CN117741512A - 一种基于神经网络的转辙机状态检测方法及系统 - Google Patents

Abstract

本发明提供了一种基于神经网络的转辙机状态检测方法及系统，涉及转辙机状态检测领域，本方法包括：获取预设时间内的实时动作功率曲线信息和定值功率所对应的曲线信息，预设时间包含有至少两个接收时段；对每个实时动作功率曲线信息进行分离，得到分离后的实时动作功率曲线信息；对分离后的实时动作功率曲线信息和定值功率所对应的曲线信息进行判断，得到判断后的动作功率曲线信息；将每个判断后的动作功率曲线信息进行特征处理，得到转辙机状态特征信息；将转辙机状态特征信息输入至预设的转辙机状态检测模型中，得到转辙机状态检测信息。本方法提高了检测效率，减少了人力投入，对转辙机状态进行及时反馈，保证了转辙机状态检测的准确性。

Description

一种基于神经网络的转辙机状态检测方法及系统

技术领域

本发明涉及转辙机状态检测领域，具体而言，涉及一种基于神经网络的转辙机状态检测方法及系统。

背景技术

在现有技术中，转辙机安装在室外的铁路沿线，其主要作用是对道岔进行转换和锁闭，以监督道岔的位置和状态，因此转辙机对列车的安全行驶发挥着重要的作用，需定期对转辙机进行检测。现阶段，铁路部门主要采用计划检测和故障维修，其中计划检测是以日计划、周计划和月计划来定期检测，而故障维修是转辙机发生故障后，维修人员进行现场抢修。此两种方法一方面需投入大量的人力，另一方面对转辙机的检测具有一定的滞后性，无法对转辙机状态进行及时反馈。因此，亟需一种转辙机状态检测方法，一方面需提高检测效率，减少人力投入，另一方面需对转辙机状态进行及时反馈，保证转辙机状态检测的准确性。

发明内容

本发明的目的在于提供一种基于神经网络的转辙机状态检测方法及系统，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本申请提供了一种基于神经网络的转辙机状态检测方法，所述方法包括：

获取预设时间内的实时动作功率曲线信息和定值功率所对应的曲线信息，所述预设时间包含有至少两个接收时段，且在不同的接收时段内分别接收不同的定值功率；

对每个所述实时动作功率曲线信息进行分离，得到分离后的实时动作功率曲线信息；

对所述分离后的实时动作功率曲线信息和所述定值功率所对应的曲线信息进行判断，得到判断后的动作功率曲线信息；

将每个所述判断后的动作功率曲线信息进行特征处理，得到转辙机状态特征信息；

将所述转辙机状态特征信息输入至预设的转辙机状态检测模型中，得到转辙机状态检测信息，所述转辙机状态检测信息用于反映转辙机实时状态。

第二方面，本申请还提供了一种基于神经网络的转辙机状态检测系统，所述系统包括：

获取模块，用于获取预设时间内的实时动作功率曲线信息和定值功率所对应的曲线信息，所述预设时间包含有至少两个接收时段，且在不同的接收时段内分别接收不同的定值功率；

第一处理模块，用于对每个所述实时动作功率曲线信息进行分离，得到分离后的实时动作功率曲线信息；

第二处理模块，用于对所述分离后的实时动作功率曲线信息和所述定值功率所对应的曲线信息进行判断，得到判断后的动作功率曲线信息；

第三处理模块，用于将每个所述判断后的动作功率曲线信息进行特征处理，得到转辙机状态特征信息；

第四处理模块，用于将所述转辙机状态特征信息输入至预设的转辙机状态检测模型中，得到转辙机状态检测信息，所述转辙机状态检测信息用于反映转辙机实时状态。

本发明的有益效果为：

在现有技术中，转辙机状态所对应的原始动作功率曲线在不同的影响因素下其功率波动较大，且局部区域易存在微弱的功率段。本方法提出对原始动作功率曲线进行叠加，即在原始动作功率曲线的基础上叠加定值功率所对应的曲线信息，从而得到实时动作功率曲线信息，所述实时动作功率曲线信息能够更加准确、及时地反映转辙机的实时状态，能够对早期的转辙机故障进行放大检测；另一方面，本方法引入神经网络，当以转辙机状态特征信息作为输入数据时，能够充分体现转辙机不同运行状态之间的差异性，提高检测效率，减少人力投入。

