CN115859090A - 基于1dcnn-lstm的道岔故障诊断方法及系统 - Google Patents
基于1dcnn-lstm的道岔故障诊断方法及系统 Download PDFInfo
- Publication number
- CN115859090A CN115859090A CN202310152375.9A CN202310152375A CN115859090A CN 115859090 A CN115859090 A CN 115859090A CN 202310152375 A CN202310152375 A CN 202310152375A CN 115859090 A CN115859090 A CN 115859090A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- turnout
- neural network
- input signal
- channel input
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000009471 action Effects 0.000 claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 33
- 238000013135 deep learning Methods 0.000 claims abstract description 30
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000007787 long-term memory Effects 0.000 claims abstract description 11
- 230000006403 short-term memory Effects 0.000 claims abstract description 11
- 238000011176 pooling Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 230000001012 protector Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 12
- 230000015654 memory Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开基于1DCNN‑LSTM的道岔故障诊断方法及系统，涉及故障诊断领域，该方法包括：采用经验模态分解算法对待诊断动作功率信号进行不同频率分解，获得多个固有模态函数信号；从多个所述固有模态函数信号中选取出多通道输入信号；将所述多通道输入信号输入道岔转辙机故障诊断模型，输出故障诊断识别结果；所述道岔转辙机故障诊断模型是通过动作功率数据集对深度学习神经网络进行训练确定的；所述深度学习神经网络包括依次连接的一维卷积神经网络和长短期记忆网络；所述动作功率数据集中样本数据包括多通道输入信号和多通道输入信号对应的状态类型，所述状态类型包括正常运行状态和故障状态，本发明提高了道岔转辙机故障诊断效率。
Description
技术领域
本发明涉及故障检测技术领域，特别是涉及一种基于1DCNN-LSTM的道岔故障诊断方法及系统。
背景技术
道岔转辙机作为铁路基础设施被应用于引导列车到达预定的路线，从而确保每辆列车的平稳运行。然而，运输繁忙、客货运输密度大等工作环境常使其动作杆、表示杆、齿轮等关键部件发生故障，影响列车的安全可靠运行。如果道岔不能按照需求及时转换到相应的位置，将会影响该线段整个列车的正常运行，严重时将会造成列车脱轨事故的发生。
现主要的故障识别方式是通过集中监测系统实时监测转辙机动作时的工作电流、工作功率等，信号维护人员通过对比正常动作时的参考数据来处理道岔隐患。这种方式具有一定的人为主观因素，在复杂多变的工作环境下很难实现对转辙机故障的快速定位并完成道岔设备的状态修改。因此，研究道岔转辙机智能故障诊断对保障高速列车的安全可靠运行和降低维修成本具有重要意义，是适应新形势下铁路运维智能化发展的方向。
发明内容
本发明的目的是提供一种基于1DCNN-LSTM的道岔故障诊断方法、系统、设备及存储介质，提高了故障诊断的效率。
为实现上述目的，本发明提供了如下方案：
一种基于1DCNN-LSTM的道岔故障诊断方法，包括：
获取待诊断道岔转辙机的动作功率信号；
采用经验模态分解算法对所述动作功率信号进行不同频率分解，获得多个固有模态函数信号；
