CN114021602A - 一种转辙机故障诊断模型中数据处理方法和系统 - Google Patents

Abstract

本申请实施例公开了一种转辙机故障诊断模型中数据处理方法和系统。所述方法包括：获取转辙机发生不同类型的故障时的功率曲线的特征信息；确定所述功率曲线的特征信息中的共有特征信息；按照所述共有特征信息构建故障诊断模型的输入矩阵。

Description

一种转辙机故障诊断模型中数据处理方法和系统

技术领域

本申请实施例涉及信息处理领域，尤指一种转辙机故障诊断模型中数据处理方法和系统。

背景技术

铁路道岔转辙机是保障行车安全，提高行车效率的铁路信号系统关键设备。转辙机的故障会导致列车晚点，影响行车效率，甚至危及行车安全，造成财产损失和人员伤亡。转辙机在实际运行过程中会受到尖轨异常、螺丝松动、节点老化等异常事件影响，此时转辙机仍能正常运行，且锁闭和表示都正常执行，但此时转辙机处于异常运行状态，长时间运行会导致故障发生，因此对转辙机运行状态的监测和故障诊断事关重要。

检测操作主要是由现场维护人员定期浏览微机监测采集到的转辙机运行数据，并在现场对运行中的道岔进行检测与维护，从而确定设备运行状态，但这种方法会大量消耗人力物力，并常常导致漏判和误判。

转辙机的动作电流是判断转辙机运行状态的重要特征，也是目前道岔转辙机故障诊断方法的主要依据。现有的诊断方法主要有：基于动态时间规整度量的诊断方法，通过对待评估样本和故障样本数据库中每一个样本的指定距离度量，找到最相似的故障曲线，判断故障类型；另一种为依靠神经网络的故障诊断方法，通过提取故障样本的深层特征，训练分类器达到故障诊断的目的，但该方法不能有效地提取展示动作曲线的特征，预测精度较差，同时维护人员不能直观地了解到数据的表现，对维护检修帮助微小。

有鉴于此，道岔转辙机的故障诊断方法和诊断精度亟待提高。

发明内容

为了解决上述任一技术问题，本申请实施例提供了一种转辙机故障诊断模型中数据处理方法。

为了达到本申请实施例目的，本申请实施例提供了一种转辙机故障诊断模型中数据处理方法，包括：

获取转辙机发生不同类型的故障时的功率曲线的特征信息；

确定所述功率曲线的特征信息中的共有特征信息；

按照所述共有特征信息构建故障诊断模型的输入矩阵。

一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上文所述的方法。

一种转辙机故障诊断模型中数据处理系统，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上文所述的方法。

上述技术方案中的一个技术方案具有如下优点或有益效果：

通过获取转辙机发生不同类型的故障时的功率曲线的特征信息，确定所述功率曲线的特征信息中的共有特征信息，再按照所述共有特征信息构建故障诊断模型的输入矩阵，实现根据转辙机故障时的曲线特征对转辙机功率曲线进行针对性提取的目的，保证输入矩阵中特征向量对故障识别操作的贡献率，提高故障分析的准确性。

本申请实施例的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例而了解。本申请实施例的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本申请实施例技术方案的进一步理解，并且构成说明书的一部分，与本申请实施例的实施例一起用于解释本申请实施例的技术方案，并不构成对本申请实施例技术方案的限制。

图1为本申请实施例提供的转辙机故障诊断模型中数据处理方法的流程图；

图2为本申请实施例提供的转辙机功率曲线的示意图；

图3为本申请实施例提供的转辙机故障诊断方法的流程图；

图4为本申请实施例提供的转辙机支持向量多分类故障诊断模型训练及测试流程图；

图5为基于边缘计算的转辙机故障诊断系统的示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请实施例的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请实施例中的实施例及实施例中的特征可以相互任意组合。

道岔功率数据具有维度高，结构复杂等特点。如果直接对原始的功率数据进行异常检测需要巨大的计算量，且检测效率低，对故障的针对性差。相关技术中的神经网络通过模型自动进行特征提取，该方法需要大量的训练数据和故障数据，计算量大，且对部分数据对故障分类操作不敏感。

