CN115453227A - 道岔转辙机故障诊断方法、装置、设备及可读存储介质 - Google Patents
道岔转辙机故障诊断方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115453227A CN115453227A CN202210943361.4A CN202210943361A CN115453227A CN 115453227 A CN115453227 A CN 115453227A CN 202210943361 A CN202210943361 A CN 202210943361A CN 115453227 A CN115453227 A CN 115453227A
- Authority
- CN
- China
- Prior art keywords
- curve
- switch machine
- training
- sample
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 79
- 230000009471 action Effects 0.000 claims abstract description 58
- 238000003745 diagnosis Methods 0.000 claims abstract description 57
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000007257 malfunction Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 238000002372 labelling Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L5/00—Local operating mechanisms for points or track-mounted scotch-blocks; Visible or audible signals; Local operating mechanisms for visible or audible signals
- B61L5/06—Electric devices for operating points or scotch-blocks, e.g. using electromotive driving means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mechanical Engineering (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了道岔转辙机故障诊断方法、装置、设备及可读存储介质，所述方法包括：获取不同类型的道岔转辙机的动作曲线，所述动作曲线包括A相电流曲线、B相电流曲线、C相电流曲线和功率曲线；对每一个所述动作曲线进行故障标注，得到标注后的动作曲线；基于每个所述标注后的动作曲线构建样本集，并构建对比曲线集；利用所述样本集和对比曲线集对深度神经网络模型进行训练，得到训练后的深度神经网络模型；利用所述训练后的深度神经网络模型对待诊断的道岔转辙机进行故障诊断，得到故障诊断结果。在本发明中，通过融合道岔转辙机历史样本信息来帮助诊断道岔转辙机故障，有效提升了模型诊断精度。
Description
技术领域
本发明涉及铁路智能运维技术领域，具体而言，涉及道岔转辙机故障诊断方法、装置、设备及可读存储介质。
背景技术
当道岔转辙机需要执行从定位到反位或从反位到定位的转换的时候，转辙机内部的动作电路被接通以提供动力支持。此时，系统便可以通过传感器来获取这些电气信号。这些电气特性曲线作为道岔转辙机动作过程的反映，可以间接的反馈道岔转辙机的健康状态。运维人员可以通过这些电气曲线来判别道岔转辙机是否正常工作。但由于数据采集和人为分析存在一定的滞后性，难以保证对道岔转辙机的实时诊断。目前，对于转辙机设备的维护和诊断，还是依赖于周期性的检修。这种方法在以往设备数量规模较小，铁路行车不密集的情况下，并不存在较大风险。但随着列车规模的增加和和行车速度的提升，周期检修方式已无法应对铁路发展的需求。因此急需一种智能的道岔转辙机故障诊断方法。
发明内容
本发明的目的在于提供道岔转辙机故障诊断方法、装置、设备及可读存储介质，以改善上述问题。
为了实现上述目的，本申请实施例提供了如下技术方案：
一方面，本申请实施例提供了道岔转辙机故障诊断方法，所述方法包括：
获取不同类型的道岔转辙机的动作曲线，所述动作曲线包括A相电流曲线、B相电流曲线、C相电流曲线和功率曲线；