从多个所述固有模态函数信号中选取出多通道输入信号；
将所述多通道输入信号输入道岔转辙机故障诊断模型，输出故障诊断识别结果；所述道岔转辙机故障诊断模型是通过动作功率数据集对深度学习神经网络进行训练确定的；
所述深度学习神经网络包括依次连接的一维卷积神经网络和长短期记忆网络；所述动作功率数据集中样本数据包括多通道输入信号和多通道输入信号对应的状态类型，所述状态类型包括正常运行状态和故障状态。
可选地，从多个所述固有模态函数信号中选取出多通道输入信号，具体包括：
按照频率从高到低的顺序将多个所述固有模态函数信号进行排序，并选取出前三个信号作为多通道输入信号。
可选地，所述一维卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层；
所述深度学习神经网络还包括依次连接的展平层、全连接层和输出层，所述长短期记忆网络的输出连接所述展平层的输入。
可选地，所述故障状态包括电路二极管损坏、动作杆卡死、转辙机内部和道岔连接部分发生故障、转辙机齿轮与齿轮块之间卡死、断相保护器发生故障。
可选地，所述深度学习神经网络的训练过程包括：
基于所述动作功率数据集，采用Adam优化器更新所述深度学习神经网络的参数，采用交叉熵损失函数作为训练中的损失函数，以多通道输入信号为输入，多通道输入信号对应的状态类型为输出训练所述深度学习神经网络，将训练好的所述深度学习神经网络作为所述道岔转辙机故障诊断模型。
本发明还公开了一种基于1DCNN-LSTM的道岔故障诊断系统，包括：
待诊断动作功率信号获取模块，用于获取待诊断道岔转辙机的动作功率信号；
经验模态分解模块，用于采用经验模态分解算法对所述动作功率信号进行不同频率分解，获得多个固有模态函数信号；
多通道输入信号确定模块，用于从多个所述固有模态函数信号中选取出多通道输入信号；
故障诊断识别结果确定模块，用于将所述多通道输入信号输入道岔转辙机故障诊断模型，输出故障诊断识别结果；所述道岔转辙机故障诊断模型是通过动作功率数据集对深度学习神经网络进行训练确定的；
所述深度学习神经网络包括依次连接的一维卷积神经网络和长短期记忆网络；所述动作功率数据集中样本数据包括多通道输入信号和多通道输入信号对应的状态类型，所述状态类型包括正常运行状态和故障状态。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明首先利用经验模态分解算法对动作功率信号进行不同频率分解，从中确定多通道输入信号，采用一维卷积神经网络对多通道输入信号进行局部特征提取，并利用长短期记忆网络从已提取的局部特征中选择性提取长距离特征，从而实现对动作功率信号的快速故障诊断，提高了故障诊断的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于1DCNN-LSTM的道岔故障诊断方法流程示意图；
图2为本发明实施例提供的道岔转辙机正常运行状态时的动作功率曲线图；
图3为本发明实施例提供的道岔转辙机电路二极管损坏时的动作功率曲线图；
图4为本发明实施例提供的道岔转辙机动作杆被外来物卡死时的动作功率曲线图；
图5为本发明实施例提供的道岔转辙机转辙机内部和道岔连接部分发生故障时的动作功率曲线图；
图6为本发明实施例提供的道岔转辙机转辙机齿轮与齿轮块之间卡死时的动作功率曲线图；
图7为本发明实施例提供的道岔转辙机转辙机断相保护器发生故障时的动作功率曲线图；
图8为本发明实施例提供的图3中电路二极管损坏时的动作功率信号经过EMD算法分解后，选取的前三个IMF信号；
图9为本发明实施例提供的道岔转辙机故障诊断模型结构示意图；
图10为本发明实施例提供的道岔转辙机故障诊断模型与DenseNet卷积神经网络模型在相同的训练集训练过程中诊断准确性对比示意图；
图11为本发明实施例提供的道岔转辙机故障诊断模型与DenseNet卷积神经网络模型在相同的训练集训练过程中损失值对比示意图；
图12为本发明实施例提供的道岔转辙机故障诊断模型与DenseNet卷积神经网络模型在在相同的测试集测试后诊断结果可视化混淆矩阵图；
图13为本发明实施例提供的道岔转辙机故障诊断模型中用t-分布随机近邻嵌入展示的各层特征学习能力效果图；
图14为本发明一种基于1DCNN-LSTM的道岔故障诊断系统结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
本发明的目的是提供一种基于1DCNN-LSTM的道岔故障诊断方法、系统、设备及存储介质，提高了故障诊断的效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本发明一种基于1DCNN-LSTM的道岔故障诊断方法，包括：
