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 PDF

Info

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
Application number
CN202210542187.2A
Other languages
English (en)
Inventor
秦汉泽
杜瑜
张建喜
张正光
古丽尼格尔·迪力夏提
成远
李永燕
史良华
杨云国
张晓华
叶斌
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.)
Shanghai Tieda Electronic And Information Technology Co ltd
China Railway Urumqi Bureau Group Co ltd
Original Assignee
Shanghai Tieda Electronic And Information Technology Co ltd
China Railway Urumqi Bureau Group 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 Shanghai Tieda Electronic And Information Technology Co ltd, China Railway Urumqi Bureau Group Co ltd filed Critical Shanghai Tieda Electronic And Information Technology Co ltd
Priority to CN202210542187.2A priority Critical patent/CN115186694A/zh
Publication of CN115186694A publication Critical patent/CN115186694A/zh
Pending legal-status Critical Current

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

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
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：
l
Figure 956674DEST_PATH_IMAGE001
；
对应的标签集合：
Figure 973390DEST_PATH_IMAGE002
；
式中
Figure 895210DEST_PATH_IMAGE003
；
Figure 614904DEST_PATH_IMAGE004
为道岔异常信号标准样本和对应的标签的总数，
Figure 846034DEST_PATH_IMAGE005
为第
Figure 651179DEST_PATH_IMAGE006
个 道岔异常信号标准样本
Figure 628887DEST_PATH_IMAGE007
对应的标签；
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
Figure 203088DEST_PATH_IMAGE008
个类别
Figure 355852DEST_PATH_IMAGE009
，
Figure 631981DEST_PATH_IMAGE008
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
Figure 161182DEST_PATH_IMAGE008
个类别
Figure 42420DEST_PATH_IMAGE009
，并将标签类别
Figure 631664DEST_PATH_IMAGE010
进行编号，
Figure 411401DEST_PATH_IMAGE011
；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：
输入的是标准信号样本集
Figure 524719DEST_PATH_IMAGE012
，聚类簇数
Figure 11196DEST_PATH_IMAGE008
，最大迭代次 数N；
输出的是簇划分
Figure 17679DEST_PATH_IMAGE013
；
1.）从标准信号样本集
Figure 19133DEST_PATH_IMAGE014
中随机选取
Figure 890137DEST_PATH_IMAGE008
个信号样本，作为初始的
Figure 11546DEST_PATH_IMAGE008
个质心向量
Figure 4910DEST_PATH_IMAGE015
；
2.）对于迭代次数
Figure 431343DEST_PATH_IMAGE016
；
a.将簇划分
Figure 152043DEST_PATH_IMAGE017
初始化为
Figure 347532DEST_PATH_IMAGE018
，
Figure 511797DEST_PATH_IMAGE019
；
b.对于
Figure 205953DEST_PATH_IMAGE020
；计算各信号样本
Figure 418759DEST_PATH_IMAGE007
和各质心向量
Figure 796651DEST_PATH_IMAGE021
的差异 度
Figure 56119DEST_PATH_IMAGE022
，将
Figure 519461DEST_PATH_IMAGE007
标记最小的
Figure 519647DEST_PATH_IMAGE022
所对应的类别
Figure 486466DEST_PATH_IMAGE023
；此时
Figure 726954DEST_PATH_IMAGE024
；
c.对于
Figure 864543DEST_PATH_IMAGE025
,对
Figure 481470DEST_PATH_IMAGE026
中所有信号样本重新计算质心向量
Figure 506057DEST_PATH_IMAGE027
；
d.如果所有的
Figure 432294DEST_PATH_IMAGE008
个质心向量都没有发生变化或者达到迭代次数上限，则转到步骤 3.）；
3.）输出簇划分
Figure 339070DEST_PATH_IMAGE028
。
进一步的，还包括：
基于步骤S103后确定的多个异常信号模板，计算任意两个异常信号模板间的差异 度，得出最小差异度
Figure 431791DEST_PATH_IMAGE029
。
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：
基于步骤S104后确定的正常信号模板，计算正常信号模板与任意一个正常信号样 本间的差异度，得出最大差异度
Figure 721057DEST_PATH_IMAGE030
。
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：
Figure 241031DEST_PATH_IMAGE031
；
式中样本号
Figure 635103DEST_PATH_IMAGE032
；
Figure 843100DEST_PATH_IMAGE033
为信号样本总数，
Figure 842280DEST_PATH_IMAGE034
为第
Figure 861051DEST_PATH_IMAGE035
个信号样本；
S202：采用相关算法计算每一个信号样本与信号样本集合中任一样本差异度之 和；
Figure 991687DEST_PATH_IMAGE036
；
式中
Figure 426211DEST_PATH_IMAGE037
表示
Figure 342214DEST_PATH_IMAGE034
与信号样本集合中所有信号样本的差异度之和，
Figure 718838DEST_PATH_IMAGE038
表示
Figure 353081DEST_PATH_IMAGE034
与信 号样本集合中样本
Figure 388033DEST_PATH_IMAGE039
的差异度；
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：
