型的深度;另一方面,利用Rule激活函数得到卷积层获得轨道电路中故障变量的特征值。
其中步骤五中,通过K折交叉验证方法对卷积神经网络的参数优化,并获取最优的网络模型参数。这样设置的主要目的是:提高了轨道电路中故障变量参数的稳定性,从而提高了对轨道电路中故障诊断的准确性。
其中步骤六中,步骤四的卷积神经网络模型建立后,将步骤三中归一化的网络训练样本数据集共10560组通过训练样本数据集的前向传播、误差反向传播以及参数的调节,是否满足步骤五中卷积神经网络模型故障参数的误差设置,如果满足,完成卷积神经网络模型的训练;训练样本数据集共10560组,其中包括发送通道故障、接收通道故障、轨道故障共8490组和正常样本数据2070组;这样做的主要目的是:使之形成可以对轨道电路中不同故障进行快速、稳定诊断的深度卷积神经网络模型。
其中步骤七中,卷积神经网络模型性能分析和故障诊断结果的输出;这样做的主要目的是:通过对卷积神经网络模型性能分析,获得卷积神经网络模型对轨道电路中故障诊断的准确率,从而最终实现对轨道电路中发送通道故障、接收通道故障、轨道故障的诊断。
所述卷积神经网络(Convolutional Neural Network CNN),是受哺乳动物的视觉
皮层细胞启发而提出的前馈性神经网络。目前广泛应用于图像识别领域。基本结构包括输
入层,卷积层,池化层和全连接层。卷积层利用多卷积核对输入的数据进行卷积处理后,利
用非线性激活函数输出卷积后的特征值,每一层的输出均为对多输入特征的卷积结果,卷
积操作的公式为:其中:i为第i个卷积
核,为第i个卷积核卷积得到的特征图,a为输入数据,b为卷积核的偏置,x、y、z为输入
数据的维度。在完成卷积操作之后,利用非线性激活函数实现卷积后的输出特征值,其中常
用的有RULE激活函数,其运算公式为:池化层也
就是下采样,通过池化稀疏参数,进一步提取特征,使网络不至于太复杂。通常采用的是最
大值池化和平均值池化:,
本发明的有益效果:本发明提供了一种基于深度卷积神经网络的轨道电路故障诊断方法,本发明在三大类故障准确判断的基础上,可区分每一大类故障的具体故障部位共计21个,且准确率较高,最低为90.1%,最高为100%;划分故障类型更为细致,可以进一步为维修人员提供维修参考,加快维修效率,提高轨道电路运行的可靠性。
附图说明:
图1为本发明现有技术中ZPW-2000R型轨道电路拓扑结构图;
图2为本发明卷积神经网络模型对轨道电路的故障诊断图;
图3为本发明一维卷积神经网络结构图;
图4为本发明ZPW-2000R型轨道电路故障类型划分表;
图5为本发明网络训练样本和网络检测样本网络划分表;
图6为本发明net1的网络训练准确率曲线;
图7为本发明net1的网络训练损失率曲线;
图8为本发明net1的混淆矩阵图;
图9为本发明net2的网络训练准确率曲线;
图10为本发明net2的网络训练损失率曲线;
图11为本发明net2的混淆矩阵图;
图12为本发明net3的网络训练准确率曲线;
图13为本发明net3的网络训练损失率曲线;
图14为本发明net3的混淆矩阵图;
图15为本发明net4的网络训练准确率曲线;
图16为本发明net4的网络训练损失率曲线;
图17为本发明net4的混淆矩阵图;
具体实施方式
以下结合具体实施例对本发明做进一步描述,这些实施例仅用于说明本发明而不用于限制本发明的范围。
本发明所采用技术方案如下:一种基于深度卷积神经网络的轨道电路故障诊断方法,
步骤一、轨道电路区段变量的实时监测:1、利用ZPW-2000R型轨道电路原理,将轨道电路中的故障划分为三大类,分别为发送通道故障、接受通道故障和轨道故障三大类;每一类分别划分为网络训练样本和检测样本;2、采用设计正交实验表的方式,通过模拟不同的故障监测轨道电路中发送器、接收器、发送端变压器、发送端调谐单元、接受端变压器、接收端调谐单元和钢轨附近的电压、电流数据变化,通过诊断主机读取并记录数据;同时实时监测设备本区段的供出电压、供出电流、发送电缆的电压、发送电缆电流14个变量;
步骤二、训练样本和检测样本的划分:将步骤一中的三大故障类型的数据集共8490组,将每一类故障划分为训练样本和检测样本;网络训练样本数据集共10560组,其中包括发送通道故障、接收通道故障、轨道故障共8490组和正常样本数据2070组;
步骤三、训练样本数据集和检测样本数据集的归一化处理:将步骤二中整理后的训练样本和测试样本中的各个监测变量进行归一化处理,归一化的公式为:
步骤四、卷积神经网络模型的建立:实验环境以 Keras的深度学习库,为后端,采用Anaconda的Jupyter Notebook 作为python编译器,将训练样本中数据集输入卷积神经网络,采用交叉验证的方法,将80%样本作为训练样本,20%样本作为检测样本;利用Adam优化器进行训练,通过一维卷积核和池化层交替,利用Rule激活函数传递网络信息,然后采用softmax分类函数得出卷积神经网络模型的分类结果;卷积神经网络模型卷积层的卷积核大小为3*1,采样宽度为2*1;
步骤五、卷积神经网络模型故障参数的优化:通过K折交叉验证方法对卷积神经网络的参数优化,并获取最优的网络模型参数;
步骤六、卷积神经网络模型的训练:步骤四的卷积神经网络模型建立后,将步骤三中归一化的网络训练样本数据集共10560组通过训练样本数据集的前向传播、误差反向传播以及参数的调节,是否满足步骤五中卷积神经网络模型故障参数的误差设置,如果满足,完成卷积神经网络模型的训练;训练样本数据集共10560组,其中包括发送通道故障、接收通道故障、轨道故障共8490组和正常样本数据2070组;
步骤七、卷积神经网络模型性能分析和故障诊断结果的输出:
1、将训练样本数据集共10560组作为神经网络net1的输入,将发送通道故障、接收通道故障、轨道故障以及正常情况作为神经网络的四种输出,迭代100次后停止训练,此时检测样本准确率达99%,得到训练过程中损失函数变化曲线,随着迭代次数的增加,准确率和损失率呈逐渐趋稳的状态;之后将检测样本输入到训练好的网络,评估神经网络的准确率可得,每一类故障测试集准确率都可达99%;
2、将发送通道的1792组训练样本数据作为神经网络net2的输入,将功出至发送防雷模拟网络盘断线、发送防雷模拟网络盘模拟端子短路、发送防雷模拟网络盘模拟端子断线、发送实际电缆模拟端子短路、发送实际电缆模拟端子断线等五种故障类型作为输出,迭代300次后停止训练,此时检测样本准确率达98.8%,得到训练过程中损失函数变化曲线,之后将检测样本输入到训练好的网络,评估神经网络的准确率可得,5种故障的诊断准确率分别为:90.1%,98.5%,100%,98.9%,90.7%;net2的混淆矩阵图;
3、将接收通道的1799组训练样本数据作为神经网络net3的输入,接收防雷模拟网络盘至衰耗器间配线开路、接收防雷模拟网络盘模拟端子断路、接收实际电缆模拟端子断线三种故障作为输出,迭代600次后停止训练,此时检测样本准确率达99%,得到训练过程中损失函数变化曲线,之后将检测样本输入到训练好的网络,评估神经网络的准确率可得,3种故障的诊断准确率分别为:96.8%,97.1%,100%;
4、将轨道故障的2352组训练样本数据作为神经网络net4的输入,FBP钢轨引接线短路、FBA钢轨引接线短路、FBA钢轨引接线开路、JBP钢轨引接线短路、JBA钢轨引接线短路、JBA钢轨引接线开路、接收侧SVA开路、接收侧SVA短路、主轨道断轨、主轨道分路、小轨道断轨、小轨道分路、补偿电容断线十三种故障类型作为输出,迭代600次后停止训练,此时检测样本准确率达99%,得到训练过程中损失函数变化曲线,之后将检测样本输入到训练好的网络,评估神经网络的准确率可得,13种故障的诊断准确率均为99%以上;
通过卷积神经网络模型对上述不同故障类型的预测值分别为TP、FP、FN、TN,然后利用精确率P(Precision)、召回率R(ReCall)、准确率A(Accuracy)和F1分数(F1-score)公式对卷积神经网络模型性能进行分析;
其中,TP表示被
模型预测为正的正样本,表示通过卷积神经网络模型对轨道电路故障预测为真实是正确;
FP表示被模型预测为正的负样本,表示通过卷积神经网络模型对轨道电路故障预测为不真
实是正确;FN表示被模型预测为负的正样本,表示通过卷积神经网络模型对轨道电路故障
预测为不真实是不正确;TN表示被模型预测为负的负样本,表示通过卷积神经网络模型对
轨道电路故障预测为真实是不正确;TP、FP、FN、TN构成混淆矩阵。
本发明的技术方案并不限于上述的范围内,以上所描述的仅为本发明的较佳实施例,凡本领域技术人员根据以上描述所做的常规修改或等同替换,均属于本发明的保护范围。本发明未详尽描述的技术内容均为公知技术。
Claims (3)
1.一种基于深度卷积神经网络的轨道电路故障诊断方法,其特征在于:步骤一、轨道电
路区段变量的实时监测:1、利用ZPW-2000R型轨道电路原理,将轨道电路中的故障划分为三
大类,分别为发送通道故障、接受通道故障和轨道故障三大类;每一类分别划分为网络训练
样本和检测样本;2、采用设计正交实验表的方式,通过模拟不同的故障监测轨道电路中发
