CN115186694A - 道岔故障专家知识库、建立方法、故障检测方法、诊断方法及装置 - Google Patents
道岔故障专家知识库、建立方法、故障检测方法、诊断方法及装置 Download PDFInfo
- Publication number
- CN115186694A CN115186694A CN202210542187.2A CN202210542187A CN115186694A CN 115186694 A CN115186694 A CN 115186694A CN 202210542187 A CN202210542187 A CN 202210542187A CN 115186694 A CN115186694 A CN 115186694A
- Authority
- CN
- China
- Prior art keywords
- signal
- turnout
- abnormal
- sample
- template
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本申请涉及一种道岔故障专家知识库、建立方法、故障检测方法、诊断方法及装置,属于轨道交通信号处理技术领域;为了提升道岔故障检测或诊断质量,对道岔信号样本进行筛选获得道岔标准信号样本,再通过不同标准信号样本获得道岔信号模板,将实时信号预处理生成和信号模板对应的比对信号,比对信号和信号模板基于相关规则进行匹配,输出检测或诊断结果,实现道岔故障的高效、全面、精准、可靠的智能检测或故障智能诊断,提高铁路运输系统安全和效率。
Description
技术领域
本申请涉及轨道交通信号处理技术领域,尤其是涉及一种道岔故障专家知识库、建立方法、故障检测方法、诊断方法及装置。
背景技术
目前,我国铁路道岔故障的检测、诊断定位方法多是利用信号集中监测系统采集道岔转辙机部分开关量和模拟量信息,由信号维护人员将开关量和模拟量数据进行对比分析,最终分析道岔转辙设备的运用状态,排查安全隐患和故障原因。这种人工分析的方式存在以下缺陷:(1)对信号维护人员业务素质要求较高,在调阅分析过程中容易出现漏判或者误判的情况;尤其是道岔存在隐患时若未及时修复,隐患将进一步升级为故障,为行车带来干扰和安全风险;(2)高速铁路各种新技术新设备的运用使得设备多样化、复杂化,为道岔故障分析增加了难度,这种单纯依靠人工分析的方法已经不能满足高铁技术发展的需要;(3)随着铁路行车密度的增加和运行速度的提升,对行车安全和维护人员故障应急处置能力的要求越来越高,人工分析判断效率低、工作量大且可靠性不高,已经不能满足行车需求;(4)铁路的发展和改革需要对信号维修人员进行合理布局,以提升维修效率和设备质量。因此,研究一种道岔故障智能诊断与定位的方法是亟待解决的问题之一。
当前道岔故障诊断方面面临的技术问题在于:由于道岔工作机理及道岔转辙设备电路的复杂多样性,当前监测的方法有效信息量不足,信息不够准确可靠,导致后续分析不精确。
发明内容
为克服上述问题,本发明实施例提供了一种道岔故障专家知识库及建立、道岔故障智能检测、诊断方法及装置。
第一方面,本发明提供一种道岔故障专家知识库。
一种道岔故障专家知识库,包含道岔故障诊断专家知识库或/和道岔故障检测专家知识库;
所述道岔故障诊断专家知识库,包含道岔异常信号模板,所述异常信号模板对应一个标签类别,所述标签类别中含有标签;
所述道岔故障检测专家知识库,包含道岔正常信号模板。
第二方面,本发明提供一种道岔故障诊断专家知识库建立的方法。
一种道岔故障诊断专家知识库建立的方法,包括以下步骤:
步骤S101:获取至少一种道岔异常信号标准样本集合和对应的标签集合;
所述道岔异常信号标准样本集合可以用如下形式表示:
步骤S102:完成每个道岔异常信号标准样本及对应的标签类别的指定工作;
通过聚类分析方法将异常信号标准样本分为个类别,的取值由最终
聚类结果决定,再根据异常信号标准样本和对应标签之间的关系将异常信号标准样本对应
的标签分为个类别,并将标签类别进行编号,;每个道岔异常信
号标准样本对应匹配有标签的类别;
步骤S103:确定各类别异常信号模板;
基于步骤S102后,在不同的异常信号标准样本类别中分别选择分类的质心或/和分类中最具代表性异常信号标准样本作为各类别异常信号模板,所述最具代表性标准样本包括在分类中和其它异常信号样本差异度最小或/和重复次数最多的样本。
进一步的,还包括:
步骤S101获取道岔异常信号标准样本方法包含:选取多个相同异常原因同种信号样本中最具代表性信号样本作为异常信号标准样本,所述最具代表性信号样本包括和其它相同异常原因同种异常信号样本差异度最小或/和重复次数最多的样本;
所述标签包含异常原因、进一步诊断方法与修复方案中的部分或全部;
获取每个道岔异常信号标准样本对应的标签的方法包含:根据异常信号样本利用异常信号样本与异常原因之间的对应关系,获取至少一个异常原因,或/和,根据异常原因利用异常原因与异常信号样本之间的对应关系,获取至少一个异常信号样本,利用每个异常原因和诊断方法之间的对应关系,获取每个异常原因对应的进一步诊断方法,利用异常原因和修复方案之间的对应关系,获取修复方案。
进一步的,所述聚类分析方法包含基于K-means算法的聚类方法;
K-means算法流程如下:
进一步的,还包括:
第三方面,本发明提供一种道岔故障检测专家知识库建立的方法。