Figure 348424DEST_PATH_IMAGE040
；
其中，信号样本
Figure 708998DEST_PATH_IMAGE041
即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；
Q302：判断差异度是否小于预设的阈值
Figure 17488DEST_PATH_IMAGE042
；
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：
所述阈值
Figure 856131DEST_PATH_IMAGE043
的分析计算调整方法包含：令
Figure 684410DEST_PATH_IMAGE044
，再根据实验测试结果不断调整 优化；
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；
S302：判断差异度是否小于预设的阈值
Figure 465153DEST_PATH_IMAGE045
；
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。
所述一种道岔故障诊断方法，还包括：所述阈值
Figure 542831DEST_PATH_IMAGE045
的分析计算调整方法包含：令
Figure 388427DEST_PATH_IMAGE046
，再根据实验测试结果不断调整优化；
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；
道岔信号可用
Figure 382796DEST_PATH_IMAGE047
或/和
Figure 22856DEST_PATH_IMAGE048
表示：
Figure 853409DEST_PATH_IMAGE049
（1）；
式（1）中：
Figure 14613DEST_PATH_IMAGE047
为第
Figure 817484DEST_PATH_IMAGE006
条信号点序列，由
Figure 690762DEST_PATH_IMAGE050
个信号点按照时间顺序组成，
Figure 992300DEST_PATH_IMAGE051
；
Figure 914119DEST_PATH_IMAGE004
为信号总条数，
Figure 633814DEST_PATH_IMAGE048
为第
Figure 864944DEST_PATH_IMAGE006
条信号中的第
Figure 404509DEST_PATH_IMAGE052
个多维信号点，
Figure 192337DEST_PATH_IMAGE053
为信号点编号；
Figure 953488DEST_PATH_IMAGE050
为信号点总 数，
Figure 168569DEST_PATH_IMAGE054
；
信号点
Figure 385311DEST_PATH_IMAGE055
为一个具有多维特征的向量，维数为
Figure 976830DEST_PATH_IMAGE056
，其表达式为：
Figure 608799DEST_PATH_IMAGE057
（2）；
式（2）中
Figure 181732DEST_PATH_IMAGE058
表示第
Figure 164731DEST_PATH_IMAGE006
条信号中的第
Figure 543629DEST_PATH_IMAGE052
个
Figure 764526DEST_PATH_IMAGE059
维信号点的第
Figure 39518DEST_PATH_IMAGE060
个特征参数，
Figure 775393DEST_PATH_IMAGE061
。
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；
信号点
Figure 443135DEST_PATH_IMAGE048
中元素包括同一时间点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；
或/和，
信号点
Figure 30455DEST_PATH_IMAGE048
中元素包括同一时间点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。
进一步地，信号点
Figure 23819DEST_PATH_IMAGE048
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，
信号点
Figure 184673DEST_PATH_IMAGE048
中元素包括同一时间点五线制道岔动作A相电流、道岔动作B相电流、道 岔动作C相电流中的部分或全部。
进一步地，当
Figure 170953DEST_PATH_IMAGE062
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
Figure 366442DEST_PATH_IMAGE063
，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：
l
Figure 999548DEST_PATH_IMAGE001
；
对应的标签集合：
Figure 224862DEST_PATH_IMAGE002
；式中
Figure 437669DEST_PATH_IMAGE003
；
Figure 549981DEST_PATH_IMAGE004
为道岔异常信 号标准样本和对应的标签的总数，
Figure 868836DEST_PATH_IMAGE005
为第
Figure 4282DEST_PATH_IMAGE006
个道岔异常信号标准样本
Figure 83097DEST_PATH_IMAGE007
对应的标签。
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
Figure 505375DEST_PATH_IMAGE064
个类别
Figure 745864DEST_PATH_IMAGE065
，
Figure 430923DEST_PATH_IMAGE064
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。
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
Figure 234800DEST_PATH_IMAGE008
个类别
Figure 321705DEST_PATH_IMAGE009
，并将标签类别
Figure 920045DEST_PATH_IMAGE010
进行编号，
Figure 92400DEST_PATH_IMAGE011
；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。
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：
输入的是标准信号样本集
Figure 450701DEST_PATH_IMAGE012
，聚类簇数
Figure 375800DEST_PATH_IMAGE008
，最大迭代次 数N；
输出的是簇划分
Figure 426933DEST_PATH_IMAGE013
；
1.）从标准信号样本集
Figure 86584DEST_PATH_IMAGE014
中随机选取
Figure 229334DEST_PATH_IMAGE008
个信号样本，作为初始的
Figure 25252DEST_PATH_IMAGE008
个质心向量
Figure 44023DEST_PATH_IMAGE015
；
2.）对于迭代次数
Figure 112342DEST_PATH_IMAGE016
；
a.将簇划分
Figure 874762DEST_PATH_IMAGE017
初始化为
Figure 525186DEST_PATH_IMAGE018
，
Figure 167389DEST_PATH_IMAGE019
；
b.对于
Figure 739316DEST_PATH_IMAGE020
；计算各信号样本
Figure 492377DEST_PATH_IMAGE007
和各质心向量
Figure 262887DEST_PATH_IMAGE021
的差 异度
Figure 813341DEST_PATH_IMAGE022
，将