送器、接收器、发送端变压器、发送端调谐单元、接受端变压器、接收端调谐单元和钢轨附近
的电压、电流数据变化,通过诊断主机读取并记录数据;同时实时监测设备本区段的供出电
压、供出电流、发送电缆的电压、发送电缆电流14个变量;步骤二、训练样本和检测样本的划
分:将步骤一中的三大故障类型的数据集共8490组,将每一类故障划分为训练样本和检测
样本;网络训练样本数据集共10560组,其中包括发送通道故障、接收通道故障、轨道故障共
8490组和正常样本数据2070组;步骤三、训练样本数据集和检测样本数据集的归一化处理:
将步骤二中整理后的训练样本和测试样本中的各个监测变量进行归一化处理,归一化的公
式为:其中,x为归一化前的数据,为归一化后的数据,,为原始数据的最大值和最小值;步骤四、卷积神经网络模型的建立:实验环境以
Keras的深度学习库,为后端,采用Anaconda的Jupyter Notebook 作为python编译器,将训
练样本中数据集输入卷积神经网络,采用交叉验证的方法,将80%样本作为训练样本,20%样
本作为检测样本;利用Adam优化器进行训练,通过一维卷积核和池化层交替,利用Rule激活
函数传递网络信息,然后采用softmax分类函数得出卷积神经网络模型的分类结果;步骤
五、卷积神经网络模型故障参数的优化:通过K折交叉验证方法对卷积神经网络的参数优
化,并获取最优的网络模型参数;步骤六、卷积神经网络模型的训练:步骤四的卷积神经网
络模型建立后,将步骤三中归一化的网络训练样本数据集共10560组通过训练样本数据集
的前向传播、误差反向传播以及参数的调节,是否满足步骤五中卷积神经网络模型故障参
数的误差设置,如果满足,完成卷积神经网络模型的训练; 步骤七、卷积神经网络模型性能
分析和故障诊断结果的输出: 1、将训练样本数据集共10560组作为神经网络net1的输入,
将发送通道故障、接收通道故障、轨道故障以及正常情况作为神经网络的四种输出,迭代
100次后停止训练,此时检测样本准确率达99%,得到训练过程中损失函数变化曲线,随着迭
代次数的增加,准确率和损失率呈逐渐趋稳的状态;之后将检测样本输入到训练好的网络,
评估神经网络的准确率可得,每一类故障测试集准确率都可达99%;2、将发送通道的1792组
训练样本数据作为神经网络net2的输入,将功出至发送防雷模拟网络盘断线、发送防雷模
拟网络盘模拟端子短路、发送防雷模拟网络盘模拟端子断线、发送实际电缆模拟端子短路、
发送实际电缆模拟端子断线等五种故障类型作为输出,迭代300次后停止训练,此时检测样
本准确率达98.8%,得到训练过程中损失函数变化曲线,之后将检测样本输入到训练好的网
络,评估神经网络的准确率可得,5种故障的诊断准确率分别为:90.1%,98.5%,100%,98.9%,
90.7%;net2的混淆矩阵图;3、将接收通道的1799组训练样本数据作为神经网络net3的输
入,接收防雷模拟网络盘至衰耗器间配线开路、接收防雷模拟网络盘模拟端子断路、接收实
际电缆模拟端子断线三种故障作为输出,迭代600次后停止训练,此时检测样本准确率达
99%,得到训练过程中损失函数变化曲线,之后将检测样本输入到训练好的网络,评估神经
网络的准确率可得,3种故障的诊断准确率分别为:96.8%,97.1%,100%; 4、将轨道故障的
2352组训练样本数据作为神经网络net4的输入,FBP钢轨引接线短路、FBA钢轨引接线短路、
FBA钢轨引接线开路、JBP钢轨引接线短路、JBA钢轨引接线短路、JBA钢轨引接线开路、接收
侧SVA开路、接收侧SVA短路、主轨道断轨、主轨道分路、小轨道断轨、小轨道分路、补偿电容
断线十三种故障类型作为输出,迭代600次后停止训练,此时检测样本准确率达99%,得到训
练过程中损失函数变化曲线,之后将检测样本输入到训练好的网络,评估神经网络的准确
率可得,13种故障的诊断准确率均为99%以上;通过卷积神经网络模型对上述不同故障类型
的预测值分别为TP、FP、FN、TN,然后利用精确率P(Precision)、召回率R(ReCall)、准确率A
(Accuracy)和F1分数(F1-score)公式对卷积神经网络模型性能进行分析;
2.根据权利要求1所述的一种基于深度卷积神经网络的轨道电路故障诊断方法,其特征在于:其中步骤四中,卷积神经网络模型卷积层的卷积核大小为3*1,采样宽度为2*1。