一种道岔故障检测专家知识库建立的方法,包括以下步骤:
步骤S104:获取至少一种正常信号模板;
所述获取道岔正常信号模板方法包含:选取相同种类的多个正常信号样本中最具代表性信号样本作为正常信号标准样本,所述最具代表性样本包括和其它正常信号样本差异度最小或/和重复次数最多的样本,将正常信号标准样本作为正常信号模板。
进一步的,还包括:
第四方面,本发明提供一种选取多个信号样本中最具代表性信号样本的方法。
一种选取多个信号样本中最具代表性信号样本的方法,包括以下步骤:
S201:选取多个信号样本;
多个信号样本集合可以用如下形式表示:
S203:计算总差异度最小的样本号,并将所述总差异度最小的样本作为最具代表性信号样本:
第五方面,本发明提供了一种道岔故障智能检测方法。
一种道岔故障智能检测方法,包括以下步骤:
步骤Q1:建立道岔故障检测专家知识库;
所述道岔故障检测专家库中至少包含一种正常信号模板;
步骤Q2:将道岔实时信号进行预处理生成与正常信号模板对应的比对信号;
步骤Q3:基于相关规则将比对信号与对应正常信号模板匹配;步骤Q3还包含以下步骤:
Q301:采用相应差异度算法计算基于所述步骤Q2后生成的比对信号与对应正常信号模板间的差异度;
Q303:若是,判断为比对信号与相应正常信号模板匹配成功,比对信号正常;
Q304:若否,判断为比对信号与相应正常信号模板匹配不成功,比对信号异常;
步骤Q4:基于步骤Q3比对信号与对应正常信号模板匹配结果,输出检测结果;
所述输出检测结果包括比对信号与相应正常信号模板匹配不成功时的结果,输出道岔信号异常报警。
进一步的,还包括:
第六方面,本发明提供了一种道岔故障智能诊断方法。
一种道岔故障智能诊断方法,包括以下步骤:
步骤S1:建立道岔故障诊断专家知识库;
所述道岔故障诊断专家库中至少包含一种异常信号模板,所述每种异常信号模板包含若干个异常信号模板,所述每个异常信号模板对应一个标签类别,所述标签类别中含有不同的标签,所述标签包含异常原因、进一步诊断方法与修复方案中的部分或全部;
步骤S2:将道岔实时信号进行预处理生成与异常信号模板对应的比对信号;
步骤S3:在确认道岔信号异常时基于相关规则将比对信号与故障诊断专家知识库中对应异常信号模板匹配;步骤S3还包含以下步骤:
S301:在确定道岔信号异常时,采用相应差异度算法计算基于步骤S2步骤后生成的比对信号与诊断专家知识库中对应异常信号模板间的差异度;
S303:若是,判断为比对信号与相应异常信号模板匹配成功;
S304:若否,判断为比对信号与相应异常信号模板匹配不成功;
步骤S4:基于步骤S3比对信号与故障诊断专家知识库中对应异常信号模板匹配结果,输出诊断结果;
所述输出诊断结果包括比对信号与相应异常信号模板匹配成功时的结果,将比对信号与相应异常信号模板对应的标签类别中的标签作为诊断结果输出。
进一步的,还包括以下步骤:
步骤S5:基于步骤S3比对信号与故障诊断专家知识库中对应异常信号模板匹配结果,若比对信号与相应异常信号模板匹配不成功或基于步骤S4输出诊断结果不为真实结果,则采用预设方式继续诊断;
步骤S6:基于步骤S5预设方式继续诊断最终结果,若预设方式继续诊断未得出最终诊断结果则将比对信号生成未知故障类型并存入未知故障库,若预设的预设方式继续诊断得出最终诊断结果,则进行步骤S1生成故障诊断专家知识库中新的信号样本,并更新模板。
进一步的,还包括:
所述异常信号模板所在的类别中包含异常信号标准样本,所述道岔异常信号标准样本对应于标签类别中标签,所述道岔异常信号标准样本对应的标签包含异常原因、进一步诊断方法与修复方案中的部分或全部;
所述将比对信号与相应异常信号模板对应的标签类别中的标签作为诊断结果输出,包括将诊断结果按照匹配度优先级别排序;
具体为计算比对信号与相应匹配成功信号异常模板所在的类中所有异常信号标准样本的差异度,将异常信号标准样本和异常信号标准样本对应的标签按照计算的差异度从小到大排序,并将排序后异常信号标准样本对应的标签作为诊断结果输出;
进一步的,所述道岔信号至少包含道岔电机所在回路中电压或电流信号;
进一步地,所述道岔电机所在回路中电压信号包括:信号机械室内任一通过信号线缆与分线盘上道岔外线端子相连与道岔外线端子等电位处任一点或道岔外线端子处获得的两线间电压信号中的部分或全部;
所述道岔电机所在回路中电流信号包括:信号机械室内分线盘上道岔的外线中电流信号中的部分或全部;
或/和,
进一步地,信号点中元素包括同一时间点五线制道岔外线X2-X3间离散电压数
据、X1-X2间离散电压数据、X2-X4间离散电压数据、X3-X5间离散电压数据、X1-X3间离散电
压数据、X1-X4间离散电压数据、X1-X5间离散电压数据与X2-X5间离散电压数据中的部分或
全部;
或/和,
进一步地,当时信号点采集周期间隔不大于500mS;信号点记录时间为1DQJ
落下所有时间;当,信号点采集周期间隔不大于40mS,信号点记录开始时间和结束时
间为1DQJ吸起前和落下后一段时间间隔内,所述时间间隔不大于2S;
第七方面,本发明提供一种装置。
一种装置,包括电子设备,所述电子设备包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行以上任一方面所述的方法。
本发明实施例中提供的道岔专家知识库,为信号运维人员提供故障检测或/和诊断参考,降低了信号运维人员业务素质要求,减少了在调阅分析过程中容易出现漏判或者误判的情况。