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。

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为本发明实施例中所述的基于神经网络的转辙机状态检测方法流程示意图；

图2为本发明实施例中严重故障运行状态功率曲线为参照对象的示意图；

图3为本发明实施例中所述的基于神经网络的转辙机状态检测系统结构示意图；

图4为本发明实施例中所述的基于神经网络的转辙机状态检测设备结构示意图；

图中标记：

800、基于神经网络的转辙机状态检测设备；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：相似的标号和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：

本实施例提供了一种基于神经网络的转辙机状态检测方法。

参见图1，图中示出了本方法包括步骤S1至S5，具体有：

S1:获取预设时间内的实时动作功率曲线信息和定值功率所对应的曲线信息，所述预设时间包含有至少两个接收时段，且在不同的接收时段内分别接收不同的定值功率；

在现有技术中，转辙机状态所对应的原始动作功率曲线在不同的影响因素下其功率波动较大，且局部区域易存在微弱的功率段。本方法提出对原始动作功率曲线进行叠加，即在原始动作功率曲线的基础上叠加定值功率所对应的曲线信息，因此在步骤S1中实时动作功率曲线信息是复合曲线，所述实时动作功率曲线信息可从微机监测中心进行采集。

所述定值功率可以从转辙机亚健康运行状态功率曲线、一般故障运行状态功率曲线、严重故障运行状态功率曲线中进行确定，如：以图2严重故障运行状态功率曲线为参照对象，在转辙机受到外力影响下，转辙机易出现挤岔现象，所述挤岔现象为列车直向通过道岔时，由于道岔位置不正确，尖轨未能与基本轨密贴，车轮碾压时，将尖轨与基本轨挤开的过程，导致列车脱轨，因此功率曲线的开始段是检测重点，若现有开始段的功率曲线存在低于0.5kw范围的波动，则将开始段的定值功率确定为0.5kw,以实现对开始段功率曲线的叠加；此外，功率曲线的平稳段会出现高于0.5kw的平稳区域，为避免出现过大的峰峰值，定值功率确定为低于0.5kw的定值功率。所述预设时间包含有至少两个接收时段，具体有；所述预设时间包括第一接收时段和第二接收时段，所述第一接收时段与严重故障运行状态功率曲线中的开始段对应，所述第二接收时段与严重故障运行状态功率曲线中的功率平稳段对应。

S2:对每个所述实时动作功率曲线信息进行分离，得到分离后的实时动作功率曲线信息；

在步骤S2中，为明确对每个所述实时动作功率曲线信息进行分离的具体过程，步骤S2包括步骤S21至步骤S24，具体有：

S21:对每个所述实时动作功率曲线信息中的边界值进行提取，得到动作功率曲线信息中的边界数据值；

在步骤S21中，对每个所述实时动作功率曲线信息进行网格划分，在每个网格单元内计算网格面积，当网格面积大于预设阈值时，则确定为动作功率曲线信息中的边界数据值。

S22:根据所述边界数据值构建包络线；

在步骤S22中，对所述边界数据值采用三次样条插值函数拟合形成包络线。

S23:对每个所述实时动作功率曲线信息与所述包络线进行求差，得到信号序列信息；

S24:对所述信号序列信息进行判断，当所述信号序列信息满足预设的约束条件时停止进行迭代分解，得到分离后的实时动作功率曲线信息。

在步骤S24中，约束条件为：

（1）；

上式（1）中，表示分离后的实时动作功率曲线信息；/>表示信号序列信息中的分离个数；/>表示信号序列信息中的分离个数总数；/>表示信号序列信息；/>表示残差信号；/>表示预设的残差信号判断阈值。