步骤101：获取待诊断道岔转辙机的动作功率信号。
步骤102：采用经验模态分解算法对所述动作功率信号进行不同频率分解，获得多个固有模态函数信号。
其中，步骤102具体包括：
本发明经验模态分解(Empirical Mode Decomposition，EMD)算法将动作功率信息进行自适应分解，得到若干个频率不同的固有模态函数信号(Intrinsic ModeFunction，IMF)分量，能够更有效地挖掘原始数据的信息。
每个IMF分量有两个约束条件：一是极值点数和零点数必须相等或相差最多不能超过一个；二是上包络线和下包络线相对时间轴局部对称。假设待分解动作功率信号为P(t)，具体的EMD算法通过以下步骤实现：
步骤1021：确定P(t)所有的极大值点和极小值点，上包络线g(t)和下包络线k(t)由三次样条插值法对所有极值点进行拟合得到，则上下包络线的平均值m1(t)为:
步骤1022：第一个分量h1(t)由信号P(t)与平均值m1(t)相减得到，即：
h1(t)=P(t)-m1(t) (2)
步骤1023：若分量h1(t)满足IMF的两个约束条件，则为第一个IMF分量，记c1(t)=h1(t)；若分量h1(t)不满足，则把P(t)换成h1(t)（用h1(t)更新P(t)）重复步骤1021-步骤1023，并假设k次重复后满足IMF的两个约束条件，即：
c1(t)=h1k(t)=h1(k-1)(t)-m1k(t) (3)
步骤1024：第一个残余分量r1(t)由信号P(t)与第一个IMF分量c1(t)相减得到，即：
r1(t)=P(t)-c1(t) (4)
步骤1025：把信号P(t)替换成r1(t)（用r1(t)更新P(t)）重复步骤1021到步骤1024，可以得到第二个IMF分量c2(t)，第二个残余分量r2(t)；假设重复上述过程n次后，rn(t)是一个单调函数，无法从中再提取IMF分量，循环结束。
步骤1026：整理以上分解出来的n个IMF信号，即c1(t)、c2(t)、…、cn(t)，分别携带了信号P(t)不同频段的成分。
步骤103：从多个所述固有模态函数信号中选取出多通道输入信号。
其中，步骤103具体包括：
按照频率从高到低的顺序将多个所述固有模态函数信号进行排序，并选取出前三个信号作为多通道输入信号。
步骤104：将所述多通道输入信号输入道岔转辙机故障诊断模型，输出故障诊断识别结果；所述道岔转辙机故障诊断模型是通过动作功率数据集对深度学习神经网络进行训练确定的。
其中，1DCNN-LSTM中1DCNN表示基于一维卷积神经网络，LSTM表示长短期记忆网络。
所述深度学习神经网络包括依次连接的输入层、一维卷积神经网络和长短期记忆网络；所述动作功率数据集中样本数据包括多通道输入信号和多通道输入信号对应的状态类型，所述状态类型包括正常运行状态和故障状态。
所述一维卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层。
所述深度学习神经网络还包括依次连接的展平层、全连接层和输出层，所述长短期记忆网络的输出连接所述展平层的输入。
所述故障状态包括电路二极管损坏、动作杆卡死（动作杆被外来物卡死）、转辙机内部和道岔连接部分发生故障、转辙机齿轮与齿轮块之间卡死、断相保护器发生故障。
一维卷积神经网络的搭建过程通过以下步骤实现：
步骤10411：一维数据输入层由动作功率信号经过EMD算法分解后的多个IMF信号作为输入。
步骤10412：一维卷积层由输入信号与卷积核之间进行卷积运算，再经过激活函数处理得到非线性特征，两者之间的卷积运算为：
其中，
为第h卷积层第i个输出；
为第h-1卷积层第j个输出；
为第h卷积层对应的卷积核；
为第h卷积层偏置向量；*为卷积符号；f为激活函数。
步骤10413：一维池化层对卷积层输出的信息进行去冗余，减少参数数量，防止过拟合，采用最大池化(Max Pooling)来实现，具体运算为：
其中，U是池化范围的宽度；
为第h-1池化层第i个特征矢量中第k个神经元的激活值；
是经过
最大池化后传给第h池化层对应神经元的值。
步骤10414：全连接层需要对卷积输出的数据进行“展平”操作，具体运算为：
其中，
为第m-1全连接层中第j个神经元的输出；
为第m全连接层中第i个神经元的输出；
为对应的权重矩阵；
为对应的偏置向量。
步骤10415：输出层采用SoftMax分类器来实现分类，具体运算为：
其中，o(i)为输出某一类的概率值；z代表分类的数量，