3.根据权利要求1所述的一种基于深度卷积神经网络的轨道电路故障诊断方法,其特征在于:其中步骤六中,训练样本数据集共10560组,其中包括发送通道故障、接收通道故障、轨道故障共8490组和正常样本数据2070组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110380456.5A CN113109666B (zh) | 2021-04-09 | 2021-04-09 | 一种基于深度卷积神经网络的轨道电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110380456.5A CN113109666B (zh) | 2021-04-09 | 2021-04-09 | 一种基于深度卷积神经网络的轨道电路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113109666A true CN113109666A (zh) | 2021-07-13 |
CN113109666B CN113109666B (zh) | 2024-03-15 |
Family
ID=76714722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110380456.5A Active CN113109666B (zh) | 2021-04-09 | 2021-04-09 | 一种基于深度卷积神经网络的轨道电路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113109666B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723478A (zh) * | 2021-08-17 | 2021-11-30 | 中国铁道科学研究院集团有限公司 | 一种基于先验知识的轨道电路故障诊断方法 |
CN114707632A (zh) * | 2022-03-03 | 2022-07-05 | 长沙理工大学 | 一种传感网络传感器故障定位方法、系统、设备及介质 |
CN115366683A (zh) * | 2022-08-09 | 2022-11-22 | 北京理工大学 | 一种新能源汽车动力电池多维模型融合的故障诊断策略 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
CN103279795A (zh) * | 2013-06-13 | 2013-09-04 | 中南大学 | 一种乘员碰撞损伤的预测方法 |
JP2014049118A (ja) * | 2012-08-31 | 2014-03-17 | Fujitsu Ltd | 畳み込みニューラルネットワーク分類器システム、その訓練方法、分類方法および用途 |
CN105335710A (zh) * | 2015-10-22 | 2016-02-17 | 合肥工业大学 | 一种基于多级分类器的精细车辆型号识别方法 |
CN107220667A (zh) * | 2017-05-24 | 2017-09-29 | 北京小米移动软件有限公司 | 图像分类方法、装置及计算机可读存储介质 |
CN108009518A (zh) * | 2017-12-19 | 2018-05-08 | 大连理工大学 | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 |
CN108764051A (zh) * | 2018-04-28 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像处理方法、装置及移动终端 |
CN110033021A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 一种基于一维多路卷积神经网络的故障分类方法 |
CN110309888A (zh) * | 2019-07-11 | 2019-10-08 | 南京邮电大学 | 一种基于分层多任务学习的图像分类方法与系统 |
CN111077159A (zh) * | 2019-12-31 | 2020-04-28 | 北京京天威科技发展有限公司 | 轨道电路箱盒故障检测方法、系统、设备及可读介质 |
CN111626416A (zh) * | 2020-04-24 | 2020-09-04 | 黑龙江瑞兴科技股份有限公司 | 基于深度卷积神经网络的轨道电路故障自动诊断方法 |