S3:对所述分离后的实时动作功率曲线信息和所述定值功率所对应的曲线信息进行判断，得到判断后的动作功率曲线信息；

在步骤S3中，先对所述分离后的实时动作功率曲线信息进行网格划分，并计算不同网格所对应的积分面积；之后，对所述定值功率所对应的曲线信息进行网格划分，并计算不同网格所对应的积分面积，在前后两次网格划分中均采用相同的网格单元；最后，将分离后的实时动作功率曲线信息的不同积分面积与定值功率曲线信息的不同积分面积进行一一比对，当实时动作功率曲线信息的中的积分面积大于定值功率曲线信息的积分面积时，则将定值功率曲线信息保留为当前段的曲线信息，当实时动作功率曲线信息的中的积分面积小于定值功率曲线信息的积分面积时，则将实时动作功率曲线信息保留为当前段的曲线信息，根据所述当前段的曲线信息构建得到判断后的动作功率曲线信息。

S4:将每个所述判断后的动作功率曲线信息进行特征处理，得到转辙机状态特征信息；在步骤S4中，为明确特征处理的具体过程，步骤S4包括步骤S41至S44，具体有：

S41:对每个所述判断后的动作功率曲线信息进行频域处理，得到单个判断后的动作功率曲线所对应的固有模态函数信息；

在步骤S41中，在进行频域处理时可采用小波分解算法，以得到单个判断后的动作功率曲线所对应的固有模态函数信息。

S42:对所述固有模态函数信息通过预设的排序模型进行排序，得到特征排列信息；

在步骤S42中，为明确对所述固有模态函数信息进行排序的具体过程，步骤S42包括步骤S421至S424，具体有：

S421:获取完全二叉树中的分叉个数和分叉层级数；

S422:将所述固有模态函数信息中的第一个特征参量构建为堆顶；

在步骤S422中，当设置堆顶后，方便其余特征参量依次进行插入，以对每一个特征参量通过二叉树中的节点位置进行关联。

S423:根据所述分叉个数和所述分叉层级数将其余所述固有模态函数信息中的特征参量依次对应进行插入，得到未排序的特征参量堆；

S424:将所述未排序的特征参量堆根据预设的最小堆模型进行排序，得到特征排列信息。在步骤S424中，在进行排序时，可按照现有的堆排序算法进行排序，以得到特征排列信息。其中，预设的最小堆模型为：①最小堆中的最小元素值出现在根结点，即排序后的最小特征参量出现在堆顶位置；②、堆中的每个父节点的元素值都小于子节点的元素值。

S43:对所述特征排列信息通过预设的主成分分析模型进行降维，得到状态特征的降维信息；

在步骤S43中，为明确降维的具体过程，步骤S43包括步骤S431至S434，具体有：

S431:对所述特征排列信息进行系数矩阵计算，得到系数矩阵信息；

在步骤S431中，所述系数矩阵信息中的矩阵元素按照公式（2）进行计算：

（2）；

上式（2）中，表示系数矩阵信息的第/>行和第/>列元素；/>表示特征排列信息中第/>个数据模块中第/>个相关性特征值；/>表示特征排列信息中第/>个数据模块的平均值；/>表示特征排列信息中第/>个数据模块中第/>个相关性特征值；/>表示特征排列信息中第/>个数据模块的平均值；/>表示系数矩阵的行数和列数。

S432:对所述系数矩阵信息进行特征求解，得到系数矩阵信息的特征值；

在步骤S432中，根据公式（3）对系数矩阵信息进行特征求解，

（3）；

上式（3）中，表示系数矩阵信息的特征值，/>表示单位矩阵，/>表示系数矩阵信息，/>表示特征值/>所对应的预设特征向量。

S433:对所述系数矩阵信息的特征值通过预设的主成分分析模型进行计算，得到主成分个数；

在步骤S433中，其中预设的主成分分析模型为：

（4）；

上式（4）中，表示第/>个主成分贡献率，/>表示第/>个系数矩阵信息的特征值，表示系数矩阵信息的特征值的个数；当/>大于预设贡献率时，确定为一个主成分。

S434:根据所述主成分个数进行数据构建，得到状态特征的降维信息。当S434得出的主成分个数为p个，则将p个主成分所对应的矩阵数据进行保留，以得到状态特征的降维信息。