对每一个所述动作曲线进行故障标注，得到标注后的动作曲线；
基于每个所述标注后的动作曲线构建样本集，并构建对比曲线集；
利用所述样本集和对比曲线集对深度神经网络模型进行训练，得到训练后的深度神经网络模型；
利用所述训练后的深度神经网络模型对待诊断的道岔转辙机进行故障诊断，得到故障诊断结果。
第二方面，本申请实施例提供了道岔转辙机故障诊断装置，所述装置包括获取模块、标注模块、构建模块、训练模块和诊断模块。
获取模块，用于获取不同类型的道岔转辙机的动作曲线，所述动作曲线包括A相电流曲线、B相电流曲线、C相电流曲线和功率曲线；
标注模块，用于对每一个所述动作曲线进行故障标注，得到标注后的动作曲线；
构建模块，用于基于每个所述标注后的动作曲线构建样本集，并构建对比曲线集；
训练模块，用于利用所述样本集和对比曲线集对深度神经网络模型进行训练，得到训练后的深度神经网络模型；
诊断模块，用于利用所述训练后的深度神经网络模型对待诊断的道岔转辙机进行故障诊断，得到故障诊断结果。
第三方面，本申请实施例提供了道岔转辙机故障诊断设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述道岔转辙机故障诊断方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述道岔转辙机故障诊断方法的步骤。
本发明的有益效果为：
1、本发明通过挖掘不同类型道岔转辙机之间故障模式的共性，大大减少了故障诊断开销，可用于不同类型道岔转辙机设备的故障诊断，为道岔转辙机设备智能运维提供了决策依据。
2、在本发明中，通过融合道岔转辙机历史样本信息来帮助诊断道岔转辙机故障，有效提升了模型诊断精度，同时构建的模型可用于不同类型道岔转辙机设备的故障诊断。
3、在本发明中，通过数据对齐方法，将数据抽样至相同维度来构建样本集，有效解决了数据格式不统一的问题，为后续模型训练奠定数据基础。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、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
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例中所述的道岔转辙机故障诊断方法流程示意图；
图2是本发明实施例中所述的道岔转辙机故障诊断装置结构示意图；
图3是本发明实施例中所述的道岔转辙机故障诊断设备结构示意图；
图中标记：701、获取模块；702、标注模块；703、构建模块；704、训练模块；705、诊断模块；7031、对齐单元；7032、离散单元；7033、集合单元；7034、获取单元；7035、处理单元；7041、划分单元；7042、训练单元；7043、选取单元；70421、第一训练子单元；70422、第二训练子单元；704221、构建子单元；704222、组成子单元；800、道岔转辙机故障诊断设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
如图1所示，本实施例提供了道岔转辙机故障诊断方法，该方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
步骤S1、获取不同类型的道岔转辙机的动作曲线，所述动作曲线包括A相电流曲线、B相电流曲线、C相电流曲线和功率曲线；
在本步骤中，可以利用信号集中监测系统采集多种类型的道岔转辙机动作曲线；
步骤S2、对每一个所述动作曲线进行故障标注，得到标注后的动作曲线；
在本步骤中通过专业人员对每一个所述动作曲线进行故障诊断标注；
步骤S3、基于每个所述标注后的动作曲线构建样本集，并构建对比曲线集；
在本步骤中，利用步骤S31-步骤S33构建样本集；
步骤S31、对于每个所述道岔转辙机对应的标注后的动作曲线，按照时间戳方向将标注后的A相电流曲线、标注后的B相电流曲线、标注后的C相电流曲线和标注后的功率曲线对齐，并封装成第一矩阵；
步骤S32、使用数据裁剪和零值填充的处理方式对所有的所述第一矩阵进行数据对齐处理，将每个对齐处理之后的第一矩阵进行离散化处理，得到第二矩阵；
步骤S31和步骤S32可以理解为：按照时间戳方向对齐，并封装成矩阵X的形式。对于道岔转辙机动作曲线的每一种电气信号组成(即标注后的A相电流曲线、标注后的B相电流曲线、标注后的C相电流曲线和标注后的功率曲线)Xi∈X，使用零值填充和数据裁剪得到400个等距离的记录点。即少于400个记录点的数据使用0值进行补齐，多于400个记录点的数据则只保留前400个记录点。使用该记录点作为新的电气信号组成，以此构造格式统一的样本集。