表示输出层的第i个输入信号的指数函数，
表示输出层的第z个输入信号的指数函数。
道岔转辙机的动作功率信号在经过1DCNN网络后，可以得出信号的局部特征和其所承载信息的特点。考虑到局部特征中还隐藏着长距离特征，故将长短期记忆神经网络（LSTM）应用于道岔转辙机的故障诊断。LSTM通过对局部特征中的输入量、记忆量和输出量的控制来选择性保留信息，从而挖掘功率信号内部的关联特征，进一步提高模型的诊断精度。
LSTM的传输状态通过三个门结构来控制，分别是遗忘门、输入门和输出门，具体网络搭建过程通过以下步骤实现:
步骤10421：通过上一时刻的输出ht-1和本单元的输入xt，遗忘门会选择性遗忘掉一些记忆信息，其运算方式为：
其中，
为sigmoid神经层的输出矩阵；ωf为对应的权重矩阵；ht-1为t-1时刻的输出；xt为t时刻的输入；bf为对应的偏置向量。
步骤10422：输入门先用式(11)从当前输入中提取有效信息，然后再用式(10)控制放多少记忆进入单元状态。
其中，
为sigmoid神经层的输出矩阵；Gt为当前时刻状态记忆的候选值；ct为当前时刻的内部状态值；ωi、ωt为对应的权重矩阵；bi、bt为对应的偏置向量。
步骤10423：在式(14)中，输出门通过控制ct中的记忆信息来影响ht的输出量。
其中，
为sigmoid层的输出矩阵；ht为t时刻的输出；
为对应的权重矩阵；
为对应的偏置向量。
本发明中一维卷积神经网络通过多个卷积层和池化层对数据进行局部特征提取，长短期记忆网络对已提取的局部特征中进行长距离特征提取，通过对局部特征中的输入量、记忆量和输出量的控制来选择性保留信息，从而挖掘功率信号内部的关联特征，从而提高了故障诊断的准确性。
所述深度学习神经网络的训练过程包括：
基于所述动作功率数据集，采用Adam优化器更新所述深度学习神经网络的参数，采用交叉熵损失函数作为训练中的损失函数，以多通道输入信号为输入，多通道输入信号对应的状态类型为输出训练所述深度学习神经网络，将训练好的所述深度学习神经网络作为所述道岔转辙机故障诊断模型。
通过道岔转辙机正常运行状态以及五种常见故障状态下对动作功率信号进行数据采集，对采集的每个动作功率信号按照步骤102-步骤103的方式进行处理，获得多个多通道输入信号，多个多通道输入信号构成动作功率数据集。动作功率数据集中状态类型作为标签。
本发明利用经验模态分解算法对动作功率信号进行不同频率分解，选取频率从高到低的前三个固有模态函数信号作为多通道输入信号。然后将多通道信号输入到一维卷积神经网络(1DCNN)中进行局部特征提取，利用长短期记忆网络(LSTM)从已提取的局部特征中选择性提取长距离特征。最后通过所建的多通道输入的1DCNN-LSTM模型（道岔转辙机故障诊断模型）对功率信号进行快速诊断并完成故障分类，高效准确的帮助工作人员快速定位故障所在。
实施例2
本实施例选取S700K道岔转辙机为研究对象对本发明一种基于1DCNN-LSTM的道岔故障诊断方法进行验证。
（1）数据采集。
实验平台为某电务器材公司提供的S700K道岔转辙机故障模拟平台。在仿真平台上共设置了5种常见的转辙机故障，分别采集了转辙机正常运行、电路二极管损坏、动作杆被外来物卡死、转辙机内部和道岔连接部分发生故障、转辙机齿轮与齿轮块之间卡死、断相保护器发生故障共6种状态下的动作功率信号，分别对应图2-图7，图2-图7中纵坐标为功率。转辙机转换时间为7s，采样间隔为0.02s，每个样本长度为350，每个状态下的样本量为1500组，6种状态下的样本总量为9000组，详情见表1所示。
（2）多通道输入信号构建。
通过EMD算法，可以获得6种状态的动作功率信号对应的IMF分量，本实施例仅给出表示电路二极管损坏的动作功率信号IMF分解，如图8所示，图8中横坐标为时间，图8中(a)为第一个IMF分量，(b)为第二个IMF分量，(c)为第三个IMF分量。从图8中可以看到选取的前三个IMF分量包含了故障的主要信息成分，故本发明构建三通道输入，输入信号为3@350×1的三通道一维信号。相对以往的单通道输入，三通道输入更能有效挖掘动作功率数据隐藏信息。
（3）道岔转辙机故障诊断模型建立。
本发明提出基于多通道输入的1DCNN-LSTM的S700K道岔转辙机故障诊断模型如图9所示，有3个卷积层、3个池化层、1个LSTM层、1个展平层、3个全连接层，图9中，32@64×1表示第一卷积层有32个64×1的卷积核；64@3×1表示第二卷积层有64个3×1的卷积核；128@3×1表示第三卷积层有128个3×1的卷积核；道岔转辙机故障诊断模型主要结构参数如表2所示。