基于上述分析，本申请实施例提供如下解决方案，包括：

图1为本申请实施例提供的转辙机故障诊断模型中数据处理方法的流程图。如图1所示，包括：

步骤101、获取转辙机发生不同类型的故障时的功率曲线的特征信息；

在一个示例性实施例中，转辙机的每种故障均有各自的功率曲线，且功率曲线的特征信息可以采用不同的特征参数来表示。

步骤102、确定所述功率曲线的特征信息中的共有特征信息；

在一个示例性实施例中，可以通过每种故障对应的功率曲线信息中所使用的特征参数中，确定共有的特征信息。

该共有的特征信息可以满足如下条件，包括：

M种故障中的N种故障能够采用该特征信息来描述功率曲线，其中M和N均为正整数，且N与M之间的比例满足预设的比例判断条件。

例如，该比例判断条件可以为N与M之间的比例大于预设的比例阈值，其中该比例阈值可以为0.5。

步骤103、按照所述共有特征信息构建故障诊断模型的输入矩阵。

由于共有特征信息为用于分析故障的有用的特征信息，利用该特征信息构建输入矩阵，可以有效对采集得到的转辙机功率曲线进行针对性提取，保证输入矩阵中特征向量对故障识别操作的贡献率。

本申请实施例提供的方法，通过获取转辙机发生不同类型的故障时的功率曲线的特征信息，并确定所述功率曲线的特征信息中的共有特征信息，再按照所述共有特征信息构建故障诊断模型的输入矩阵，实现根据转辙机故障时的曲线特征对转辙机功率曲线进行针对性提取的目的，保证输入矩阵中特征向量对故障识别操作的贡献率，提高故障分析的准确性。

下面对本申请实施例提供的方法进行说明：

在一个示例性实施例中，所述按照所述共有特征信息构建故障诊断模型的输入矩阵，包括：

确定所述功率曲线的特征信息在各个工作阶段中的共有特征信息；

按照各个工作阶段中的共有特征信息，分别对采集到的转辙机功率曲线的每个阶段提取功率的特征信息；

其中所述工作阶段包括启动、解锁、转换、锁闭和表示中的至少两个。

图2为本申请实施例提供的转辙机功率曲线的示意图。如图2所示，每个工作阶段的功率曲线均有各自的特征信息，分别确定转辙机各个工作阶段对应的共有特征信息，可以更加全面的描述故障曲线的特征，为后续合理准确地设置特征向量提供支持。

在一个示例性实施例中，采用至少两种预设的曲线处理策略对同一阶段中功率曲线进行处理，得到同一个阶段的至少两个特征向量。

其中，所述曲线处理策略用于获取如下至少一个数值，包括：

功率的均值、功率的均方值、功率曲线的幅值、功率曲线的峰峰值、功率曲线的偏斜度和功率曲线的峰值因数。

结合转辙机的工作阶段对转辙机功率曲线进行针对性分段特征提取，并分别获取每个工作阶段的功率对应的均值、均方值、幅值、峰峰值、偏斜度、和峰值因数，得到五个工作阶段30个特征参数组成特征向量，从而全面的描述功率曲线的特征信息。