S44:根据所述状态特征的降维信息进行数据构建，得到转辙机状态特征信息。

在步骤S44中，将状态特征的降维信息与预设的初始状态特征集进行数据构建，在此过程中，预设的初始状态特征集是转辙机在不同正常运行状态下的状态特征向量，以实现对降维信息进行补充，避免转辙机状态特征信息缺少必要的特征参量。

S5:将所述转辙机状态特征信息输入至预设的转辙机状态检测模型中，得到转辙机状态检测信息，所述转辙机状态检测信息用于反映转辙机实时状态。

当得到转辙机状态检测信息后，根据转辙机状态检测信息所对应的预设判断区间，以确定当前转辙机实时状态中是否包含故障运行风险，所述预设判断区间多级设置，包括有严重故障运行等级、一般故障运行等级、无故障运行等级，而在所述严重故障运行等级中根据转辙机状态检测信息的分布值，设置有“四开”状态风险区间、挤岔风险区间、锁闭状态风险区间等。

在步骤S5中，预设的转辙机状态检测模型为误差反向传播神经网络，所述误差反向传播神经网络的训练参数为：隐藏层神经元数为8，输入层神经元数为8，学习率系数为0.001，训练频率1000，训练目标的最小误差为。

步骤S5包括步骤S51至步骤S53，具体有：

S51:获取输入层的神经元数、隐藏层的神经元数以及输出层的神经元数；

S52:根据所述输入层的神经元数和所述隐藏层的神经元数通过预设的隐藏层输出模型进行构建，得到隐藏层神经元的输出信息；

在步骤S52中，所述隐藏层输出模型为：

（e=1,2,…,q）（5）；

上式（5）中，表示隐藏层中神经元e的输出信息；/>表示隐藏层神经元的激活函数；/>表示输入层的神经元数；q表示隐藏层的神经元数；/>表示输入层的第/>个神经元和隐藏层的第d个神经元之间的连接权重；/>表示输入层的第/>个神经元；/>为隐藏层中第d个神经元的偏移。

S53:根据所述隐藏层的神经元数和所述输出层的神经元数通过预设的输出层输出模型进行构建，得到输出层神经元的输出信息。

在步骤S53中，输出层输出模型为：

（6）；

上式（6）中，表示输出层中神经元/>的输出信息；/>表示输出层神经元的激活函数；q表示隐藏层的神经元数；/>表示输出层的神经元数；/>表示隐藏层的第d个神经元和输出层的第u个神经元之间的连接权重；/>表示隐藏层中神经元d的输出信息；/>表示输出层中第/>个神经元的偏移；/>表示输出层神经元的输出信息。