CN111695407A (zh) * | 2020-04-23 | 2020-09-22 | 西安电子科技大学 | 基于多光谱融合的性别识别方法、系统、存储介质及终端 |
CN112949715A (zh) * | 2013-12-31 | 2021-06-11 | 北京泰乐德信息技术有限公司 | 一种基于svm的轨道交通故障诊断方法 |
CN115249038A (zh) * | 2022-01-10 | 2022-10-28 | 郑州航空工业管理学院 | 一种基于卷积神经网络的轨道电路运行状态智能识别方法 |
-
2021
- 2021-04-09 CN CN202110380456.5A patent/CN113109666B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014049118A (ja) * | 2012-08-31 | 2014-03-17 | Fujitsu Ltd | 畳み込みニューラルネットワーク分類器システム、その訓練方法、分類方法および用途 |
CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
CN103279795A (zh) * | 2013-06-13 | 2013-09-04 | 中南大学 | 一种乘员碰撞损伤的预测方法 |
CN112949715A (zh) * | 2013-12-31 | 2021-06-11 | 北京泰乐德信息技术有限公司 | 一种基于svm的轨道交通故障诊断方法 |
CN105335710A (zh) * | 2015-10-22 | 2016-02-17 | 合肥工业大学 | 一种基于多级分类器的精细车辆型号识别方法 |
CN107220667A (zh) * | 2017-05-24 | 2017-09-29 | 北京小米移动软件有限公司 | 图像分类方法、装置及计算机可读存储介质 |
CN108009518A (zh) * | 2017-12-19 | 2018-05-08 | 大连理工大学 | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 |
CN108764051A (zh) * | 2018-04-28 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像处理方法、装置及移动终端 |
CN110033021A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 一种基于一维多路卷积神经网络的故障分类方法 |
CN110309888A (zh) * | 2019-07-11 | 2019-10-08 | 南京邮电大学 | 一种基于分层多任务学习的图像分类方法与系统 |
CN111077159A (zh) * | 2019-12-31 | 2020-04-28 | 北京京天威科技发展有限公司 | 轨道电路箱盒故障检测方法、系统、设备及可读介质 |
CN111695407A (zh) * | 2020-04-23 | 2020-09-22 | 西安电子科技大学 | 基于多光谱融合的性别识别方法、系统、存储介质及终端 |
CN111626416A (zh) * | 2020-04-24 | 2020-09-04 | 黑龙江瑞兴科技股份有限公司 | 基于深度卷积神经网络的轨道电路故障自动诊断方法 |
CN115249038A (zh) * | 2022-01-10 | 2022-10-28 | 郑州航空工业管理学院 | 一种基于卷积神经网络的轨道电路运行状态智能识别方法 |
Non-Patent Citations (4)
Title |
---|
傅佳伟;王小敏;郭进;: "ZPW-2000轨道电路的多轮对动态分路建模研究", 铁道科学与工程学报, no. 09, pages 2374 - 2384 * |
卢皎等: "基于卷积神经网络的ZPW-2000R轨道电路智能故障诊断方法", 工业工程, vol. 24, no. 4, pages 127 - 133 * |
周庆华;李晓丽;: "基于MCNN的铁路信号设备故障短文本分类方法研究", 铁道科学与工程学报, no. 11, pages 2859 - 2865 * |