表2中，Input表示输入层，C1表示第一卷积层，P1表示第一池化层，C2表示第二卷积层，P2表示第二池化层，C3表示第三卷积层，P3表示第三池化层，L4表示LSTM，Flatten5表示展平层，FC6表示第一全连接层，FC7表示第二全连接层，FC8表示第三全连接层，CS、C、N、S、P分别是卷积层卷积核的形状、通道数、数量、步幅和零填充的数量；Size、Stride分别是池化层卷积核的形状和步幅；Input_size、hidden_size、num_layer分别是LSTM输入层的特征维度、隐藏层的输出特征维度和数量；n是全连接层神经元数量。图9中F5表示展平层。
本发明采用Python3.7、Pytorch深度学习框架来搭建多通道输入的1DCNN-LSTM模型，输入层为3@350×1的动作功率信号，模型采用Adam优化器更新参数，学习率设为0.001，权值衰减设为0.0005；采用交叉熵损失函数来衡量模型，批训练大小设为32个样本，模型训练轮数Epoch设为100轮。
（4）不同诊断模型对比实验。
本发明将多通道输入信号分别输入的道岔转辙机故障诊断模型与经典的DenseNet卷积神经网络诊断方法进行对比分析。2种模型分别在6300组训练集上进行训练，训练集诊断结果中诊断准确性如图10所示。图10中MC为多通道输入，MC_1DCNN_LSTM表示本发明道岔转辙机故障诊断模型的诊断准确性，密集连接卷积网络（Densely connectedconvolutional networks，DenseNet）表示密集连接卷积网络的诊断准确性。
由图10可知，多通道输入的1DCNN-LSTM模型具有较高的准确率，相较于另外DenseNet卷积神经网络具有更强的特征学习能力和适应性，收敛效果和收敛速度都是更好的。在图10中，虽然DenseNet的准确率变化趋势和多通道输入的1DCNN-LSTM模型相似，但是训练所花时间较长，如图所示，图11中损失值变化相对较大。图10的纵坐标为准确率，图11的纵坐标为损失值。
为了进一步比较各模型的诊断效果，2种模型分别在2700组测试集上进行测试。为了更直观的展示模型分类效果，通过混淆矩阵对各类诊断结果进行可视化展示，如图12所示，每一列为预测的类别，每一行为实际的类别，其中对角线方块为各类诊断正确样本数量，其余为错误样本诊断数量。具体诊断结果如表3所示，其中平均准确率值为各类混淆矩阵内总的正确样本数量占测试集样本数量的比例。
图12中（a）为1DCNN-LSTM模型在测试集测试后诊断结果可视化混淆矩阵图，图12中（b）为DenseNet卷积神经网络模型在测试集测试后诊断结果可视化混淆矩阵图，从图12中可以直观的看出，相较DenseNet卷积神经网络，本发明所提的多通道输入的1DCNN-LSTM模型在诊断精度上更高，错误分类的数目最少。由表3的对比数据可知，本发明方法有99.15%的诊断准确率，相较于DenseNet提升了1.93%，且标准差和测试时间两项评价指标也是最佳的，验证了本发明方法的有效性和泛化性。
（5）t-分布随机近邻嵌入（t-SNE）可视化分析。
为了观察多通道输入的1DCNN-LSTM模型在S700K转辙机故障诊断效果，直观地展现模型各层中的特征学习能力，将2700组测试样本作为模型的输入，利用t-SNE将模型中各层所学习的高维特征降到二维空间进行可视化，如图13所示，图13中横坐标为维度1，纵坐标为维度2。图13中(a)~图13中(c)中可以看出经过3个卷积-池化操作后，6种状态具有一定的可分性；图13中(d)中经过LSTM层后各状态之间聚在一起，有更加明显的可分性；图13中(e)中经过第三全连接层FC8后，类与类之间距离较大，6种状态之间是完全可分的。
从图13中可以看出本发明所建立的道岔转辙机故障诊断模型具有较强的特征学习能力，随着网络层数的增加能够逐渐区分6种状态，具有较强的故障诊断能力。
实施例3
图14为本发明一种基于1DCNN-LSTM的道岔故障诊断系统结构示意图，如图14所示，一种基于1DCNN-LSTM的道岔故障诊断系统，包括：
待诊断动作功率信号获取模块201，用于获取待诊断道岔转辙机的动作功率信号。
经验模态分解模块202，用于采用经验模态分解算法对所述动作功率信号进行不同频率分解，获得多个固有模态函数信号。
多通道输入信号确定模块203，用于从多个所述固有模态函数信号中选取出多通道输入信号。
故障诊断识别结果确定模块204，用于将所述多通道输入信号输入道岔转辙机故障诊断模型，输出故障诊断识别结果；所述道岔转辙机故障诊断模型是通过动作功率数据集对深度学习神经网络进行训练确定的。