实施例2：

如图3所示，本实施例提供了一种基于神经网络的转辙机状态检测系统，所述系统包括：

获取模块，用于获取预设时间内的实时动作功率曲线信息和定值功率所对应的曲线信息，所述预设时间包含有至少两个接收时段，且在不同的接收时段内分别接收不同的定值功率；

第一处理模块，用于对每个所述实时动作功率曲线信息进行分离，得到分离后的实时动作功率曲线信息；

第二处理模块，用于对所述分离后的实时动作功率曲线信息和所述定值功率所对应的曲线信息进行判断，得到判断后的动作功率曲线信息；

第三处理模块，用于将每个所述判断后的动作功率曲线信息进行特征处理，得到转辙机状态特征信息；

第四处理模块，用于将所述转辙机状态特征信息输入至预设的转辙机状态检测模型中，得到转辙机状态检测信息，所述转辙机状态检测信息用于反映转辙机实时状态。

在本发明所公开的一种实施方法中，所述第一处理模块中包括：

提取单元，用于对每个所述实时动作功率曲线信息中的边界值进行提取，得到动作功率曲线信息中的边界数据值；

第一处理单元，用于根据所述边界数据值构建包络线；

第二处理单元，用于对每个所述实时动作功率曲线信息与所述包络线进行求差，得到信号序列信息；

第三处理单元，用于对所述信号序列信息进行判断，当所述信号序列信息满足预设的约束条件时停止进行迭代分解，得到分离后的实时动作功率曲线信息。

在本发明所公开的一种实施方法中，所述第三处理模块中包括：

第四处理单元，用于对每个所述判断后的动作功率曲线信息进行频域处理，得到单个判断后的动作功率曲线所对应的固有模态函数信息；

排序单元，用于对所述固有模态函数信息通过预设的排序模型进行排序，得到特征排列信息；

降维单元，用于对所述特征排列信息通过预设的主成分分析模型进行降维，得到状态特征的降维信息；

第五处理单元，用于根据所述状态特征的降维信息进行数据构建，得到转辙机状态特征信息。

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，本实施例中还提供了一种基于神经网络的转辙机状态检测设备，下文描述的一种基于神经网络的转辙机状态检测设备与上文描述的一种基于神经网络的转辙机状态检测方法可相互对应参照。

图4是根据示例性实施例示出的一种基于神经网络的转辙机状态检测设备800的框图。如图4所示，该基于神经网络的转辙机状态检测设备800可以包括：处理器801，存储器802。该基于神经网络的转辙机状态检测设备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用于控制该基于神经网络的转辙机状态检测设备800的整体操作，以完成上述的基于神经网络的转辙机状态检测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基于神经网络的转辙机状态检测设备800的操作，这些数据例如可以包括用于在该基于神经网络的转辙机状态检测设备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 Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable 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用于该基于神经网络的转辙机状态检测设备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 Field Communication，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，基于神经网络的转辙机状态检测设备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(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital SignalProcessing Device，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，用于执行上述的基于神经网络的转辙机状态检测方法。

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基于神经网络的转辙机状态检测方法的步骤。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，上述程序指令可由基于神经网络的转辙机状态检测设备800的处理器801执行以完成上述的基于神经网络的转辙机状态检测方法。

实施例4：

相应于上面的方法实施例，本实施例中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一种基于神经网络的转辙机状态检测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基于神经网络的转辙机状态检测方法的步骤。

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。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的转辙机状态检测方法，其特征在于，包括：