在一个示例性实施例中，所述按照所述共有特征信息构建故障诊断模型的输入矩阵之后，所述方法还包括：

将所述特征向量处理为均值为0且标准差为1的特征向量，得到处理后的特征向量；

利用处理后的特征向量建立所述故障诊断模型。

通过将特征向量进行标准化处理，方便后续的模型建立操作，提高模型的建立效率。

在一个示例性实施例中，所述利用处理后的特征向量建立所述故障诊断模型，包括：

从处理后的特征向量中选择贡献率大于预设数值的特征向量作为目标特征向量；

利用所述目标特征向量建立所述故障诊断模型。

通过对处理后的特征向量的筛选，挑选贡献率高的特征向量作为目标特征向量，用于模型的建立，提高模型建立的效率。

图3为本申请实施例提供的转辙机故障诊断方法的流程图。如图3所示，所述方法包括：

步骤301、获取现场转辙机电流曲线和电压曲线；

步骤302、基于预设长度截取转辙机动作曲线并计算转辙机动作功率；

步骤303、对所述功率曲线进行数据预处理和特征提取；

步骤304、将提取的特征输入到诊断模型，并根据模型输出结果获取动作曲线对应诊断结果。

基于上述流程可以实现对转辙机故障的自动分析。

在一个示例性实施例中，所述利用所述目标特征向量建立所述故障诊断模型，包括：

对所述处理后的特征向量的维度进行降维操作，得到降维后的特征向量；

利用降维后的特征向量建立所述故障诊断模型。

对处理后的特征向量的维度进行降维操作，可以剔除贡献率低的特征向量，保留贡献率高的特征向量，在降低处理负载度的同时，完成对特征向量的筛选。

在上述示例性实施例中，将所述特征参数向量进行主成分分析法(PrincipalComponent Analysis，PCA)降维，筛选贡献率超过95％的前多个主要特征组成新的特征参数，进行支持向量多分类训练。

主成分分析法是一种数据降维算法。主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有的n维特征的基础上重新构造出来的k维特征。该过程通过协方差矩阵实现，其中所述协方差公式及协方差矩阵公式为：

所述诊断模型为支持向量多分类模型，该方法采用一类对余类的SVM分类方法(one-against-all)。训练集数据共M类，对于每一个类，将其作为+1类，其余M-1个类的所有样本作为-1类，构造一个binary SVM。

一般地，构造一个binary SVM将第i类与其余M-1类分开，即求解二次规划问题：

其中，下标t表示样本的索引；上标i∈{1，……，M}，一共训练M个binary SVMs，求解M个包含N个变量的二次规划问题。

在一个示例性实施例中，所述利用处理后的特征向量建立所述故障诊断模型之后，所述方法还包括：

利用预先获取的验证集对所述故障诊断模型进行验证，得到验证结果；

根据所述验证结果对所述输入矩阵中的特征向量进行调整。

图4为本申请实施例提供的转辙机支持向量多分类故障诊断模型训练及测试流程图。如图4所示，对所述样本按7∶3比例划分训练集和测试集，通过所述支持向量(SVM)分类器对训练集数据进行训练。同时还包括利用测试集数据对训练后的机器学习模型进行验证。训练和测试过程需保证故障样本比例一致性，从而保证模型能够准确自学习故障特征。

通过现场电流电压数据以及模型的诊断结果，将新数据来源作为训练集重新训练模型，不断对模型进行修正和迭代更新，使模型更适应单个特定转辙机的运行工况。

在上述示例性实施例中，从微机监测系统或传感器获取转辙机电流曲线，基于转辙机动作时间预设采样时长，基于采样时长对电流曲线进行采样，获取转辙机动作电流曲线；将获得的电流曲线输入至训练好的机器学习分析模型，根据模型的输出结果，获得相应的设备故障诊断结果；其中，所述故障诊断模型为支持向量多分类模型。

转辙机力与有效功率的关系公式为：

其中P为有效功率、Re表示转辙机传动系统等效力臂。N为电动机转速，η为电动机效率。根据所述公式可知转辙机工作状态可通过监测电机功率特性来判断。功率可通过三项电流电压计算获得，因此选择转辙机电流电压曲线作为监测对象。基于预设长度对所述电流电压曲线进行采样，获取电流曲线，当所得电流曲线不符合预设长度时，通过插值法对曲线数据进行补全。根据所述电流电压计算可得三项有效功率曲线，作为所述诊断模型的输入。

在功率曲线进入训练模型前，还需要经过清洗和预处理，删除重复数据和无效数据，通过预设的采样长度对功率曲线进行分段，分为启动，解锁，转换，锁闭，表示五个阶段，对每个阶段提取相应的曲线特征。提取的曲线特征组成新的特征向量输入到所述支持向量多分类诊断模型，得到诊断结果。

所述支持向量多分类诊断模型训练过程包括获得训练样本，对所述训练样本进行分类打标，标记正常数据，故障数据及故障类型。所述故障类型包括但不限于密贴困难、解锁困难、转换阻力过大、轨间有异物卡阻、供电电压异常、表示电路异常等。