所述深度学习神经网络包括依次连接的一维卷积神经网络和长短期记忆网络；所述动作功率数据集中样本数据包括多通道输入信号和多通道输入信号对应的状态类型，所述状态类型包括正常运行状态和故障状态。
实施例4
本发明公开了一种电子设备，一种电子设备包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据实施例1所述的基于1DCNN-LSTM的道岔故障诊断方法。
本发明还公开了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如实施例1所述的基于1DCNN-LSTM的道岔故障诊断方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于1DCNN-LSTM的道岔故障诊断方法，其特征在于，包括：
获取待诊断道岔转辙机的动作功率信号；
采用经验模态分解算法对所述动作功率信号进行不同频率分解，获得多个固有模态函数信号；
从多个所述固有模态函数信号中选取出多通道输入信号；
将所述多通道输入信号输入道岔转辙机故障诊断模型，输出故障诊断识别结果；所述道岔转辙机故障诊断模型是通过动作功率数据集对深度学习神经网络进行训练确定的；
所述深度学习神经网络包括依次连接的一维卷积神经网络和长短期记忆网络；所述动作功率数据集中样本数据包括多通道输入信号和多通道输入信号对应的状态类型，所述状态类型包括正常运行状态和故障状态。
2.根据权利要求1所述的基于1DCNN-LSTM的道岔故障诊断方法，其特征在于，从多个所述固有模态函数信号中选取出多通道输入信号，具体包括：
按照频率从高到低的顺序将多个所述固有模态函数信号进行排序，并选取出前三个信号作为多通道输入信号。
3.根据权利要求1所述的基于1DCNN-LSTM的道岔故障诊断方法，其特征在于，所述一维卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层；
所述深度学习神经网络还包括依次连接的展平层、全连接层和输出层，所述长短期记忆网络的输出连接所述展平层的输入。
4.根据权利要求1所述的基于1DCNN-LSTM的道岔故障诊断方法，其特征在于，所述故障状态包括电路二极管损坏、动作杆卡死、转辙机内部和道岔连接部分发生故障、转辙机齿轮与齿轮块之间卡死、断相保护器发生故障。
5.根据权利要求1所述的基于1DCNN-LSTM的道岔故障诊断方法，其特征在于，所述深度学习神经网络的训练过程包括：
基于所述动作功率数据集，采用Adam优化器更新所述深度学习神经网络的参数，采用交叉熵损失函数作为训练中的损失函数，以多通道输入信号为输入，多通道输入信号对应的状态类型为输出训练所述深度学习神经网络，将训练好的所述深度学习神经网络作为所述道岔转辙机故障诊断模型。
6.一种基于1DCNN-LSTM的道岔故障诊断系统，其特征在于，包括：
待诊断动作功率信号获取模块，用于获取待诊断道岔转辙机的动作功率信号；
经验模态分解模块，用于采用经验模态分解算法对所述动作功率信号进行不同频率分解，获得多个固有模态函数信号；
多通道输入信号确定模块，用于从多个所述固有模态函数信号中选取出多通道输入信号；
故障诊断识别结果确定模块，用于将所述多通道输入信号输入道岔转辙机故障诊断模型，输出故障诊断识别结果；所述道岔转辙机故障诊断模型是通过动作功率数据集对深度学习神经网络进行训练确定的；
所述深度学习神经网络包括依次连接的一维卷积神经网络和长短期记忆网络；所述动作功率数据集中样本数据包括多通道输入信号和多通道输入信号对应的状态类型，所述状态类型包括正常运行状态和故障状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310152375.9A CN115859090A (zh) | 2023-02-23 | 2023-02-23 | 基于1dcnn-lstm的道岔故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310152375.9A CN115859090A (zh) | 2023-02-23 | 2023-02-23 | 基于1dcnn-lstm的道岔故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115859090A true CN115859090A (zh) | 2023-03-28 |
Family