获取预设时间内的实时动作功率曲线信息和定值功率所对应的曲线信息，所述预设时间包含有至少两个接收时段，且在不同的接收时段内分别接收不同的定值功率；

对每个所述实时动作功率曲线信息进行分离，得到分离后的实时动作功率曲线信息；

对所述分离后的实时动作功率曲线信息和所述定值功率所对应的曲线信息进行判断，得到判断后的动作功率曲线信息；

将每个所述判断后的动作功率曲线信息进行特征处理，得到转辙机状态特征信息；

将所述转辙机状态特征信息输入至预设的转辙机状态检测模型中，得到转辙机状态检测信息，所述转辙机状态检测信息用于反映转辙机实时状态。

2.根据权利要求1所述的基于神经网络的转辙机状态检测方法，其特征在于，对每个所述实时动作功率曲线信息进行分离，得到分离后的实时动作功率曲线信息，包括：

对每个所述实时动作功率曲线信息中的边界值进行提取，得到动作功率曲线信息中的边界数据值；

根据所述边界数据值构建包络线；

对每个所述实时动作功率曲线信息与所述包络线进行求差，得到信号序列信息；

对所述信号序列信息进行判断，当所述信号序列信息满足预设的约束条件时停止进行迭代分解，得到分离后的实时动作功率曲线信息。

3.根据权利要求1所述的基于神经网络的转辙机状态检测方法，其特征在于，将每个所述判断后的动作功率曲线信息进行特征处理，得到转辙机状态特征信息，包括：

对每个所述判断后的动作功率曲线信息进行频域处理，得到单个判断后的动作功率曲线所对应的固有模态函数信息；

对所述固有模态函数信息通过预设的排序模型进行排序，得到特征排列信息；

对所述特征排列信息通过预设的主成分分析模型进行降维，得到状态特征的降维信息；

根据所述状态特征的降维信息进行数据构建，得到转辙机状态特征信息。

4.根据权利要求3所述的基于神经网络的转辙机状态检测方法，其特征在于，对所述特征排列信息通过预设的主成分分析模型进行降维，得到状态特征的降维信息，包括：

对所述特征排列信息进行系数矩阵计算，得到系数矩阵信息；

对所述系数矩阵信息进行特征求解，得到系数矩阵信息的特征值；

对所述系数矩阵信息的特征值通过预设的主成分分析模型进行计算，得到主成分个数；

根据所述主成分个数进行数据构建，得到状态特征的降维信息。

5.根据权利要求4所述的基于神经网络的转辙机状态检测方法，其特征在于，其中预设的主成分分析模型为：

；

上式中，表示第/>个主成分贡献率，/>表示第/>个系数矩阵信息的特征值，/>表示系数矩阵信息的特征值的个数；当/>大于预设贡献率时，确定为一个主成分。

6.根据权利要求1所述的基于神经网络的转辙机状态检测方法，其特征在于，将所述转辙机状态特征信息输入至预设的转辙机状态检测模型中，得到转辙机状态检测信息，预设的转辙机状态检测模型为误差反向传播神经网络，包括：

获取输入层的神经元数、隐藏层的神经元数以及输出层的神经元数；

根据所述输入层的神经元数和所述隐藏层的神经元数通过预设的隐藏层输出模型进行构建，得到隐藏层神经元的输出信息；

根据所述隐藏层的神经元数和所述输出层的神经元数通过预设的输出层输出模型进行构建，得到输出层神经元的输出信息。

7.根据权利要求6所述的基于神经网络的转辙机状态检测方法，其特征在于，所述误差反向传播神经网络的训练参数为：隐藏层神经元数为8，输入层神经元数为8，学习率系数为0.001，训练频率1000，训练目标的最小误差为。

8.一种基于神经网络的转辙机状态检测系统，其特征在于，包括：

获取模块，用于获取预设时间内的实时动作功率曲线信息和定值功率所对应的曲线信息，所述预设时间包含有至少两个接收时段，且在不同的接收时段内分别接收不同的定值功率；

第一处理模块，用于对每个所述实时动作功率曲线信息进行分离，得到分离后的实时动作功率曲线信息；

第二处理模块，用于对所述分离后的实时动作功率曲线信息和所述定值功率所对应的曲线信息进行判断，得到判断后的动作功率曲线信息；

第三处理模块，用于将每个所述判断后的动作功率曲线信息进行特征处理，得到转辙机状态特征信息；

第四处理模块，用于将所述转辙机状态特征信息输入至预设的转辙机状态检测模型中，得到转辙机状态检测信息，所述转辙机状态检测信息用于反映转辙机实时状态。

9.根据权利要求8所述的基于神经网络的转辙机状态检测系统，其特征在于，在所述第一处理模块中包括：

提取单元，用于对每个所述实时动作功率曲线信息中的边界值进行提取，得到动作功率曲线信息中的边界数据值；

第一处理单元，用于根据所述边界数据值构建包络线；

第二处理单元，用于对每个所述实时动作功率曲线信息与所述包络线进行求差，得到信号序列信息；

第三处理单元，用于对所述信号序列信息进行判断，当所述信号序列信息满足预设的约束条件时停止进行迭代分解，得到分离后的实时动作功率曲线信息。

10.根据权利要求8所述的基于神经网络的转辙机状态检测系统，其特征在于，在所述第三处理模块中包括：

第四处理单元，用于对每个所述判断后的动作功率曲线信息进行频域处理，得到单个判断后的动作功率曲线所对应的固有模态函数信息；

排序单元，用于对所述固有模态函数信息通过预设的排序模型进行排序，得到特征排列信息；

降维单元，用于对所述特征排列信息通过预设的主成分分析模型进行降维，得到状态特征的降维信息；

第五处理单元，用于根据所述状态特征的降维信息进行数据构建，得到转辙机状态特征信息。