Figure 669302DEST_PATH_IMAGE007
标记最小的
Figure 507945DEST_PATH_IMAGE022
所对应的类别
Figure 585491DEST_PATH_IMAGE023
；此时
Figure 320229DEST_PATH_IMAGE024
；
c.对于
Figure 397906DEST_PATH_IMAGE025
,对
Figure 289508DEST_PATH_IMAGE026
中所有信号样本重新计算质心向量
Figure 972293DEST_PATH_IMAGE027
；
d.如果所有的
Figure 674670DEST_PATH_IMAGE008
个质心向量都没有发生变化或者达到迭代次数上限，则转到步骤 3.）；
3.）输出簇划分
Figure 692173DEST_PATH_IMAGE028
。
另外，基于S103步骤后确定的多个异常信号模板，计算任意两个异常信号模板间 的差异度，得出最小差异度
Figure 872619DEST_PATH_IMAGE029
。此过程计算的差异度
Figure 737807DEST_PATH_IMAGE029
可以为后续故障诊断过程阈值设置 提供参考依据。
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。
基于步骤S104后确定的正常信号模板，计算正常信号模板与任意一个正常信号样 本间的差异度，得出最大差异度
Figure 818543DEST_PATH_IMAGE030
。此过程计算的差异度
Figure 870813DEST_PATH_IMAGE030
可以为后续故障检测过程阈值 设置提供参考依据。
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：
Figure 307479DEST_PATH_IMAGE031
；
式中样本号
Figure 761594DEST_PATH_IMAGE032
；
Figure 805774DEST_PATH_IMAGE033
为信号样本总数，
Figure 532290DEST_PATH_IMAGE034
为第
Figure 320118DEST_PATH_IMAGE035
个信号样本。
S202：采用相关算法计算每一个信号样本与信号样本集合中任一信号样本差异度 之和；
Figure 832002DEST_PATH_IMAGE036
；式中
Figure 296350DEST_PATH_IMAGE037
表示
Figure 526474DEST_PATH_IMAGE034
与信号样本集合中所有信号样本的差异度之和，
Figure 852413DEST_PATH_IMAGE038
表示
Figure 736580DEST_PATH_IMAGE034
与信号样本集合中样本
Figure 122562DEST_PATH_IMAGE039
的差异度。
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：
Figure 823671DEST_PATH_IMAGE040
；
其中，信号样本
Figure 422142DEST_PATH_IMAGE041
即为最具代表性信号样本。即多个样本中寻找和别的样本差异 度最小的样本，和别的样本差异度最小的样本和所有样本差异度之和最小。
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。
Q302：判断差异度是否小于预设的阈值
Figure 157886DEST_PATH_IMAGE043
；其中，阈值
Figure 918032DEST_PATH_IMAGE043
的分析计算调整方法包 含：令
Figure 372016DEST_PATH_IMAGE044
，再根据实验测试结果不断调整优化。
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。
S302：判断差异度是否小于预设的阈值
Figure 305336DEST_PATH_IMAGE045
；所述阈值
Figure 646319DEST_PATH_IMAGE045
的分析计算调整方法包 含：令
Figure 620442DEST_PATH_IMAGE046
，再根据实验测试结果不断调整优化。
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。
道岔信号可用
Figure 46875DEST_PATH_IMAGE066
或/和
Figure 236417DEST_PATH_IMAGE048
表示：
Figure 697485DEST_PATH_IMAGE049
（1）；
式（1）中：
Figure 596171DEST_PATH_IMAGE066
为第
Figure 759168DEST_PATH_IMAGE006
条信号点序列，由
Figure 237554DEST_PATH_IMAGE050
个信号点按照时间顺序组成，
Figure 599134DEST_PATH_IMAGE051
；
Figure 668721DEST_PATH_IMAGE004
为信号总条数，
Figure 804167DEST_PATH_IMAGE048
为第
Figure 135179DEST_PATH_IMAGE006
条信号中的第
Figure 39681DEST_PATH_IMAGE052
个多维信号点，
Figure 280169DEST_PATH_IMAGE053
为信号点编号；
Figure 214496DEST_PATH_IMAGE050
为信号点总 数，
Figure 769105DEST_PATH_IMAGE054
；
信号点
Figure 856010DEST_PATH_IMAGE055
为一个具有多维特征的向量，维数为
Figure 516667DEST_PATH_IMAGE056
，其表达式为：
Figure 626706DEST_PATH_IMAGE057
（2）；
式（2）中
Figure 47323DEST_PATH_IMAGE058
表示第
Figure 972423DEST_PATH_IMAGE006
条信号中的第
Figure 757976DEST_PATH_IMAGE052
个
Figure 417627DEST_PATH_IMAGE059
维信号点的第
Figure 560377DEST_PATH_IMAGE067
个特征参数，
Figure 621874DEST_PATH_IMAGE068
。
可以理解成信号点
Figure 109487DEST_PATH_IMAGE048
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
Figure 443385DEST_PATH_IMAGE069
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。
信号点
Figure 205805DEST_PATH_IMAGE048
中元素包括同一时间点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；
或/和，
信号点
Figure 308759DEST_PATH_IMAGE048
中元素包括同一时间点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。
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
Figure 498432DEST_PATH_IMAGE048
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，
信号点
Figure 804780DEST_PATH_IMAGE048
中元素包括同一时间点五线制道岔动作A相电流、道岔动作B相电流、道 岔动作C相电流中的部分或全部。
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
Figure 88999DEST_PATH_IMAGE062
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。
实施例1：
异常信号样本从某五线制道岔获取，异常信号样本可以用信号点