本发明实施例中提供的道岔故障智能检测方法,有效的降低了信号运维人员工作的工作量,提高道岔故障检测效率,减小了由于人员能力不足导致故障无法检测到的问题。
本发明实施例中提供的道岔故障智能诊断方法,能够实现道岔故障的快速、高效、全面、精准、可靠的诊断分析,为信号维护人员进行后续故障处理起到强有力的支撑作用,可以使以往的“人工分析型”、“案例型”诊断上升到“在线故障诊断型”、“智能型”提高了道岔故障的诊断分析能力,为信号各级管理部门提供决策参考,提高信号部门协调控制和应急处置能力,为道岔的正常运行提供强大的技术支持提高铁路运输系统安全和效率。
附图说明
图1为本发明实施例提供的一种道岔故障诊断专家知识库建立的方法的流程示意图;
图2为本发明实施例提供的一种K-means算法流程示意图;
图3为本发明实施例提供的一种道岔故障智能检测方法流程示意图;
图4为本发明实施例提供的一种道岔故障智能检测匹配关系流程示意图;
图5为本发明实施例提供的一种道岔故障智能诊断方法流程示意图;
图6为本发明实施例提供的一种道岔故障智能诊断匹配关系流程示意图;
图7为本发明实施例提供的一种装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义,另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。可以理解的是,差异度可以用距离、相似度等词汇代替,相似度求反即为差异度。计算样本差异度算法也可以被相似度的算法代替例如平均值、方差、标准差等。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,本发明实施例提供的一种道岔故障诊断专家知识库建立的方法,包括以下步骤:
步骤S101:获取至少一种道岔异常信号标准样本集合和对应的标签集合。道岔异常信号标准样本集合可以用如下形式表示:
步骤S102:完成每个道岔异常信号标准样本对应的标签类别的指定工作。
通过聚类分析方法将异常信号标准样本分为个类别,的取值由最终
聚类结果决定。聚类是数据挖掘中的概念,就是按照某个特定标准(如距离)把一个数据集
分割成不同的类或簇,使得同一个簇内数据对象的相似性尽可能大,同时不在同一个簇内
的数据对象的差异性也尽可能的大。聚类后同一类的数据尽可能聚集到一起,不同类数据
尽量分离。常用的聚类分析计算方法主要有分裂法、层次法、基于密度的方法、基于网格的
方法、基于模型的方法等。
步骤S103:确定各类别异常信号模板。
基于步骤S102后,在不同的异常信号标准样本类别中分别选择分类的质心或/和分类中最具代表性异常信号标准样本作为各类别异常信号模板,所述最具代表性标准样本包括在分类中和其它异常信号样本差异度最小或/和重复次数最多的样本。
确定各类别异常信号模板的目的是用一个分类的质心或/和分类中最具代表性样本作为模板代表这个类里面所有样本,可以为后续比对样本和模板匹配时减小计算量和计算时间。
特别地,步骤S101获取道岔异常信号标准样本方法包含:选取多个相同异常原因同种信号样本中最具代表性信号样本作为异常信号标准样本,所述最具代表性信号样本包括和其它相同异常原因同种异常信号样本差异度最小或/和重复次数最多的样本。
标签包含故障样本、异常原因、进一步诊断方法与修复方案中的部分或全部。故障样本、异常原因、进一步诊断方法与修复方案可以用文字、声音、图像与视频等形式表示出来,例如在电路开路故障中可以用文字表述,也可以在动态电路图纸中标注出故障现象、故障原因、进一步诊断方法与修复方案,还可以用视频的形式展现出来。
获取每个道岔异常信号标准样本对应的标签的方法包含:根据异常信号样本利用异常信号样本与异常原因之间的对应关系,获取至少一个异常原因,或/和,根据异常原因利用异常原因与异常信号样本之间的对应关系,获取至少一个异常信号样本,利用每个异常原因和诊断方法之间的对应关系,获取每个异常原因对应的进一步诊断方法,利用异常原因和修复方案之间的对应关系,获取修复方案。
聚类分析方法包括基于K-means算法的聚类方法,图2为本发明实施例提供的一种K-means算法流程示意图。
K-means算法流程如下:
方法还包括以下步骤:
步骤S104:获取至少一种正常信号模板;获取道岔正常信号模板方法包含:选取相同种类的多个正常信号样本中最具代表性信号样本作为正常信号标准样本,所述最具代表性样本包括和其它正常信号样本差异度最小或/和重复次数最多的样本,将正常信号标准样本作为正常信号模板。
其中,选取多个信号样本中最具代表性信号样本的方法包括以下步骤:
S201:选取多个信号样本。
多个信号样本集合可以用如下形式表示:
S203:计算总差异度最小的样本号,并将所述总差异度最小的样本作为最具代表性信号样本:
图3为本发明实施例提供的一种道岔故障智能检测方法流程示意图。一种道岔故障智能检测方法包括以下步骤:
步骤Q1:获取至少一种正常信号模板。
步骤Q2:将道岔实时信号进行预处理生成与正常信号模板对应的比对信号。预处理主要包含以下2个方面:1.考虑到获取的实时信号可能存在缺失、噪声、失真等情况,故而对获取的监测数据进行预处理;2.考虑到如果比对信号为多维时间点数据,如果获取各数据时各时间点不同步,需要通过预处理将时间同步。
步骤Q3:基于相关规则将比对信号与对应正常信号模板匹配。