同时，为了有效捕捉道岔转辙机动作曲线数据的差异，更好的识别不同类型道岔转辙机动作过程中的电气数据特征，需要对数据进行离散化处理。因此在步骤S32中对每个对齐处理之后的第一矩阵采用z-score方法进行了离散化处理；
在本步骤中，通过数据对齐方法，将数据抽样至相同维度来构建样本集，有效解决了数据格式不统一的问题，为后续模型训练奠定数据基础。
步骤S33、将所述第二矩阵作为样本，并将所有的所述第二矩阵进行集合，得到样本集。
在本步骤中，利用步骤S34-步骤S35构建对比曲线集；
步骤S34、获取每个样本对应的对比曲线，所述对比曲线为道岔转辙机最早正常运行时的动作曲线，所述对比曲线对应的所述道岔转辙机与每个所述样本对应的所述道岔转辙机相同且工作方向也相同；
在本步骤中，每个样本有其对应的道岔转辙机，那么这个样本对应的对比曲线，也是通过这个道岔转辙机所采集，并且采集这个样本对应的工作曲线时道岔转辙机的工作方向与采集对比曲线时道岔转辙机的工作方向相同；同时，为了获取道岔转辙机的退化信息特征，使用道岔转辙机最早正常运行时的动作曲线作为对比曲线；
步骤S35、按照构建所述样本的方式对每个所述对比曲线进行处理，得到每个对比曲线对应的第三矩阵，将每个所述第三矩阵作为所述对比曲线集中的元素。
在本步骤中，可以理解为每个样本对应有A相电流曲线、B相电流曲线、C相电流曲线和功率曲线，那么每个样本对应的对比曲线也就包括A相电流曲线对比曲线、B相电流曲线对比曲线、C相电流曲线对比曲线和功率曲线对比曲线，在进行处理时，也是对A相电流曲线对比曲线、B相电流曲线对比曲线、C相电流曲线对比曲线和功率曲线对比曲线进行人工标注，标注后按照时间戳方向将标注后的A相电流曲线对比曲线、标注后的B相电流曲线对比曲线、标注后的C相电流曲线对比曲线和标注后的功率曲线对比曲线对齐，并封装成第四矩阵；封装后使用数据裁剪和零值填充的处理方式对所有的所述第四矩阵进行数据对齐处理，将每个对齐处理之后的第四矩阵进行离散化处理，得到上述提及的第三矩阵；然后将所有的第三矩阵集合形成对比曲线集；
步骤S4、利用所述样本集和对比曲线集对深度神经网络模型进行训练，得到训练后的深度神经网络模型；在本步骤中，具体的训练方法为步骤S41、步骤S42和步骤S43；
步骤S41、按照预设的比例将所述样本集划分成训练集和验证集；
在本步骤中，除了将其划分成训练集和验证集之外，若为了测试模型的性能，还可以将其划分成训练集、验证集和测试集；
步骤S42、利用所述训练集和所述对比曲线集对深度神经网络模型进行训练，其中，在在进行训练的前N个轮次中，对第一子模型进行训练，从进行训练的第N+1个轮次开始，停止对所述第一子模型的训练，对第二子模型进行训练；所述第一子模型包括孪生的多维时间卷积网络、全连接层和softmax函数，所述第二子模型包括图注意力神经网络层和softmax函数，N为正整数；
为了使模型训练更加平稳，加快模型拟合，防止模型训练耗时过久，本实施例采用分阶段训练的方式来训练模型，通过每次训练部分子模型实现快速收敛，在本步骤中，N的取值可以根据用户需求进行自定义设置，在本实施例中，N为200，即前200轮次对第一子模型进行训练，从201个轮次开始对第二子模型进行训练；在每个轮次中，使用交叉熵函数定义模型损失，并使用Adam优化器进行参数更新；本步骤的具体训练方法包括步骤S421和步骤S422；
步骤S421、在进行训练的前N个轮次中，对第一子模型进行训练，其中，通过孪生的多维时间卷积网络来分别提取训练集数据中每个样本和每个样本对应的所述第三矩阵的特征，将提取到的全部特征输入全连接层，输出特征序列，将所述特征序列进行展平操作处理，展平处理后输入softmax函数中，得到不同诊断类别的置信度得分，N为正整数；
本步骤可以理解为：为了获取道岔转辙机的退化信息特征，使用道岔转辙机最早正常运行时的道岔转辙机动作曲线作为对比曲线。道岔转辙机对比曲线信息是该类型道岔转辙机正常运转过程的电气表达，对比其与道岔转辙机动作曲线的差异可有效辨析设备的退化情况。时间卷积网络(Temporal Convolutional Network，TCN)在多项序列处理任务方面表现出强大的性能和并行性，通过孪生的3层多维TCN网络来分别提取道岔转辙机动作曲线和对比曲线的特征。道岔转辙机动作曲线和对比曲线的数据形式和规格相同，使用同一特征提取器分别提取两者特征，并使用全连接层学习其差异性信息，即道岔转辙机退化信息特征；
步骤S422、从进行训练的第N+1个轮次开始，停止对所述第一子模型的训练，对第二子模型进行训练，其中，构建样本关联网络图，将所述样本关联网络图通过邻接矩阵表示，将每个样本对应的所述特征序列和所述邻接矩阵输入图注意力神经网络层中，使用图注意力神经网络层对所述邻接矩阵进行处理，提取图特征；将所述图特征进行展平操作处理，展平处理后输入softmax函数中，得到不同诊断类别的置信度得分；