Figure 125088DEST_PATH_IMAGE048
表示，如：
Figure 423346DEST_PATH_IMAGE070
；
信号点
Figure 531503DEST_PATH_IMAGE048
为维数
Figure 370147DEST_PATH_IMAGE071
的多维特征的向量，特征参数
Figure 198425DEST_PATH_IMAGE058
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
Figure 979168DEST_PATH_IMAGE048
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
Figure 260108DEST_PATH_IMAGE048
，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
Figure 902442DEST_PATH_IMAGE072
表示；
Figure 631232DEST_PATH_IMAGE034
为第
Figure 271292DEST_PATH_IMAGE006
个异常信号样本，异常信号样本总数
Figure 101845DEST_PATH_IMAGE073
，计算每一个异常信号样 本与异常信号样本集合中任一异常信号样本欧式距离之和：
Figure 734821DEST_PATH_IMAGE036
；
Figure 68850DEST_PATH_IMAGE074
表示
Figure 942128DEST_PATH_IMAGE034
与
Figure 443998DEST_PATH_IMAGE039
的欧式距离；
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：
Figure 693714DEST_PATH_IMAGE040
；
其中，异常信号样本
Figure 334779DEST_PATH_IMAGE075
即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
Figure RE-DEST_PATH_IMAGE151
表2 实施例1中部分异常信号标准样本所对应的标签
Figure RE-DEST_PATH_IMAGE152
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
Figure RE-DEST_PATH_IMAGE014_6A
和各质心向量
Figure RE-DEST_PATH_IMAGE154
的差异度
Figure RE-DEST_PATH_IMAGE044AAAA
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；
具体为，对不同的异常信号标准样本类别中的异常信号标准样本集合，可以用
Figure 161976DEST_PATH_IMAGE031
表示；
Figure 222336DEST_PATH_IMAGE034
为第
Figure 588726DEST_PATH_IMAGE006
个异常信号标准样本；异常信号标准样本总数为
Figure 492485DEST_PATH_IMAGE004
，计算每一个异常信 号标准样本与异常信号标准样本集合中任一异常信号标准样本欧式距离之和：
Figure 944326DEST_PATH_IMAGE036
；
Figure 73956DEST_PATH_IMAGE038
表示
Figure 809699DEST_PATH_IMAGE034
与
Figure 366583DEST_PATH_IMAGE039
的欧式距离；
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：
Figure 554987DEST_PATH_IMAGE040
；
其中，异常信号标准信号样本
Figure 488308DEST_PATH_IMAGE075
即为异常信号模板。
接着，计算任意两个异常信号模板间的差异度，其中所述差异度算法为欧式距离， 得出最小差异度
Figure 829291DEST_PATH_IMAGE029
。
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。
在实施例1中还通过一种道岔故障检测专家知识库建立的方法建立故障检测专家 知识库；具体为获取至少一种正常信号模板，相同种类的多个正常信号样本可以用信号点
Figure 806343DEST_PATH_IMAGE048
表示，
Figure 29514DEST_PATH_IMAGE070
；
信号点
Figure 704209DEST_PATH_IMAGE048
为维数
Figure 169474DEST_PATH_IMAGE081
的多维特征的向量，特征参数
Figure 333739DEST_PATH_IMAGE058
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
Figure 44206DEST_PATH_IMAGE048
采集周期间隔为500mS；信号点记录时间为1DQJ 落下所有时间；
多个正常信号样本集合，可以用
Figure 240701DEST_PATH_IMAGE031
表示；
Figure 618592DEST_PATH_IMAGE034
为第
Figure 875130DEST_PATH_IMAGE006
个正常信号样本，正常信号样本总数
Figure 72893DEST_PATH_IMAGE073
，计算每一个正常信号样 本与正常信号样本集合中任一正常信号样本欧式距离之和：
Figure 886129DEST_PATH_IMAGE036
；
Figure 305478DEST_PATH_IMAGE038
表示
Figure 811545DEST_PATH_IMAGE034
与
Figure 434288DEST_PATH_IMAGE039
的欧式距离；
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：
Figure 303411DEST_PATH_IMAGE040
；
其中，正常信号样本
Figure 124736DEST_PATH_IMAGE075
即为道岔正常信号标准样本，将正常信号标准样本作为正 常信号模板。
接着，计算正常信号模板与任意一个正常信号样本间的差异度，其中所述差异度 算法为欧式距离，得出最大差异度
Figure 739389DEST_PATH_IMAGE030
。
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
Figure 161012DEST_PATH_IMAGE063
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：
异常信号样本从某五线制道岔获取，异常信号样本可以用信号点序列
Figure 253732DEST_PATH_IMAGE066
表示：
Figure 460723DEST_PATH_IMAGE082
；
Figure 495544DEST_PATH_IMAGE066
的第一个信号点
Figure 889616DEST_PATH_IMAGE083
的记录时间为1DQJ吸起前1S，数据点
Figure 848345DEST_PATH_IMAGE084
记录时间间隔为20mS，信号点
Figure 831213DEST_PATH_IMAGE048
维数
Figure 849985DEST_PATH_IMAGE063
，信号点序列
Figure 180953DEST_PATH_IMAGE066
中元素为不同时刻X2-X3间 离散交流电压数据，
Figure 943373DEST_PATH_IMAGE085
的最后一个信号点
Figure 797059DEST_PATH_IMAGE086
的记录时间为1DQJ落下后1S。
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
Figure 704841DEST_PATH_IMAGE066
，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