下面对本申请实施例提供的方法进行说明：

本申请实施例提供一种道岔转辙机智能故障诊断系统，

图5为基于边缘计算的转辙机故障诊断系统的示意图。如图5所示，所示系统包括3层，其中：

中心云，进行故障预测，决策支持及人机交互功能；

边缘层，进行数据预处理，异常检测及转辙机的故障诊断功能；

设备层，进行转辙机的数据采集功能。

该系统包括数据采集单元、数据预处理单元和数据分析单元，其中，数据预处理及数据分析在边缘控制器实现。

数据采集单元，用于采集道岔转辙机的电流曲线和电压曲线；

数据预处理单元，用于对采集得到的电流曲线和电压曲线进行基于预设长度的采样，计算有效功率，以及分段提取特征值，获得特征参数。

数据分析单元，用于将所述特征参数输入至机器学习模型，根据模型的输出结果，获得特征参数对应的故障诊断结果。

其中，所述机器学习模型为基于PCA的支持向量多分类诊断模型。

其中，上述数据采集单元的数据来源可以是信号系统的微机监测系统数据，也可以是转辙机传感器数据。

其中，数据预处理及故障诊断在边缘控制器实现，故障诊断结果上传到中心服务器，以便于维护人员查看诊断结果，及时进行设备维护。

一方面，考虑到信号系统供电电压基本处于稳定状态，在现场数据条件不允许的情况下，可默认电压为连续常量，仅将电流曲线作为诊断模型的输入。相应地，对功率曲线的数据预处理和特征提取过程变更为对电流曲线的数据预处理及特征提取，并将特征值作为输入通过机器学习模型输出故障诊断结果。

另一方面，将机器学习诊断模型默认部署在边端，能够极大的提高诊断效率，降低延迟性和数据传输压力。可替代地，诊断模型也可部署在中心服务器，边缘层将数据预处理结果上传到中心，并通过机器学习模型输出诊断结果。

本申请实施例提供的系统，用于解决铁路信号系统关键设备转辙机的故障诊断技术问题，能够有效地获取转辙机的动作电流功率曲线特征，提高了诊断的准确率和精确度。

本申请实施例提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上文任一项中所述的方法。

本申请实施例提供一种转辙机故障诊断模型中数据处理系统，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上文任一项中所述的方法。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

Claims (10)

1.一种转辙机故障诊断模型中数据处理方法，包括：

获取转辙机发生不同类型的故障时的功率曲线的特征信息；

确定所述功率曲线的特征信息中的共有特征信息；

按照所述共有特征信息构建故障诊断模型的输入矩阵。

2.根据权利要求1所述的方法，其特征在于，所述按照所述共有特征信息构建故障诊断模型的输入矩阵，包括：

确定所述功率曲线的特征信息在各个工作阶段中的共有特征信息；

按照各个工作阶段中的共有特征信息，分别对采集到的转辙机功率曲线的每个阶段提取功率的特征信息；

其中所述工作阶段包括启动、解锁、转换、锁闭和表示中的至少两个。

3.根据权利要求2所述的方法，其特征在于：

采用至少两种预设的曲线处理策略对同一阶段中功率曲线进行处理，得到同一个阶段的至少两个特征向量。

4.根据权利要求3所述的方法，其特征在于，所述曲线处理策略用于获取如下至少一个数值，包括：

功率的均值、功率的均方值、功率曲线的幅值、功率曲线的峰峰值、功率曲线的偏斜度和功率曲线的峰值因数。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述按照所述共有特征信息构建故障诊断模型的输入矩阵之后，所述方法还包括：

将所述特征向量处理为均值为0且标准差为1的特征向量，得到处理后的特征向量；

利用处理后的特征向量建立所述故障诊断模型。

6.根据权利要求5所述的方法，其特征在于，所述利用处理后的特征向量建立所述故障诊断模型，包括：

从处理后的特征向量中选择贡献率大于预设数值的特征向量作为目标特征向量；

利用所述目标特征向量建立所述故障诊断模型。

7.根据权利要求6所述的方法，其特征在于，所述利用所述目标特征向量建立所述故障诊断模型，包括：

对所述处理后的特征向量的维度进行降维操作，得到降维后的特征向量；

利用降维后的特征向量建立所述故障诊断模型。

8.根据权利要求1所述的方法，其特征在于，所述利用处理后的特征向量建立所述故障诊断模型之后，所述方法还包括：

利用预先获取的验证集对所述故障诊断模型进行验证，得到验证结果；

根据所述验证结果对所述输入矩阵中的特征向量进行调整。

9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的方法。

10.一种转辙机故障诊断模型中数据处理系统，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至8任一项中所述的方法。

Images