在本步骤中，将样本关联网络图使用邻接矩阵进行表示，邻接矩阵的顶点为不同样本记录，邻接矩阵中的数值为两个样本之间的关联关系存在性，存在关联关系为1，反之为0；使用图注意力神经网络层对图特征进行提取，图注意力神经网络层使用自注意力来进行特征聚合，并通过多头注意力机制保障训练稳定性；本步骤中的样本关联网络图的构建方法具体包括步骤S4221和步骤S4222；
步骤S4221、在构建每个所述样本对应的样本关联子网络图时，将每个所述样本对应的道岔转辙机记为第一道岔转辙机，将所述第一道岔转辙机对应的工作曲线作为所述样本关联子网络图中的节点，并根据每个所述节点分别与其前两个邻居节点之间的关联性作为节点的边；所述节点和两个所述邻居节点对应的工作曲线为所述第一道岔转辙机处于相同的工作方向，且处于同一个使用周期内所采集的；且所述节点对应的工作曲线的采集时间与最前面的所述邻居节点对应的工作曲线的采集时间之间的时间长度小于预设时间长度；
本步骤可以理解为：每个样本具有对应的一个样本关联子网络，其中，在构建此样本关联子网络时，将这个样本对应的道岔转辙机记为第一道岔转辙机，然后获取此第一道岔转辙机的历史工作曲线，将每一个历史工作曲线都作为一个节点(记为三号节点)，按照时间距离远近进行历史工作曲线筛选，时间越近，可参考性越强，因此选取此节点的前两个节点，分别记为二号节点和一号节点，一号节点的采集时间最早，二号节点次之，三号节点的采集时间最晚，这三个节点必须满足一定的条件，即采集这三个节点对应的工作曲线时，第一道岔转辙机处于相同的工作方向且处于同一个使用周期内，并且三号节点对应的工作曲线的采集时间与一号节点对应的工作曲线的采集时间之间的时间间隔不能超过1天；同时，在本步骤中，使用周期为：将道岔转辙机在两个维修时间点之间的时间段视为一个使用周期；
步骤S4222、将所有的所述样本关联子网络图组成所述样本关联网络图。
通过上述步骤，可以得出本实施例在道岔转辙机历史动作曲线库上构建样本关联网络图，利用历史样本信息来帮助故障诊断。该方法能达到极高的诊断精度，可用于不同类型道岔转辙机设备的故障诊断，可有效帮助运维人员鉴别设备故障；
步骤S43、在每个轮次训练结束后，得到一个训练后的模型，利用所述验证集测试此模型的精度，当所有的轮次结束后，选取精度最高的所述训练后的模型作为所述训练后的深度神经网络模型。
步骤S5、利用所述训练后的深度神经网络模型对待诊断的道岔转辙机进行故障诊断，得到故障诊断结果。
在实际使用时，对待诊断的道岔转辙机进行故障诊断时，当模型输出不同诊断类别的置信度得分后，将置信度得分最高的诊断类别作为待诊断的道岔转辙机出现的故障类别。
实施例2
如图2所示，本实施例提供了道岔转辙机故障诊断装置，所述装置包括获取模块701、标注模块702、构建模块703、训练模块704和诊断模块705。
获取模块701，用于获取不同类型的道岔转辙机的动作曲线，所述动作曲线包括A相电流曲线、B相电流曲线、C相电流曲线和功率曲线；
标注模块702，用于对每一个所述动作曲线进行故障标注，得到标注后的动作曲线；
构建模块703，用于基于每个所述标注后的动作曲线构建样本集，并构建对比曲线集；
训练模块704，用于利用所述样本集和对比曲线集对深度神经网络模型进行训练，得到训练后的深度神经网络模型；
诊断模块705，用于利用所述训练后的深度神经网络模型对待诊断的道岔转辙机进行故障诊断，得到故障诊断结果。
在本公开的一种具体实施方式中，所述构建模块703，还包括对齐单元7031、离散单元7032和集合单元7033。
对齐单元7031，用于对于每个所述道岔转辙机对应的标注后的动作曲线，按照时间戳方向将标注后的A相电流曲线、标注后的B相电流曲线、标注后的C相电流曲线和标注后的功率曲线对齐，并封装成第一矩阵；
离散单元7032，用于使用数据裁剪和零值填充的处理方式对所有的所述第一矩阵进行数据对齐处理，将每个对齐处理之后的第一矩阵进行离散化处理，得到第二矩阵；
集合单元7033，用于将所述第二矩阵作为样本，并将所有的所述第二矩阵进行集合，得到样本集。
在本公开的一种具体实施方式中，所述构建模块703，还包括获取单元7034和处理单元7035。
获取单元7034，用于获取每个样本对应的对比曲线，所述对比曲线为道岔转辙机最早正常运行时的动作曲线，所述对比曲线对应的所述道岔转辙机与每个所述样本对应的所述道岔转辙机相同且工作方向也相同；
处理单元7035，用于按照构建所述样本的方式对每个所述对比曲线进行处理，得到每个对比曲线对应的第三矩阵，将每个所述第三矩阵作为所述对比曲线集中的元素。
在本公开的一种具体实施方式中，所述训练模块704，还包括划分单元7041、训练单元7042和选取单元7043。
划分单元7041，用于按照预设的比例将所述样本集划分成训练集和验证集；