Figure 339085DEST_PATH_IMAGE031
表示；
Figure 577300DEST_PATH_IMAGE034
为第
Figure 862656DEST_PATH_IMAGE006
个异常信号样本，异常信号样本总数
Figure 692072DEST_PATH_IMAGE073
，计算每一个异常信号样 本与异常信号样本集合中任一异常信号样本DTW距离之和：
Figure 751295DEST_PATH_IMAGE036
；
Figure 104785DEST_PATH_IMAGE038
表示
Figure 667484DEST_PATH_IMAGE034
与
Figure 198960DEST_PATH_IMAGE039
的DTW距离；
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：
Figure 732097DEST_PATH_IMAGE040
；
其中，异常信号样本
Figure 374431DEST_PATH_IMAGE075
即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
Figure 119533DEST_PATH_IMAGE007
和各质心向量
Figure 8860DEST_PATH_IMAGE080
的差异度
Figure 839413DEST_PATH_IMAGE022
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；
具体为，对不同的异常信号标准样本类别中的异常信号标准样本集合，可以用
Figure 472389DEST_PATH_IMAGE031
表示；
Figure 806418DEST_PATH_IMAGE034
为第
Figure 679696DEST_PATH_IMAGE006
个异常信号标准样本；异常信号标准样本总数为
Figure 184496DEST_PATH_IMAGE004
，计算每一个异常信 号标准样本与异常信号标准样本集合中任一异常信号标准样本DTW距离之和：
Figure 168632DEST_PATH_IMAGE036
；
Figure 622747DEST_PATH_IMAGE038
表示
Figure 850947DEST_PATH_IMAGE034
与
Figure 656092DEST_PATH_IMAGE039
的DTW距离；
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：
Figure 381603DEST_PATH_IMAGE040
；
其中，信号样本
Figure 205071DEST_PATH_IMAGE075
即为异常信号模板。
接着，计算任意两个异常信号模板间的差异度，其中所述差异度算法为基于欧式 距离的DTW距离，得出最小差异度
Figure 357835DEST_PATH_IMAGE029
。
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。
在实施例2中还通过所述的一种道岔故障检测专家知识库建立的方法建立故障检 测专家知识库；具体为获取至少一种正常信号模板，相同种类的多个正常信号样本可以用 信号点序列
Figure 119118DEST_PATH_IMAGE066
表示：
Figure 959904DEST_PATH_IMAGE087
；
Figure 326294DEST_PATH_IMAGE066
的第一个信号点
Figure 712276DEST_PATH_IMAGE083
的记录时间为1DQJ吸起前1S，数据点
Figure 678964DEST_PATH_IMAGE084
记录时间间隔为20mS，信号点
Figure 543015DEST_PATH_IMAGE048
维数
Figure 826229DEST_PATH_IMAGE063
，信号点序列
Figure 838571DEST_PATH_IMAGE066
中元素为不同时刻X2-X3间 离散交流电压数据，
Figure 840025DEST_PATH_IMAGE085
的最后一个信号点
Figure 507767DEST_PATH_IMAGE086
的记录时间为1DQJ落下后1S。
多个正常信号样本集合，可以用
Figure 832438DEST_PATH_IMAGE031
表示；
Figure 825802DEST_PATH_IMAGE034
为第
Figure 501503DEST_PATH_IMAGE006
个正常信号样本，正常信号样本总数
Figure 972935DEST_PATH_IMAGE073
，计算每一个正常信号 样本与信号样本集合中任一正常信号样本DTW距离之和：
Figure 965162DEST_PATH_IMAGE036
；
Figure 316378DEST_PATH_IMAGE038
表示
Figure 26845DEST_PATH_IMAGE034
与
Figure 239652DEST_PATH_IMAGE039
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：
Figure 863881DEST_PATH_IMAGE040
；
其中，正常信号样本
Figure 667889DEST_PATH_IMAGE075
即为道岔正常信号标准样本。
接着，将正常信号标准样本作为正常信号模板，计算正常信号模板与任意一个正 常信号样本间的差异度，其中所述差异度算法为基于欧式距离的DTW距离，得出最大差异度
Figure 68915DEST_PATH_IMAGE030
。
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：
异常信号样本从某五线制道岔获取，异常信号样本可以用信号点序列
Figure 131418DEST_PATH_IMAGE066
表示：
Figure 301499DEST_PATH_IMAGE082
；
Figure 541987DEST_PATH_IMAGE066
的第一个信号点
Figure 476314DEST_PATH_IMAGE083
的记录时间为1DQJ开始，数据点
Figure 30923DEST_PATH_IMAGE084
记录时间间隔为40mS，信号点
Figure 117828DEST_PATH_IMAGE048
维数
Figure 981748DEST_PATH_IMAGE063
，信号点序列
Figure 154103DEST_PATH_IMAGE066
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，
Figure 499021DEST_PATH_IMAGE085
的最后一个信号点
Figure 706012DEST_PATH_IMAGE086
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
Figure 225986DEST_PATH_IMAGE066
，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
Figure 134905DEST_PATH_IMAGE031
表 示；
Figure 31317DEST_PATH_IMAGE034
为第
Figure 827234DEST_PATH_IMAGE006
个异常信号样本，异常信号样本总数
Figure 95274DEST_PATH_IMAGE073
，计算每一个异常信号样 本与信号样本集合中任一异常信号样本DTW距离之和：
Figure 914325DEST_PATH_IMAGE036
；
Figure 863695DEST_PATH_IMAGE038
表示
Figure 717382DEST_PATH_IMAGE034
与
Figure 176830DEST_PATH_IMAGE039
的DTW距离；
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：
Figure 748757DEST_PATH_IMAGE040
；
其中，异常信号样本
Figure 783709DEST_PATH_IMAGE075