ID=85658693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310152375.9A Pending CN115859090A (zh) | 2023-02-23 | 2023-02-23 | 基于1dcnn-lstm的道岔故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115859090A (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 (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201322780Y (zh) * | 2008-11-12 | 2009-10-07 | 河南辉煌科技股份有限公司 | 道岔转辙机测试模块 |
| US20170302071A1 (en) * | 2016-04-15 | 2017-10-19 | Infineon Technologies Ag | Multi-channel fault detection with a single diagnosis output |
| CN108985380A (zh) * | 2018-07-25 | 2018-12-11 | 西南交通大学 | 一种基于聚类集成的转辙机故障识别方法 |
| CN109726524A (zh) * | 2019-03-01 | 2019-05-07 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
| CN112577736A (zh) * | 2020-12-04 | 2021-03-30 | 上海电力大学 | 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法 |
| 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 |
| CN113903009A (zh) * | 2021-12-10 | 2022-01-07 | 华东交通大学 | 一种基于改进YOLOv3网络的铁路异物检测方法与系统 |
| CN114462459A (zh) * | 2022-04-12 | 2022-05-10 | 合肥合锻智能制造股份有限公司 | 一种基于1dcnn-lstm网络模型的液压机故障诊断方法 |
| CN114818579A (zh) * | 2022-05-30 | 2022-07-29 | 桂林电子科技大学 | 基于一维卷积长短期记忆网络的模拟电路故障诊断方法 |
| CN115659583A (zh) * | 2022-09-13 | 2023-01-31 | 王一凡 | 一种转辙机故障诊断方法 |
-
2023
- 2023-02-23 CN CN202310152375.9A patent/CN115859090A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201322780Y (zh) * | 2008-11-12 | 2009-10-07 | 河南辉煌科技股份有限公司 | 道岔转辙机测试模块 |
| US20170302071A1 (en) * | 2016-04-15 | 2017-10-19 | Infineon Technologies Ag | Multi-channel fault detection with a single diagnosis output |
| CN108985380A (zh) * | 2018-07-25 | 2018-12-11 | 西南交通大学 | 一种基于聚类集成的转辙机故障识别方法 |
| CN109726524A (zh) * | 2019-03-01 | 2019-05-07 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
| CN112577736A (zh) * | 2020-12-04 | 2021-03-30 | 上海电力大学 | 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法 |
| 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 |
| CN113903009A (zh) * | 2021-12-10 | 2022-01-07 | 华东交通大学 | 一种基于改进YOLOv3网络的铁路异物检测方法与系统 |