训练单元7042，用于利用所述训练集和所述对比曲线集对深度神经网络模型进行训练，其中，在在进行训练的前N个轮次中，对第一子模型进行训练，从进行训练的第N+1个轮次开始，停止对所述第一子模型的训练，对第二子模型进行训练；所述第一子模型包括孪生的多维时间卷积网络、全连接层和softmax函数，所述第二子模型包括图注意力神经网络层和softmax函数，N为正整数；
选取单元7043，用于在每个轮次训练结束后，得到一个训练后的模型，利用所述验证集测试此模型的精度，当所有的轮次结束后，选取精度最高的所述训练后的模型作为所述训练后的深度神经网络模型。
在本公开的一种具体实施方式中，所述训练单元7042，还包括第一训练子单元70421和第二训练子单元70422，用于。
第一训练子单元70421，用于在进行训练的前N个轮次中，对第一子模型进行训练，其中，通过孪生的多维时间卷积网络来分别提取训练集数据中每个样本和每个样本对应的所述第三矩阵的特征，将提取到的全部特征输入全连接层，输出特征序列，将所述特征序列进行展平操作处理，展平处理后输入softmax函数中，得到不同诊断类别的置信度得分，N为正整数；
第二训练子单元70422，用于从进行训练的第N+1个轮次开始，停止对所述第一子模型的训练，对第二子模型进行训练，其中，构建样本关联网络图，将所述样本关联网络图通过邻接矩阵表示，将每个样本对应的所述特征序列和所述邻接矩阵输入图注意力神经网络层中，使用图注意力神经网络层对所述邻接矩阵进行处理，提取图特征；将所述图特征进行展平操作处理，展平处理后输入softmax函数中，得到不同诊断类别的置信度得分。
在本公开的一种具体实施方式中，所述第二训练子单元70422，还包括构建子单元704221和组成子单元704222。
构建子单元704221，用于在构建每个所述样本对应的样本关联子网络图时，将每个所述样本对应的道岔转辙机记为第一道岔转辙机，将所述第一道岔转辙机对应的工作曲线作为所述样本关联子网络图中的节点，并根据每个所述节点分别与其前两个邻居节点之间的关联性作为节点的边；所述节点和两个所述邻居节点对应的工作曲线为所述第一道岔转辙机处于相同的工作方向，且处于同一个使用周期内所采集的；且所述节点对应的工作曲线的采集时间与最前面的所述邻居节点对应的工作曲线的采集时间之间的时间长度小于预设时间长度；
组成子单元704222，用于将所有的所述样本关联子网络图组成所述样本关联网络图。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例，本公开实施例还提供了道岔转辙机故障诊断设备，下文描述的道岔转辙机故障诊断设备与上文描述的道岔转辙机故障诊断方法可相互对应参照。
图3是根据一示例性实施例示出的道岔转辙机故障诊断设备800的框图。如图3所示，该道岔转辙机故障诊断设备800可以包括：处理器801，存储器802。该道岔转辙机故障诊断设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该道岔转辙机故障诊断设备800的整体操作，以完成上述的道岔转辙机故障诊断方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该道岔转辙机故障诊断设备800的操作，这些数据例如可以包括用于在该道岔转辙机故障诊断设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static RandomAccess Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该道岔转辙机故障诊断设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，该道岔转辙机故障诊断设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的道岔转辙机故障诊断方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的道岔转辙机故障诊断方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由该道岔转辙机故障诊断设备800的处理器801执行以完成上述的道岔转辙机故障诊断方法。
实施例4
相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的道岔转辙机故障诊断方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的道岔转辙机故障诊断方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.道岔转辙机故障诊断方法，其特征在于，包括：