即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
Figure 803487DEST_PATH_IMAGE007
和各质心向量
Figure 101744DEST_PATH_IMAGE080
的差异度
Figure 223284DEST_PATH_IMAGE022
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；
具体为，对不同的异常信号标准样本类别中的异常信号标准样本集合，可以用
Figure 45615DEST_PATH_IMAGE031
表示；
Figure 873894DEST_PATH_IMAGE034
为第
Figure 405369DEST_PATH_IMAGE006
个异常信号标准样本；异常信号标准样本总数为
Figure 732314DEST_PATH_IMAGE004
，计算每一个异常信 号标准样本与异常信号标准样本集合中任一异常信号标准样本DTW距离之和：
Figure 577910DEST_PATH_IMAGE036
；
Figure 323013DEST_PATH_IMAGE038
表示
Figure 12007DEST_PATH_IMAGE034
与
Figure 780243DEST_PATH_IMAGE039
的DTW距离；
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：
Figure 960689DEST_PATH_IMAGE040
；
其中，异常信号样本
Figure 278407DEST_PATH_IMAGE075
即为异常信号模板。
接着，计算任意两个异常信号模板间的差异度，其中所述差异度算法为基于欧式 距离的DTW距离，得出最小差异度
Figure 89368DEST_PATH_IMAGE029
。
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。
在实施例3中还通过所述的一种道岔故障检测专家知识库建立的方法建立故障检 测专家知识库；具体为获取至少一种正常信号模板，相同种类的多个正常信号样本可以用 信号点序列
Figure 656484DEST_PATH_IMAGE066
表示：
Figure 578304DEST_PATH_IMAGE087
；
Figure 297998DEST_PATH_IMAGE066
的第一个信号点
Figure 325866DEST_PATH_IMAGE083
的记录时间为1DQJ吸起开始，数据点
Figure 68694DEST_PATH_IMAGE084
记录时间间隔为40mS，信号点
Figure 856521DEST_PATH_IMAGE048
维数
Figure 880322DEST_PATH_IMAGE063
，信号点序列
Figure 829824DEST_PATH_IMAGE066
中元素为不同时刻五线制道 岔动作A相电流数据，
Figure 43636DEST_PATH_IMAGE085
的最后一个信号点
Figure 635155DEST_PATH_IMAGE086
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。
多个正常信号样本集合，可以用
Figure 1545DEST_PATH_IMAGE031
表示；
Figure 371215DEST_PATH_IMAGE034
为第
Figure 150953DEST_PATH_IMAGE006
个正常信号样本，正常信号样本总数
Figure 218266DEST_PATH_IMAGE073
，计算每一个正常信号 样本与正常信号样本集合中任一正常信号样本DTW距离之和：
Figure 750747DEST_PATH_IMAGE036
；
Figure 307630DEST_PATH_IMAGE038
表示
Figure 246768DEST_PATH_IMAGE034
与
Figure 166707DEST_PATH_IMAGE039
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：
Figure 507689DEST_PATH_IMAGE040
；
其中，正常信号样本
Figure 501053DEST_PATH_IMAGE075
即为道岔正常信号标准样本。
接着，将正常信号标准样本作为正常信号模板，计算正常信号模板与任意一个正 常信号样本间的差异度，其中差异度算法为基于欧式距离的DTW距离，得出最大差异度
Figure 707912DEST_PATH_IMAGE030
。
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：
Figure 382607DEST_PATH_IMAGE089
。
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：
待匹配的两个序列分别为
Figure 640413DEST_PATH_IMAGE091
和
Figure 726050DEST_PATH_IMAGE093
，其长度分别为
Figure 436517DEST_PATH_IMAGE095
和
Figure 711640DEST_PATH_IMAGE097
，匹配路径
Figure 10904DEST_PATH_IMAGE099
， 有
Figure 80491DEST_PATH_IMAGE101
，
Figure 278254DEST_PATH_IMAGE103
，满足如下条件：
边界条件：
Figure 541089DEST_PATH_IMAGE105
且
Figure 773488DEST_PATH_IMAGE107
；
单调性条件：
Figure 200927DEST_PATH_IMAGE109
，
Figure 885986DEST_PATH_IMAGE111
；
步长条件：
Figure 502912DEST_PATH_IMAGE113
。
记
Figure 776767DEST_PATH_IMAGE115
为从匹配起点到位置
Figure 188157DEST_PATH_IMAGE117
，
Figure 298196DEST_PATH_IMAGE119
，
Figure 702501DEST_PATH_IMAGE121
的累积匹配得分，
Figure 643912DEST_PATH_IMAGE123
为序列
Figure 429466DEST_PATH_IMAGE091
中元素
Figure 341314DEST_PATH_IMAGE125
和序列
Figure 237726DEST_PATH_IMAGE093
中元素
Figure 33644DEST_PATH_IMAGE127
之间的距离，则匹配路径的选择满足如式 (1)、式(2)：
Figure 301683DEST_PATH_IMAGE129
；
Figure 120735DEST_PATH_IMAGE131
；
Figure 883154DEST_PATH_IMAGE133
；
由公式(3)可得，对最优匹配路径的选择方法是：当
Figure 986108DEST_PATH_IMAGE135
，则如式(4)：
Figure 910202DEST_PATH_IMAGE137
；
据此，根据边界条件回溯可以得到最优匹配路径。
在匹配终点，累积匹配得分
Figure 544446DEST_PATH_IMAGE139
即是两个序列
Figure 31928DEST_PATH_IMAGE091
和
Figure 536858DEST_PATH_IMAGE140
相似程度的度量，称为 动态时间规整距离（DTW距离）；
其中，如果计算序列元素的距离时，采用欧氏距离，如式（5）：
Figure 897432DEST_PATH_IMAGE141
（5）；
称为
Figure 937414DEST_PATH_IMAGE142
为基于欧式距离的DTW距离。
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：
待匹配的两个序列分别为
Figure 776057DEST_PATH_IMAGE143
和
Figure 666653DEST_PATH_IMAGE144
，其长度分别为
Figure 385079DEST_PATH_IMAGE145