步骤Q4:基于步骤Q3比对信号与对应正常信号模板匹配结果,输出检测结果。输出检测结果包括比对信号与相应正常信号模板匹配不成功时的结果,输出道岔信号异常报警;有效的降低了对信号运维人员业务素质要求,提高道岔故障检测效率,减小了由于人员能力不足导致故障无法检测到的问题。
图4为本发明实施例提供的一种道岔故障智能检测匹配关系流程示意图。步骤Q3中还包含以下步骤:
Q301:采用相应差异度算法计算基于所述步骤Q2后生成的比对信号与对应正常信号模板间的差异度。
Q303:若是,判断为比对信号与相应正常信号模板匹配成功,比对信号正常。
Q304:若否,判断为比对信号与相应正常信号模板匹配不成功,比对信号异常。
图5为本发明实施例提供的一种道岔故障智能诊断方法流程示意图。
一种道岔故障智能诊断方法,包括以下步骤:
步骤S1:建立故障诊断专家知识库;道岔故障诊断专家库中至少包含一种异常信号模板,所述每种异常信号模板包含若干个异常信号模板,所述每个异常信号模板对应一个标签类别,所述标签类别中含有不同的标签,所述标签包含异常原因、进一步诊断方法与修复方案中的部分或全部。
步骤S2:将道岔实时信号进行预处理生成与异常信号模板对应的比对信号。预处理主要包含以下2个方面:1.考虑到获取的实时信号可能存在缺失、噪声、失真等情况,故而对获取的监测数据进行预处理;2.考虑到如果比对信号为多维时间点数据,如果获取各数据时各时间点不同步,需要通过预处理将时间同步。
步骤S3:在确认道岔信号异常时基于相关规则将比对信号与故障诊断专家知识库中对应异常信号模板匹配。
步骤S4:基于步骤S3比对信号与故障诊断专家知识库中对应异常信号模板匹配结果,输出诊断结果。输出诊断结果包括比对信号与相应异常信号模板匹配成功时的结果,将比对信号与相应异常信号模板对应的标签类别中的标签作为诊断结果输出。
步骤S5:基于步骤S3比对信号与故障诊断专家知识库中对应异常信号模板匹配结果,若比对信号与相应异常信号模板匹配不成功或基于步骤S4输出诊断结果不为真实结果,则采用预设方式继续诊断。
预设方式可以为不同的实施例中方法,例如,在使用实施例2中描述的方法诊断道岔故障得不出诊断结果的情况下,还可以用实施例3中描述的方法诊断道岔故障,另外,预设方式还可以是人工测试的方式或人工分析监测数据的方式等。
步骤S6:基于步骤S5预设方式继续诊断最终结果,若预设方式继续诊断未得出最终诊断结果则将比对信号生成未知故障类型并存入未知故障库,将生成未知故障类型存入未知故障库,通过故障库进行归档,便于后续对道岔故障进行进一步分析。若预设方式继续诊断得出最终诊断结果,则进行步骤S1生成故障诊断专家知识库中新的信号样本,并更新模板。
此过程可以不断完善故障诊断专家知识库,故障诊断库中含有对应标签的模板和/或新的样本越多,诊断准确性越高。此方法可实现道岔故障的快速、高效、全面、精准、可靠的诊断分析,为信号维护人员进行后续故障处理起到强有力的支撑作用,为道岔的正常运行提供强大的技术支持,提高了道岔故障的诊断分析能力,进而可以保障了道岔的安全稳定运行。
图6为本发明实施例提供的一种道岔故障智能诊断匹配关系流程示意图。步骤S3中还包含以下步骤:
S301:在确定道岔信号异常时,采用相应差异度算法计算基于步骤S2步骤后生成的比对信号与诊断专家知识库中对应异常信号模板间的差异度。
S303:若是,判断为比对信号与相应异常信号模板匹配成功。
S304:若否,判断为比对信号与相应异常信号模板匹配不成功。
可以理解为异常信号样本与对应的异常信号模板的差异度小于异常信号模板与异常信号模板间的差异度;此过程可以使比对信号与相应异常信号模板匹配成功时比对信号与相应异常信号模板对应关系为1对1。
异常信号模板所在的类别中包含异常信号标准样本,道岔异常信号标准样本对应于标签类别中标签,道岔异常信号标准样本对应的标签包含异常原因、进一步诊断方法与修复方案中的部分或全部。将比对信号与相应异常信号模板对应的标签类别中的标签作为诊断结果输出,包括将诊断结果按照匹配度优先级别排序。具体为计算比对信号与相应匹配成功信号异常模板所在的类中所有异常信号标准样本的差异度,将异常信号标准样本和异常信号标准样本对应的标签按照计算的差异度从小到大排序,并将排序后异常信号标准样本对应的标签作为诊断结果输出;此过程可以将诊断结果置信度优先排序。
特别地,一种道岔故障诊断专家知识库建立的方法、一种道岔故障智能检测方法或一种道岔故障诊断方法中:
道岔信号至少包含道岔电机所在回路中电压或电流信号。
可以理解成信号点为某一个时间点上不同位置采集的电压数据或电流数据的
组合,例如同一时刻的道岔定位表示交流电压和直流电压数据;信号点序列理解为在
不同的时间点上取得的电压数据或电流数据组成的一个序列,例如道岔动作三相电流数据
曲线。
另外,一种道岔故障诊断专家知识库建立的方法或一种道岔故障智能检测方法或一种道岔故障诊断方法中,所述道岔电机所在回路中电压信号包括:信号机械室内任一通过信号线缆与分线盘上道岔外线端子相连与道岔外线端子等电位处任一点或道岔外线端子处获得的两线间电压信号中的部分或全部。
道岔电机所在回路中电流信号包括:信号机械室内分线盘上道岔的外线中电流信号中的部分或全部。
或/和,
特别地,一种道岔故障诊断专家知识库建立的方法或一种道岔故障智能检测方法
或一种道岔故障诊断方法中,信号点中元素包括同一时间点五线制道岔外线X2-X3间离