| CN114462459A (zh) * | 2022-04-12 | 2022-05-10 | 合肥合锻智能制造股份有限公司 | 一种基于1dcnn-lstm网络模型的液压机故障诊断方法 |
| CN114818579A (zh) * | 2022-05-30 | 2022-07-29 | 桂林电子科技大学 | 基于一维卷积长短期记忆网络的模拟电路故障诊断方法 |
| CN115659583A (zh) * | 2022-09-13 | 2023-01-31 | 王一凡 | 一种转辙机故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 叶壮 等: "基于多通道一维卷积神经网络特征学习的齿轮箱故障诊断方法", 《振动与冲击》 * |
| 董永峰 等: "基于改进一维卷积和双向长短期记忆神经网络的故障诊断方法", 《计算机应用》 * |
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 |
|---|---|---|
| KR101842347B1 (ko) | 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법 | |
| EP3776113A1 (en) | Apparatus and method for controlling system | |
| Javadpour et al. | A fuzzy neural network approach to machine condition monitoring | |
| CN111950694A (zh) | 用于可解释序列和时序数据建模的系统和方法 | |
| CN107561997A (zh) | 一种基于大数据决策树的电力设备状态监测方法 | |
| CN112101431A (zh) | 电子设备故障诊断系统 | |
| CN110515781A (zh) | 一种复杂系统状态监测及故障诊断方法 | |
| CN116893336B (zh) | 高低压开关设备及其方法 | |
| CN112763967B (zh) | 一种基于BiGRU的智能电表计量模块故障预测与诊断方法 | |
| CN106874963A (zh) | 一种基于大数据技术的配电网故障诊断方法及系统 | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| CN115859090A (zh) | 基于1dcnn-lstm的道岔故障诊断方法及系统 | |
| CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
| US20230221684A1 (en) | Explaining Machine Learning Output in Industrial Applications | |
| CN114062812A (zh) | 一种计量柜故障诊断方法及系统 | |
| CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
| CN115510950A (zh) | 基于时间卷积网络的飞行器遥测数据异常检测方法及系统 | |
| CN118133203A (zh) | 一种电能计量检测信息故障诊断方法 | |
| CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
| CN117032165A (zh) | 一种工业设备故障诊断方法 | |
| CN117540262A (zh) | 一种基于前馈与反馈结合的变压器故障预测建模方法 | |
| Zhang et al. | Recurrent neural network model with self-attention mechanism for fault detection and diagnosis | |
| CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
| CN117312770A (zh) | 基于多层次图特征融合的航空发动机剩余寿命预测方法 | |
| CN117036103A (zh) | 基于lstm循环神经网络的电力系统运行态势预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230328 |