和
Figure 728335DEST_PATH_IMAGE146
，
V1.）计算
Figure 105090DEST_PATH_IMAGE143
和
Figure 37143DEST_PATH_IMAGE144
上各元素间距离得到距离矩阵
Figure 739520DEST_PATH_IMAGE147
如下：
Figure 757023DEST_PATH_IMAGE148
式中
Figure 937469DEST_PATH_IMAGE149
，
Figure 802657DEST_PATH_IMAGE150
；
Figure 865815DEST_PATH_IMAGE151
表示
Figure 918085DEST_PATH_IMAGE143
中的第
Figure 902221DEST_PATH_IMAGE050
个元素
Figure 808866DEST_PATH_IMAGE152
和
Figure 587466DEST_PATH_IMAGE144
中的 第
Figure 127032DEST_PATH_IMAGE004
个元素
Figure 101810DEST_PATH_IMAGE153
的距离；取
Figure 676011DEST_PATH_IMAGE154
V2.）选出距离矩阵
Figure 828775DEST_PATH_IMAGE147
中最大距离
Figure 370483DEST_PATH_IMAGE155
，以及最小距离
Figure 430843DEST_PATH_IMAGE156
， 初始化目标距离
Figure 62813DEST_PATH_IMAGE157
，并设置循环间隔
Figure 718570DEST_PATH_IMAGE158
；
V3.）将距离矩阵
Figure 170411DEST_PATH_IMAGE147
中小于或等于
Figure 34462DEST_PATH_IMAGE159
的元素设置为1，大于
Figure 832523DEST_PATH_IMAGE159
的元素设置为0，从而得 到二值矩阵
Figure 327089DEST_PATH_IMAGE160
如下：
Figure 328543DEST_PATH_IMAGE161
；
Figure 245553DEST_PATH_IMAGE162
；
式中
Figure 586535DEST_PATH_IMAGE149
，
Figure 314320DEST_PATH_IMAGE150
；
V4.）在二值矩阵
Figure 786758DEST_PATH_IMAGE160
中搜索一条满足一下条件的路径：路径的起点为
Figure 461453DEST_PATH_IMAGE163
，路径的 终点为
Figure 719259DEST_PATH_IMAGE164
，路径通过点
Figure 807825DEST_PATH_IMAGE165
后，其下一个通过的点只能为
Figure 518292DEST_PATH_IMAGE166
，
Figure 793416DEST_PATH_IMAGE167
，
Figure 358258DEST_PATH_IMAGE168
中的一个，路径中所有点的值必须为1；
V5.）若在V4.）中未找到满足条件的路径，则设置目标距离
Figure 631108DEST_PATH_IMAGE169
，之后重 复V3.）和V4.），若在V4.）中找到满足条件的路径或目标距离
Figure 78139DEST_PATH_IMAGE170
，则进入V6.）；
V6.）待匹配的两个序列
Figure 94636DEST_PATH_IMAGE143
和
Figure 61455DEST_PATH_IMAGE144
之间的弗雷歇距离
Figure DEST_PATH_IMAGE171
；
Figure DEST_PATH_IMAGE172
表示两个序列
Figure 957736DEST_PATH_IMAGE143
和
Figure 826816DEST_PATH_IMAGE144
之间的差异度的度量。
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：
Figure 1338DEST_PATH_IMAGE001
；
对应的标签集合：
Figure 849208DEST_PATH_IMAGE002
；
式中
Figure 695810DEST_PATH_IMAGE003
；
Figure 654539DEST_PATH_IMAGE004
为道岔异常信号标准样本和对应的标签的总数，
Figure 900057DEST_PATH_IMAGE005
为第
Figure 653249DEST_PATH_IMAGE006
个道岔 异常信号标准样本
Figure 737880DEST_PATH_IMAGE007
对应的标签；
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
Figure 483988DEST_PATH_IMAGE008
个类别
Figure 399991DEST_PATH_IMAGE009
，
Figure 527347DEST_PATH_IMAGE008
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
Figure 145279DEST_PATH_IMAGE008
个类别
Figure 383494DEST_PATH_IMAGE009
，并将标签类别
Figure 419583DEST_PATH_IMAGE010
进行编号，
Figure 967108DEST_PATH_IMAGE011
；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。
3.根据权利要求1或2所述的方法，其特征在于：所述聚类分析方法，包含基于K-means算法的聚类方法或/和人工统计分析的方法；
K-means算法流程如下：
输入的是标准信号样本集
Figure 823068DEST_PATH_IMAGE012
，聚类簇数
Figure 661711DEST_PATH_IMAGE008
，最大迭代次数N；
输出的是簇划分
Figure 7767DEST_PATH_IMAGE013
；
1.）从标准信号样本集
Figure 273663DEST_PATH_IMAGE014
中随机选取
Figure 803870DEST_PATH_IMAGE008
个信号样本，作为初始的
Figure 446204DEST_PATH_IMAGE008
个质心向量
Figure 128989DEST_PATH_IMAGE015
；
2.）对于迭代次数
Figure 80634DEST_PATH_IMAGE016
；
a.将簇划分
Figure 848870DEST_PATH_IMAGE017
初始化为
Figure 294894DEST_PATH_IMAGE018
，
Figure 81454DEST_PATH_IMAGE019
；
b.对于
Figure 689153DEST_PATH_IMAGE020
；计算各信号样本
Figure 7001DEST_PATH_IMAGE007
和各质心向量
Figure 464176DEST_PATH_IMAGE021
的差异度
Figure 652712DEST_PATH_IMAGE022
，将
Figure 696891DEST_PATH_IMAGE007
标记最小的
Figure 688987DEST_PATH_IMAGE022
所对应的类别
Figure 476814DEST_PATH_IMAGE023
；此时
Figure 785436DEST_PATH_IMAGE024
；
c.对于
Figure 187467DEST_PATH_IMAGE025
,对
Figure 479908DEST_PATH_IMAGE026
中所有信号样本重新计算质心向量
Figure 992798DEST_PATH_IMAGE027
；
d.如果所有的
Figure 421505DEST_PATH_IMAGE008
个质心向量都没有发生变化或者达到迭代次数上限，则转到步骤3.）；
3.）输出簇划分
Figure 10749DEST_PATH_IMAGE028
。
4.根据权利要求1所述的方法，其特征在于：基于步骤S103后确定的多个异常信号模 板，计算任意两个异常信号模板间的差异度，得出最小差异度