获取不同类型的道岔转辙机的动作曲线，所述动作曲线包括A相电流曲线、B相电流曲线、C相电流曲线和功率曲线；
对每一个所述动作曲线进行故障标注，得到标注后的动作曲线；
基于每个所述标注后的动作曲线构建样本集，并构建对比曲线集；
利用所述样本集和对比曲线集对深度神经网络模型进行训练，得到训练后的深度神经网络模型；
利用所述训练后的深度神经网络模型对待诊断的道岔转辙机进行故障诊断，得到故障诊断结果。
2.根据权利要求1所述的道岔转辙机故障诊断方法，其特征在于，基于每个所述标注后的动作曲线构建样本集，包括：
对于每个所述道岔转辙机对应的标注后的动作曲线，按照时间戳方向将标注后的A相电流曲线、标注后的B相电流曲线、标注后的C相电流曲线和标注后的功率曲线对齐，并封装成第一矩阵；
使用数据裁剪和零值填充的处理方式对所有的所述第一矩阵进行数据对齐处理，将每个对齐处理之后的第一矩阵进行离散化处理，得到第二矩阵；
将所述第二矩阵作为样本，并将所有的所述第二矩阵进行集合，得到样本集。
3.根据权利要求1所述的道岔转辙机故障诊断方法，其特征在于，所述对比曲线集的构建方法，包括：
获取每个样本对应的对比曲线，所述对比曲线为道岔转辙机最早正常运行时的动作曲线，所述对比曲线对应的所述道岔转辙机与每个所述样本对应的所述道岔转辙机相同且工作方向也相同；
按照构建所述样本的方式对每个所述对比曲线进行处理，得到每个对比曲线对应的第三矩阵，将每个所述第三矩阵作为所述对比曲线集中的元素。
4.根据权利要求1所述的道岔转辙机故障诊断方法，其特征在于，利用所述样本集和对比曲线集对深度神经网络模型进行训练，得到训练后的深度神经网络模型，包括：
按照预设的比例将所述样本集划分成训练集和验证集；
利用所述训练集和所述对比曲线集对深度神经网络模型进行训练，其中，在在进行训练的前N个轮次中，对第一子模型进行训练，从进行训练的第N+1个轮次开始，停止对所述第一子模型的训练，对第二子模型进行训练；所述第一子模型包括孪生的多维时间卷积网络、全连接层和softmax函数，所述第二子模型包括图注意力神经网络层和softmax函数，N为正整数；
在每个轮次训练结束后，得到一个训练后的模型，利用所述验证集测试此模型的精度，当所有的轮次结束后，选取精度最高的所述训练后的模型作为所述训练后的深度神经网络模型。
5.道岔转辙机故障诊断装置，其特征在于，包括：
获取模块，用于获取不同类型的道岔转辙机的动作曲线，所述动作曲线包括A相电流曲线、B相电流曲线、C相电流曲线和功率曲线；
标注模块，用于对每一个所述动作曲线进行故障标注，得到标注后的动作曲线；
构建模块，用于基于每个所述标注后的动作曲线构建样本集，并构建对比曲线集；
训练模块，用于利用所述样本集和对比曲线集对深度神经网络模型进行训练，得到训练后的深度神经网络模型；
诊断模块，用于利用所述训练后的深度神经网络模型对待诊断的道岔转辙机进行故障诊断，得到故障诊断结果。
6.根据权利要求5所述的道岔转辙机故障诊断装置，其特征在于，构建模块，包括：
对齐单元，用于对于每个所述道岔转辙机对应的标注后的动作曲线，按照时间戳方向将标注后的A相电流曲线、标注后的B相电流曲线、标注后的C相电流曲线和标注后的功率曲线对齐，并封装成第一矩阵；
离散单元，用于使用数据裁剪和零值填充的处理方式对所有的所述第一矩阵进行数据对齐处理，将每个对齐处理之后的第一矩阵进行离散化处理，得到第二矩阵；
集合单元，用于将所述第二矩阵作为样本，并将所有的所述第二矩阵进行集合，得到样本集。
7.根据权利要求5所述的道岔转辙机故障诊断装置，其特征在于，构建模块，包括：
获取单元，用于获取每个样本对应的对比曲线，所述对比曲线为道岔转辙机最早正常运行时的动作曲线，所述对比曲线对应的所述道岔转辙机与每个所述样本对应的所述道岔转辙机相同且工作方向也相同；
处理单元，用于按照构建所述样本的方式对每个所述对比曲线进行处理，得到每个对比曲线对应的第三矩阵，将每个所述第三矩阵作为所述对比曲线集中的元素。
8.根据权利要求5所述的道岔转辙机故障诊断装置，其特征在于，训练模块，包括：
划分单元，用于按照预设的比例将所述样本集划分成训练集和验证集；
训练单元，用于利用所述训练集和所述对比曲线集对深度神经网络模型进行训练，其中，在在进行训练的前N个轮次中，对第一子模型进行训练，从进行训练的第N+1个轮次开始，停止对所述第一子模型的训练，对第二子模型进行训练；所述第一子模型包括孪生的多维时间卷积网络、全连接层和softmax函数，所述第二子模型包括图注意力神经网络层和softmax函数，N为正整数；
选取单元，用于在每个轮次训练结束后，得到一个训练后的模型，利用所述验证集测试此模型的精度，当所有的轮次结束后，选取精度最高的所述训练后的模型作为所述训练后的深度神经网络模型。