散电压数据、X1-X2间离散电压数据、X2-X4间离散电压数据、X3-X5间离散电压数据、X1-X3
间离散电压数据、X1-X4间离散电压数据、X1-X5间离散电压数据与X2-X5间离散电压数据中
的部分或全部;
或/和,
实施例1:
信号点为维数的多维特征的向量,特征参数为同一时间点X1-X2间
离散电压交直流数据、X2-X4间离散电压交直流数据、X2-X3间离散电压交直流数据、X1-X3
间离散交直流电压数据、X3-X5间离散交直流电压数据。其中,特征参数 X2-X4间离散交直
流电压数据和X3-X5间离散交直流电压数据通过铁路信号集中监测系统传输道岔表示电压
数据获得,其它特征参数通过电压采集器获得。信号点采集周期间隔为500mS;信号点记
录时间为1DQJ 落下所有时间。
通过所述的一种道岔故障诊断专家知识库建立的方法建立故障诊断专家知识库。
具体为,根据已知的人为模拟的异常原因,利用异常原因与异常信号样本之间的对应关系,
获取异常信号样本,利用每个异常原因和诊断方法之间的对应关系,获取每个异常原因
对应的进一步诊断方法,利用异常原因和修复方案之间的对应关系,获取修复方案。异常原
因为室外X1断、室外X2断、室外X4断、室内X1断、室内X2断、室内X4断、整流支路混线、整流二
极管击穿、室外X3断、室外X5断、室内X3断、室内X5断、道岔卡缺口、表示变压器故障、道岔继
电器接点接触不良等故障。对每种故障分别模拟100次,对每种相同故障原因的异常信号样
本集合,可以用表示;
计算总欧式距离之和最小的异常信号样本号,并将所计算总欧式距离之和最小的异常信号样本作为道岔异常信号标准样本:
在实施例1中通过上述方法获得的部分异常信号标准样本如表1所示,表1中异常信号标准样本所对应的标签如表2所示;
表1 实施例1中部分异常信号标准样本
表2 实施例1中部分异常信号标准样本所对应的标签
接着,通过基于K-means算法的聚类方法将异常信号标准样本分类,完成每个道岔异常信号标准样本及对应的标签类别的指定工作;其中,K-means算法中计算各信号样本和各质心向量的差异度的算法为欧式距离。
接着,确定各类别异常信号模板;在不同的异常信号标准样本类别中分别选择和其它异常信号标准样本差异度最小的异常信号标准样本作为各类别异常信号模板;
计算总欧式距离之和最小的异常信号标准样本号,并将总欧式距离之和最小的异常信号标准样本作为异常信号模板:
通过所述的一种道岔故障智能诊断方法诊断道岔故障,对于异常信号标准样本、信号模板与比对信号为等长信号序列,等长信号序列间差异度算法为欧式距离计算方法。
信号点为维数的多维特征的向量,特征参数为同一时间点X2-X4间
离散电压交流数据、X3-X5间离散电压交流数据、X2-X3间离散电压交流数据。其中,特征参
数 X2-X4间离散电压交流数据和X3-X5间离散电压交流数据通过铁路信号集中监测系统传
输道岔表示电压数据获得,特征参数X2-X3间离散电压交流数据通过电压采集器获得。信号
点采集周期间隔为500mS;信号点记录时间为1DQJ 落下所有时间;
计算总欧式距离之和最小的正常信号样本号,并将总欧式距离之和最小的正常信号样本作为道岔正常信号标准样本:
通过所述的一种道岔故障智能检测方法检测道岔异常情况,对于正常信号模板与比对信号为等长信号序列,等长信号序列间差异度算法为欧式距离算法。
特别地,一种道岔故障诊断专家知识库建立的方法或一种道岔故障智能检测方法
或一种道岔故障诊断方法中,还包括:当时信号点采集周期间隔不大于40mS,信号点
记录开始时间和结束时间为1DQJ吸起前和落下后一段时间间隔内,所述时间间隔不大于
2S。
实施例2:
通过所述的一种道岔故障诊断专家知识库建立的方法建立故障诊断专家知识库;
具体为,根据已知的人为模拟的异常原因,利用异常原因与异常信号样本之间的对应关系,
获取异常信号样本,利用每个异常原因和诊断方法之间的对应关系,获取每个异常原
因对应的进一步诊断方法,利用异常原因和修复方案之间的对应关系,获取修复方案。异常
原因为1DQJ不励磁、1DQJF不励磁、2DQJ不转极、2DQJ转极迟缓、1DQJ自闭电路异常、往定位
操缺C相电、往反位操缺B相电、往定位操缺A相电、往定位操缺C相电、往反位操缺A相电、往
反位操缺B相电、缺任意两相、三相都缺、道岔动作时间延长、道岔不解锁、道岔转换中间受
阻、道岔不锁闭、道岔动作完后最后一排表示接点未动作、道岔动作完后最后一排表示接点
未动作到位、室外自动开闭器只动作了一排接点(断开了表示接点)等故障。对每种故障分
别模拟100次,对每种相同故障原因的异常信号样本集合,可以用
表示;
计算总DTW距离之和最小的异常信号样本号,并将所计算总DTW距离之和最小的异常信号样本作为道岔异常信号标准样本:
接着,通过基于K-means算法的聚类方法将异常信号标准样本分类,完成每个道岔
异常信号标准样本及对应的标签类别的指定工作;其中,K-means算法中计算各信号样本和各质心向量的差异度的算法为基于欧式距离的DTW距离。
接着,确定各类别异常信号模板;在不同的异常信号标准样本类别中分别选择和其它异常信号标准样本差异度最小的异常信号标准样本作为各类别异常信号模板;
计算总DTW距离之和最小的异常信号标准样本号,并将总DTW距离之和最小的异常信号标准样本作为异常信号模板:
通过所述的一种道岔故障智能诊断方法诊断道岔故障,对于异常信号标准样本、异常信号模板与比对信号为不等长信号序列,不等长信号序列间差异度算法为基于欧式距离的DTW距离。