Figure 777105DEST_PATH_IMAGE029
。
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。
6.根据权利要求5所述的方法，其特征在于：基于步骤S104后确定的正常信号模板，计 算正常信号模板与任意一个正常信号样本间的差异度，得出最大差异度
Figure 641155DEST_PATH_IMAGE030
。
7.选取多个信号样本中最具代表性信号样本的方法，其特征在于：用于权利要求1-6中任一所述的道岔故障诊断专家知识库建立的方法，包括：
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：
Figure 127632DEST_PATH_IMAGE031
；
式中样本号
Figure 137045DEST_PATH_IMAGE032
；
Figure 341761DEST_PATH_IMAGE033
为信号样本总数，
Figure 727612DEST_PATH_IMAGE034
为第
Figure 130912DEST_PATH_IMAGE035
个信号样本；
S202：采用相关算法计算每一个信号样本与信号样本集合中任一样本差异度之和；
Figure 45647DEST_PATH_IMAGE036
；
式中
Figure 268818DEST_PATH_IMAGE037
表示
Figure 740250DEST_PATH_IMAGE034
与信号样本集合中所有信号样本的差异度之和，
Figure 182077DEST_PATH_IMAGE038
表示
Figure 346342DEST_PATH_IMAGE034
与信号样 本集合中样本
Figure 56809DEST_PATH_IMAGE039
的差异度；
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：
Figure 253304DEST_PATH_IMAGE040
；
其中，信号样本
Figure 631196DEST_PATH_IMAGE041
即为最具代表性信号样本。
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；
Q302：判断差异度是否小于预设的阈值
Figure 638466DEST_PATH_IMAGE042
；
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。
9.根据权利要求8所述的方法，其特征在于：所述阈值
Figure 351076DEST_PATH_IMAGE042
的分析计算调整方法包含：令
Figure 898732DEST_PATH_IMAGE043
，再根据实验测试结果不断调整优化。
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；
S302：判断最小差异度是否小于预设的阈值
Figure 68814DEST_PATH_IMAGE044
；
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。
12.根据权利要求10或11所述的方法，其特征在于：所述阈值
Figure 824149DEST_PATH_IMAGE044
的分析计算调整方法包 含：令
Figure 243629DEST_PATH_IMAGE045
，再根据实验测试结果不断调整优化。
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。
14.根据权利要求10所述的方法，其特征在于：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；
道岔信号可用
Figure 798238DEST_PATH_IMAGE046
或/和
Figure 137340DEST_PATH_IMAGE047
表示：
Figure 548730DEST_PATH_IMAGE048
（1）；
式（1）中：
Figure 658768DEST_PATH_IMAGE049
为第
Figure 63074DEST_PATH_IMAGE006
条信号点序列，由
Figure 207747DEST_PATH_IMAGE050
个信号点按照时间顺序组成，
Figure 55618DEST_PATH_IMAGE051
；
Figure 698958DEST_PATH_IMAGE004
为信号总条数，
Figure 595369DEST_PATH_IMAGE047
为第
Figure 391287DEST_PATH_IMAGE006
条信号中的第
Figure 597009DEST_PATH_IMAGE052
个多维信号点，
Figure 743957DEST_PATH_IMAGE053
为信号点编号；
Figure 240797DEST_PATH_IMAGE050
为信号点 总数，
Figure 340822DEST_PATH_IMAGE054
；
信号点
Figure 264915DEST_PATH_IMAGE055
为一个具有多维特征的向量，维数为
Figure 86110DEST_PATH_IMAGE056
，其表达式为：
Figure 121062DEST_PATH_IMAGE057
（2）；
式（2）中
Figure 157151DEST_PATH_IMAGE058
表示第
Figure 439097DEST_PATH_IMAGE006
条信号中的第
Figure 560636DEST_PATH_IMAGE052
个
Figure 602542DEST_PATH_IMAGE059
维信号点的第
Figure 211246DEST_PATH_IMAGE060
个特征参数，
Figure 742722DEST_PATH_IMAGE061
。
15.根据权利要求14所述的方法，其特征在于：
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；
信号点
Figure 23662DEST_PATH_IMAGE047
中元素包括同一时间点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；
或/和，
信号点
Figure 183772DEST_PATH_IMAGE047
中元素包括同一时间点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。
16.根据权利要求15所述的方法，其特征在于：信号点
Figure 866557DEST_PATH_IMAGE047
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，
信号点
Figure 303355DEST_PATH_IMAGE047
中元素包括同一时间点五线制道岔动作A相电流、道岔动作B相电流和道岔 动作C相电流中的部分或全部。
17.根据权利要求16所述的方法，其特征在于：当
Figure 383175DEST_PATH_IMAGE062
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
Figure 766883DEST_PATH_IMAGE063
时信号点采集周期间隔不大于40mS，信号点
Figure 100913DEST_PATH_IMAGE064
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。
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。
CN202210542187.2A 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 Pending CN115186694A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (2)

* Cited by examiner, † Cited by third party
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