9.道岔转辙机故障诊断设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述道岔转辙机故障诊断方法的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述道岔转辙机故障诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210943361.4A CN115453227A (zh) | 2022-08-08 | 2022-08-08 | 道岔转辙机故障诊断方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210943361.4A CN115453227A (zh) | 2022-08-08 | 2022-08-08 | 道岔转辙机故障诊断方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115453227A true CN115453227A (zh) | 2022-12-09 |
Family
ID=84296928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210943361.4A Pending CN115453227A (zh) | 2022-08-08 | 2022-08-08 | 道岔转辙机故障诊断方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115453227A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117741512A (zh) * | 2024-02-20 | 2024-03-22 | 山东铁路投资控股集团有限公司 | 一种基于神经网络的转辙机状态检测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108593260A (zh) * | 2018-04-24 | 2018-09-28 | 国家电网公司 | 光缆线路故障定位和检测方法及终端设备 |
| CN109034192A (zh) * | 2018-06-20 | 2018-12-18 | 西南交通大学 | 一种基于深度学习的轨道-车体振动状态预测方法 |
| DE102019200031A1 (de) * | 2019-01-03 | 2020-07-09 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zum Ermitteln einer Fehlerursache bei Weichenstörungen im schienengebundenen Verkehr |
| CN112098715A (zh) * | 2020-09-18 | 2020-12-18 | 宁波智诚祥科技发展有限公司 | 基于5g和修正gcn图神经网络的电能监控与预警系统 |
| CN112668715A (zh) * | 2020-12-28 | 2021-04-16 | 卡斯柯信号有限公司 | 一种基于机器学习的道岔转辙机异常诊断方法及系统 |
| CN113344024A (zh) * | 2021-04-22 | 2021-09-03 | 华中科技大学 | 锂离子电池热失控分级预警方法及预警系统 |
| CN114184883A (zh) * | 2021-11-22 | 2022-03-15 | 国网河南省电力公司漯河供电公司 | 一种基于配电网故障仿真的配网故障检测精度计算方法 |
| CN114239703A (zh) * | 2021-12-01 | 2022-03-25 | 湖南大学 | 主动配电系统故障诊断方法、系统、设备及存储介质 |
-
2022
- 2022-08-08 CN CN202210943361.4A patent/CN115453227A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108593260A (zh) * | 2018-04-24 | 2018-09-28 | 国家电网公司 | 光缆线路故障定位和检测方法及终端设备 |
| CN109034192A (zh) * | 2018-06-20 | 2018-12-18 | 西南交通大学 | 一种基于深度学习的轨道-车体振动状态预测方法 |