计算总DTW距离之和最小的正常信号样本号,并将总DTW距离之和最小的正常信号样本作为道岔正常信号标准样本:
通过所述的一种道岔故障智能检测方法检测道岔异常情况,对于正常信号模板与比对信号为不等长信号序列,不等长信号序列间差异度算法为基于欧式距离的DTW距离算法。
实施例3:
的第一个信号点的记录时间为1DQJ开始,数据点
记录时间间隔为40mS,信号点维数,信号点序列中元素为不同时刻五线制道
岔动作A相电流、道岔动作B相电流和道岔动作C相电流的平均值,的最后一个信号点的记录时间为1DQJ落下结束;道岔动作A相电流、道岔动作B相电流和道岔动作C相电流
的平均值由集中监测系统道岔动作三相电流实时数据计算所得。
通过所述的一种道岔故障诊断专家知识库建立的方法建立故障诊断专家知识库;
具体为,根据已知的人为模拟的异常原因,利用异常原因与异常信号样本之间的对应关系,
获取异常信号样本,利用每个异常原因和诊断方法之间的对应关系,获取每个异常原
因对应的进一步诊断方法,利用异常原因和修复方案之间的对应关系,获取修复方案。异常
原因为1DQJ不励磁、1DQJF不励磁、2DQJ不转极、2DQJ转极迟缓、1DQJ自闭电路异常、往定位
操缺C相电、往反位操缺B相电、往定位操缺A相电、往定位操缺C相电、往反位操缺A相电、往
反位操缺B相电、缺任意两相、三相都缺、道岔动作时间延长、道岔不解锁、道岔转换中间受
阻、道岔不锁闭、道岔动作完后最后一排表示接点未动作、道岔动作完后最后一排表示接点
未动作到位、室外自动开闭器只动作了一排接点(断开了表示接点)等故障。对每种故障分
别模拟100次,对每种相同故障原因的异常信号样本集合,可以用表
示;
计算总DTW距离之和最小的异常信号样本号,并将所计算总DTW距离之和最小的异常信号样本作为道岔异常信号标准样本:
接着,通过基于K-means算法的聚类方法将异常信号标准样本分类,完成每个道岔
异常信号标准样本及对应的标签类别的指定工作;其中,K-means算法中计算各信号样本和各质心向量的差异度的算法为基于欧式距离的DTW距离。
接着,确定各类别异常信号模板;在不同的异常信号标准样本类别中分别选择和其它异常信号样本差异度最小的异常信号样本作为各类别异常信号模板;
计算总DTW距离之和最小的异常信号标准样本号,并将总DTW距离之和最小的异常信号标准样本作为异常信号模板:
通过所述的一种道岔故障智能诊断方法诊断道岔故障,对于异常信号标准样本、异常信号模板与比对信号为不等长信号序列,不等长信号序列间差异度算法为基于欧式距离的DTW距离计算方法。
的第一个信号点的记录时间为1DQJ吸起开始,数据点
记录时间间隔为40mS,信号点维数,信号点序列中元素为不同时刻五线制道
岔动作A相电流数据,的最后一个信号点的记录时间为1DQJ落下后结束;道岔动作
A相电流由集中监测系统道岔动作三相电流中A相实时数据所得。
计算总DTW距离之和最小的正常信号样本号,并将总DTW距离之和最小的正常信号样本作为道岔正常信号标准样本:
通过所述的一种道岔故障智能检测方法检测道岔异常情况,对于正常信号模板与比对信号为不等长信号序列,不等长信号序列间差异度算法为基于欧式距离的DTW距离算法。
在其它实施例中,可以用Pearson距离、杰卡德距离、夹角余弦距离、曼哈顿距离、汉明距离、马氏距离、切比雪夫距离与巴氏距离中的部分或全部来代替实施例1、实施例2与实施例3中所用的欧式距离。
实施例1、实施例2与实施例3中欧氏距离的表达式为:
实施例2与实施例3中基于欧式距离的DTW距离的计算方法具体为:
据此,根据边界条件回溯可以得到最优匹配路径。
其中,如果计算序列元素的距离时,采用欧氏距离,如式(5):
在其它实施例中,实施例2与实施例3中DTW距离也可以被弗雷歇距离代替,其具体为:
如图7所示,在上述实施例的基础上,本发明实施例中提供了一种装置,包括电子设备,所述电子设备包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行所述的一种道岔故障诊断专家知识库建立、道岔故障智能检测、道岔故障智能诊断方法中的部分或全部。
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。
最后应说明的是: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 (19)
1.一种道岔故障诊断专家知识库建立的方法,其特征在于:包括以下步骤:
步骤S101:获取至少一种道岔异常信号标准样本集合和对应的标签集合;
所述道岔异常信号标准样本集合可以用如下形式表示:
步骤S102:完成每个道岔异常信号标准样本及对应的标签类别的指定工作;
通过聚类分析方法将异常信号标准样本分为个类别,的取值由最终聚类
结果决定,再根据异常信号标准样本和对应标签之间的关系将异常信号标准样本对应的标
签分为个类别,并将标签类别进行编号,;每个道岔异常信号标
准样本对应匹配有标签的类别;
步骤S103:确定各类别异常信号模板;
基于步骤S102后,在不同的异常信号标准样本类别中分别选择分类的质心或/和分类中最具代表性异常信号标准样本作为各类别异常信号模板,所述最具代表性标准样本包括在分类中和其它异常信号样本差异度最小或/和重复次数最多的样本。