田粉霞;杨世武;崔勇;武沛;: "基于改进卷积神经网络的无绝缘轨道电路调谐区故障诊断", 铁路计算机应用, vol. 29, no. 06, pages 58 - 63 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723478A (zh) * | 2021-08-17 | 2021-11-30 | 中国铁道科学研究院集团有限公司 | 一种基于先验知识的轨道电路故障诊断方法 |
CN114707632A (zh) * | 2022-03-03 | 2022-07-05 | 长沙理工大学 | 一种传感网络传感器故障定位方法、系统、设备及介质 |
CN114707632B (zh) * | 2022-03-03 | 2024-09-06 | 长沙理工大学 | 一种传感网络传感器故障定位方法、系统、设备及介质 |
CN115366683A (zh) * | 2022-08-09 | 2022-11-22 | 北京理工大学 | 一种新能源汽车动力电池多维模型融合的故障诊断策略 |
CN115366683B (zh) * | 2022-08-09 | 2024-05-24 | 北京理工大学 | 一种新能源汽车动力电池多维模型融合的故障诊断策略 |
Also Published As
Publication number | Publication date |
---|---|
CN113109666B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113109666B (zh) | 一种基于深度卷积神经网络的轨道电路故障诊断方法 | |
CN113139335B (zh) | 一种基于bp神经网络的轨道电路故障智能诊断方法 | |
CN105846780B (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN111626416A (zh) | 基于深度卷积神经网络的轨道电路故障自动诊断方法 | |
CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
CN110907755A (zh) | 一种输电线路在线监测故障识别方法 | |
CN112305386A (zh) | 一种基于数字孪生技术的高压电缆带电检测系统及方法 | |
CN103499382B (zh) | 一种基于振动数据融合和图像识别的变压器故障诊断方法 | |
CN115630847B (zh) | 一种基于数据预测的收发组件检测方法、系统及存储介质 | |
CN110533007B (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
CN104571079A (zh) | 一种基于多传感器信息融合的无线远程故障诊断系统 | |
CN109597396B (zh) | 一种基于大数据流及迁移学习的配变故障在线诊断方法 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
CN118130984B (zh) | 基于数据驱动的电缆局放故障实时监测方法 | |
CN109285331B (zh) | 一种基于数据分析和温度预测的电力电缆温度预警系统 | |
CN117347796B (zh) | 一种基于智能网关的开关设备局部放电诊断系统及方法 | |
CN114330096A (zh) | 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 | |
CN117491813A (zh) | 新能源汽车动力电池系统绝缘异常检测方法 | |
CN117452062A (zh) | 一种考虑运行负荷的台区线损率监测方法 | |
CN112131781A (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
CN116470504A (zh) | 一种分布式配电网自愈控制系统 | |
CN105699043A (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN116626445B (zh) | 一种线缆故障检测系统及方法 | |
CN115793516B (zh) | 一种智能桥梁移动检测的控制系统和方法 | |
CN115166409B (zh) | 一种基于人机交互的地下电力电缆线路故障排查方法 |
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 |