| DE102019200031A1 (de) * | 2019-01-03 | 2020-07-09 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zum Ermitteln einer Fehlerursache bei Weichenstörungen im schienengebundenen Verkehr |
| CN112098715A (zh) * | 2020-09-18 | 2020-12-18 | 宁波智诚祥科技发展有限公司 | 基于5g和修正gcn图神经网络的电能监控与预警系统 |
| CN112668715A (zh) * | 2020-12-28 | 2021-04-16 | 卡斯柯信号有限公司 | 一种基于机器学习的道岔转辙机异常诊断方法及系统 |
| CN113344024A (zh) * | 2021-04-22 | 2021-09-03 | 华中科技大学 | 锂离子电池热失控分级预警方法及预警系统 |
| CN114184883A (zh) * | 2021-11-22 | 2022-03-15 | 国网河南省电力公司漯河供电公司 | 一种基于配电网故障仿真的配网故障检测精度计算方法 |
| CN114239703A (zh) * | 2021-12-01 | 2022-03-25 | 湖南大学 | 主动配电系统故障诊断方法、系统、设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117741512A (zh) * | 2024-02-20 | 2024-03-22 | 山东铁路投资控股集团有限公司 | 一种基于神经网络的转辙机状态检测方法及系统 |
| CN117741512B (zh) * | 2024-02-20 | 2024-06-07 | 山东铁路投资控股集团有限公司 | 一种基于神经网络的转辙机状态检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115857447B (zh) | 基于数字孪生的复杂工业系统运行监测方法及系统 | |
| CN106154209A (zh) | 基于决策树算法的电能表故障预测方法 | |
| CN112910089A (zh) | 一种变电站二次设备故障逻辑可视化方法及系统 | |
| CN112327808A (zh) | 一种汽车故障诊断方法、系统和汽车故障诊断仪 | |
| CN110659173A (zh) | 一种运维系统及方法 | |
| JPWO2008120552A1 (ja) | 診断システム | |
| CN104391190A (zh) | 一种用于测量仪器的远程诊断系统及诊断方法 | |
| CN110646685B (zh) | 一种开关柜状态综合评估方法 | |
| CN110992210A (zh) | 一种动态智能抄表方法及系统 | |
| CN115453227A (zh) | 道岔转辙机故障诊断方法、装置、设备及可读存储介质 | |
| CN118071039B (zh) | 基于人工智能的空调维保数据监管方法及系统 | |
| CN116861503A (zh) | 一种基于大数据的电力变压器数字孪生模型的构建方法 | |
| CN117827508A (zh) | 一种基于系统日志数据的异常检测方法 | |
| CN113825162B (zh) | 电信网络故障原因定位方法及装置 | |
| CN117708735A (zh) | 一种基于多点校核的量测数据拟合方法、介质及系统 | |
| CN116859272A (zh) | 电池容量异变检测方法、装置、计算机设备及存储介质 | |
| CN105072056A (zh) | 一种交换机自动巡检系统及其巡检方法 | |
| CN112345972A (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及系统 | |
| CN108493929B (zh) | 一种电力系统暂态稳定预测模型建模方法及系统 | |
| CN111190944A (zh) | 一种数据挖掘方法和系统 | |
| CN114564518B (zh) | 一种火电机组多工况状态次数和非停率实时统计的方法 | |
| CN112242929B (zh) | 日志检测方法及装置 | |
| CN109592525A (zh) | 电梯变频器故障诊断系统及方法 | |
| CN111625517B (zh) | 基于变化存储的新能源实时数据处理方法及装置 | |
| CN114065651A (zh) | 一种用于旋转类设备的故障时间预测方法 |
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 |