2.根据权利要求1所述的方法,其特征在于:步骤S101获取道岔异常信号标准样本方法包含:选取多个相同异常原因同种信号样本中最具代表性信号样本作为异常信号标准样本,所述最具代表性信号样本包括和其它相同异常原因同种异常信号样本差异度最小或/和重复次数最多的样本;
所述标签包含异常原因、进一步诊断方法与修复方案中的部分或全部;
获取每个道岔异常信号标准样本对应的标签的方法包含:根据异常信号样本利用异常信号样本与异常原因之间的对应关系,获取至少一个异常原因,或/和,根据异常原因利用异常原因与异常信号样本之间的对应关系,获取至少一个异常信号样本,利用每个异常原因和诊断方法之间的对应关系,获取每个异常原因对应的进一步诊断方法,利用异常原因和修复方案之间的对应关系,获取修复方案。
5.根据权利要求1所述的方法,其特征在于:还包括:
步骤S104:获取至少一种正常信号模板;
所述获取道岔正常信号模板方法包含:选取相同种类的多个正常信号样本中最具代表性信号样本作为正常信号标准样本,所述最具代表性样本包括和其它正常信号样本差异度最小或/和重复次数最多的样本,将正常信号标准样本作为正常信号模板。
8.一种道岔故障智能检测方法,其特征在于:包括以下步骤:
步骤Q1:基于权利要求1-6中任意一种所述的道岔故障诊断专家知识库建立的方法建立道岔故障检测专家知识库;所述道岔故障检测专家库中至少包含一种正常信号模板;
步骤Q2:将道岔实时信号进行预处理生成与正常信号模板对应的比对信号;
步骤Q3:基于相关规则将比对信号与对应正常信号模板匹配;步骤Q3还包含以下步骤:
Q301:采用相应差异度算法计算基于所述步骤Q2后生成的比对信号与对应正常信号模板间的差异度;
Q303:若是,判断为比对信号与相应正常信号模板匹配成功,比对信号正常;
Q304:若否,判断为比对信号与相应正常信号模板匹配不成功,比对信号异常;
步骤Q4:基于步骤Q3比对信号与对应正常信号模板匹配结果,输出检测结果;所述输出检测结果包括比对信号与相应正常信号模板匹配不成功时的结果,输出道岔信号异常报警。
10.一种道岔故障智能诊断方法,其特征在于:包括以下步骤:
步骤S1:基于权利要求1-9中任意一种所述的道岔故障诊断专家知识库建立的方法建立道岔故障诊断专家知识库;所述道岔故障诊断专家库中至少包含一种异常信号模板,所述每种异常信号模板包含若干个异常信号模板,所述每个异常信号模板对应一个标签类别,所述标签类别中含有不同的标签,所述标签包含异常原因、进一步诊断方法与修复方案中的部分或全部;
步骤S2:将道岔实时信号进行预处理生成与异常信号模板对应的比对信号;
步骤S3:在确认道岔信号异常时基于相关规则将比对信号与故障诊断专家知识库中对应异常信号模板匹配;步骤S3中还包含以下步骤:
S301:在确定道岔信号异常时,采用相应差异度算法计算基于步骤S2步骤后生成的比对信号与诊断专家知识库中对应异常信号模板间的差异度;
S303:若是,判断为比对信号与相应异常信号模板匹配成功;
S304:若否,判断为比对信号与相应异常信号模板匹配不成功;
步骤S4:基于步骤S3比对信号与故障诊断专家知识库中对应异常信号模板匹配结果,输出诊断结果;所述输出诊断结果包括比对信号与相应异常信号模板匹配成功时的结果,将比对信号与相应异常信号模板对应的标签类别中标签作为诊断结果输出。
11.根据权利要求10所述的方法,其特征在于:还包括以下步骤:
步骤S5:基于步骤S3比对信号与故障诊断专家知识库中对应异常信号模板匹配结果,若比对信号与相应异常信号模板匹配不成功或基于步骤S4输出诊断结果不为真实结果,则采用预设方式继续诊断;
步骤S6:基于步骤S5预设方式继续诊断最终结果,若预设方式继续诊断未得出最终诊断结果则将比对信号生成未知故障类型并存入未知故障库,若预设方式继续诊断得出最终诊断结果,则进行步骤S1生成故障诊断专家知识库中新的信号样本,并更新模板。
13.根据权利要求10所述的方法,其特征在于:所述异常信号模板所在的类别中包含异常信号标准样本,所述道岔异常信号标准样本对应于标签类别中标签,所述道岔异常信号标准样本对应的标签包含异常原因、进一步诊断方法与修复方案中的部分或全部;
所述将比对信号与相应异常信号模板对应的标签类别中的标签作为诊断结果输出,包括将诊断结果按照匹配度优先级别排序;
计算比对信号与相应匹配成功信号异常模板所在的类别中所有异常信号标准样本的差异度,将异常信号标准样本和异常信号标准样本对应的标签按照计算的差异度从小到大排序,并将排序后异常信号标准样本对应的标签作为诊断结果输出。
18.一种装置,包括电子设备,所述电子设备其特征在于包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行如权利要求1-17中任一项所述的方法。
19.一种道岔故障专家知识库,其特征在于,包含基于权利要求1-6中任意一种所述的道岔故障诊断专家知识库建立的方法建立道岔故障诊断专家知识库,所述道岔故障诊断专家知识库,包含道岔异常信号模板,所述异常信号模板对应一个标签类别,所述标签类别中含有标签;
