[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

说明书

本发明公开一种基于深度卷积神经网络的轨道电路故障自动诊断方法，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；最后，将轨道电路的实时变化数据输入训练好的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。本发明方法可以提高型轨道电路故障诊断效率和准确率，有助于现场维护人员对故障进行快速处理，提高轨道电路维护维修效率和智能化水平。

技术领域

本发明涉及轨道电路领域，尤其是关于ZPW-2000R型轨道电路的故障诊断方法。

背景技术

铁路运输的安全性是实现铁路整体高效运行的基本保证。铁路区间广泛铺设的ZPW-2000系列无绝缘移频轨道电路是列车运行控制系统的基础设备，主要用于实现对区间的占用检查，断轨检查以及地车通讯。轨道电路的正常工作是列车安全运行的重要保障。由于轨道电路室外设备易受温度、湿度等复杂环境因素影响，同时也因系统各个部件运行状况等原因，使得轨道电路故障时有发生，其结果会影响铁路运营效率甚至行车安全。

目前，ZPW-2000R轨道电路发生故障时，主要依赖现场人员的工作经验，对设备相关部位进行数据测试，或利用微机监测数据，根据系统应用逻辑分析，电路的电气特性等对故障位置进行定位。当遇到较为罕见的故障模式时，故障特征较为复杂，难以依据已有经验进行准确的快速故障诊断。

为了摆脱轨道电路故障诊断对人的依赖，提高故障诊断效率，增加轨道电路信号系统的安全性和可靠性，很多学者进行轨道电路故障自动诊断方法研究。随着大数据、人工智能的发展，机器学习在故障诊断中的应用越来越广泛。ZPW-2000R型轨道电路铺设在全国数千公里的铁路线上，工作环境复杂，故障类型数目多，实现快速准确的故障智能诊断难度大，如何利用先进的深度卷积神经网络方法(Convolutional Neural Network,CNN)对故障类型进行分析诊断，实属当前重要研发课题之一，亦是当前业界急需改进的目标。

发明内容

本发明的主要目的是提供一种基于深度卷积神经网络的轨道电路故障自动诊断方法，利用维护机监测的轨道电路实时数据对包括室内、室外设备中29种故障类型进行快速智能诊断，以克服现有的轨道电路故障诊断效率和准确率不够理想的问题，非常适于实用。

本发明是采用以下技术方案及技术措施来实现的。

本发明提出一种基于深度卷积神经网络的轨道电路故障自动诊断方法，

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。

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。