[发明专利]基于深度卷积神经网络的轨道电路故障自动诊断方法

权利要求书

1.基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，

首先，获取轨道电路的实时变化数据，建立轨道电路故障类型数据集，将数据集划分为训练样本和测试样本；

其次，建立一维的深度卷积神经网络，输入训练集样本训练网络模型，通过K折交叉验证方法获取网络模型参数，通过测试样本评估网络模型的准确率，得到训练好的一维深度卷积神经网络模型；所述一维深度卷积神经网络的输入层为120层，输出层数是30层，网络结构依次是6层卷积层、3层池化层和512层全连接层；

最后，将轨道电路的实时变化数据输入训练好的一维深度卷积神经网络模型，通过神经网络建立输入与输出之间的映射关系，输出故障类型，定位故障位置。

2.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，其中所述的轨道电路是ZPW-2000R型轨道电路，所述轨道电路的实时变化数据是微机实时监测的数据，包括轨道电路系统室内和室外设备中每个轨道电路区段的电压、电流信号共38种变量，作为卷积神经网络的输入数据类型，模拟正常状态和29种故障类型，用故障名称序号表示故障类型。

3.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，当所述卷积层的输入为一维序列X＝[x₁,x₂,…x_n]^T时，卷积层的输出为其中，l为第l卷积层，k为卷积核，b为偏置参数，表示第l层的输出，卷积核的个数为M_j，f为Relu激活函数，T表示转置。

4.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，所述池化层采用最大池化方法。

5.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，所述全连接层的传递函数是sigmoid函数。

6.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，所述K折交叉验证方法是将训练样本数据集分成k个子集，选择其中一个子集作为评估数据集，用剩余的k-1个子集训练网络模型，并用预留的子集对模型做评估，重复该过程，直到所有子集被赋予作为被评估数据集的机会，据此测试网络模型取不同超参数下的性能，最终确定网络模型的参数。

7.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，采用Adam自适应调整学习率以训练网络。

8.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，所述深度卷积网络的卷积核大小为3×1，采样宽度为2×1，每层用Rule激活函数得到卷积层的特征数。

9.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，采用批处理数为40的批处理方式训练所述深度卷积神经网络。

10.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，采用softmax分类器得出故障类型分类结果。