或/和,包含基于权利要求1-6中任意一种所述的道岔故障诊断专家知识库建立的方法建立道岔故障检测专家知识库,所述道岔故障检测专家知识库,包含道岔正常信号模板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210542187.2A CN115186694A (zh) | 2022-05-18 | 2022-05-18 | 道岔故障专家知识库、建立方法、故障检测方法、诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210542187.2A CN115186694A (zh) | 2022-05-18 | 2022-05-18 | 道岔故障专家知识库、建立方法、故障检测方法、诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115186694A true CN115186694A (zh) | 2022-10-14 |
Family
ID=83513859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210542187.2A Pending CN115186694A (zh) | 2022-05-18 | 2022-05-18 | 道岔故障专家知识库、建立方法、故障检测方法、诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115186694A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116956087A (zh) * | 2023-05-22 | 2023-10-27 | 成都工业职业技术学院 | 一种基于密度聚类的道岔摩擦电流智能计算方法及系统 |
-
2022
- 2022-05-18 CN CN202210542187.2A patent/CN115186694A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116956087A (zh) * | 2023-05-22 | 2023-10-27 | 成都工业职业技术学院 | 一种基于密度聚类的道岔摩擦电流智能计算方法及系统 |
CN116956087B (zh) * | 2023-05-22 | 2024-02-09 | 成都工业职业技术学院 | 一种基于密度聚类的道岔摩擦电流智能计算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110441629B (zh) | 基于道岔转辙机动作电流曲线的故障诊断方法及装置 | |
CN108416362B (zh) | 一种道岔异常预警与故障诊断方法 | |
CN110543903B (zh) | 一种gis局部放电大数据系统的数据清洗方法及系统 | |
Ondel et al. | A method to detect broken bars in induction machine using pattern recognition techniques | |
EP3552067B1 (en) | Methods and systems for discovery of prognostic subsequences in time series | |
CN103699698A (zh) | 一种基于改进贝叶斯的轨道交通故障识别方法及系统 | |
CN104091070A (zh) | 一种基于时间序列分析的轨道交通故障诊断方法和系统 | |
CN108256738B (zh) | 道岔动作参考曲线选取方法及其应用 | |
CN103760901A (zh) | 一种基于关联规则分类器的轨道交通故障识别方法 | |
CN114385391A (zh) | 一种nfv虚拟化设备运行数据分析方法及装置 | |
CN109934245B (zh) | 一种基于聚类的转辙机故障识别方法 | |
CN111046583A (zh) | 基于DTW算法和ResNet网络的转辙机故障诊断方法 | |
CN112036505A (zh) | 道岔转辙机的设备状态确定方法、装置和电子设备 | |
CN109711473A (zh) | 物品识别方法、设备和系统 | |
CN115186694A (zh) | 道岔故障专家知识库、建立方法、故障检测方法、诊断方法及装置 | |
CN111915061A (zh) | 一种道岔动作电流曲线预测方法及其故障判别方法 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN108803555B (zh) | 一种基于性能监测数据的亚健康在线识别和诊断方法 | |
CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
CN113071966A (zh) | 电梯故障预测方法、装置、设备及存储介质 | |
CN117290719B (zh) | 基于数据分析的巡检管理方法、装置及存储介质 | |
CN110059773A (zh) | 一种变压器故障复合诊断方法 | |
CN110598750B (zh) | 一种基于转辙机动作曲线相似度特征的工况识别方法 | |
CN107025293A (zh) | 一种电力二次设备缺陷数据挖掘方法及系统 | |
CN116845863A (zh) | 基于时空轨迹的末端电网异常设备接入告警方法及装置 |
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 |