[发明专利]一种基于机器学习的道岔转辙机异常诊断方法及系统

说明书

本发明提供一种基于机器学习的道岔转辙机异常诊断方法，包含步骤：多次采集道岔转辙机动作时的多类工作特性曲线建立多个工作特性曲线组，基于选取的参考工作特性曲线组为每组工作特性曲线生成对应的曲线数据；基于为曲线数据设置的标签将曲线数据放入正常数据池或故障数据池；采样正常、故障数据池中的曲线数据建立训练数据集和测试数据集；通过训练数据集、测试数据集预训练卷积神经网络模型，该模型用于识别道岔转辙机动作时是否出现故障及故障类型；处理需要诊断的工作特性曲线组获取其曲线数据，将该曲线数据输入至训练好的卷积神经网络模型中，得到对应的道岔转辙机故障判断结果。本发明还提供一种基于机器学习的道岔转辙机异常诊断系统。

技术领域

本发明涉及轨道交通转辙机设备检测技术领域，特别涉及一种基于机器学习的道岔转辙机异常诊断方法及系统。

背景技术

随着我国铁路的快速发展，对铁路信号设备的安全性和可靠性提出了更高的要求。道岔是铁路信号设备的关键组成部分，其状态直接影响着铁路运输的安全和效率。道岔使列车从一股轨道转到另一股轨道，是排列列车进路和实现进路转换的关键设备。转辙机是道岔的转换设备，用来实现转换道岔、锁闭道岔及反映道岔尖轨所处位置。其故障是造成铁路重大事故的主要原因之一。

目前，通过将微机监测系统监测道岔的动作状态及人工定期排查这两种方式相结合来检修道岔。微机监测系统采集了道岔的动作电压和动作电流等数据，并在系统中显示出道岔的动作电流曲线和功率曲线。通过个别有经验的工作人员主动调取微机监测系统中的道岔转辙机的动作电流曲线和功率曲线，并对调取的曲线进行分析,判断转辙机是否故障或存在安全隐患。

现有技术中的微机监测系统并不能够提前预测道岔转辙机的故障，而基于定期排查和工作人员分析微机监测系统中存储的曲线信息的故障诊断及预测方法，非常依赖于工作人员的经验知识和专业水平。工作人员一般只有在采集的转辙机电压、电流、功率曲线与参考曲线的差异比较明显的情况下(如转辙机电流曲线斜率陡增)，才有可能识别道岔故障。而往往采集的同一种曲线对于不同的设备来说可能表示不同的运行状况，尤其对于识别特殊工况与环境下的转辙机故障，依赖于个人经验往往出现错判。工作人员宝贵的处理经验只能孤立地存在于某一运维单位内部或只是被某些人知晓，道岔故障可能在以往的其他线路发生并得到了解决，当问题再次发生时，由于人员流动或其他原因，以往的知识无法被有效地利用起来，形成了重复故障及故障延时，从而耽误了乘客的出行效率。

综上所述，现有技术中的道岔转辙机异常诊断方法不仅工作量大、效率低，且对道岔转辙机故障判断可靠性不高，已无法满足现有高速铁路对运行安全和效率的要求。

发明内容

本发明的目的是提供一种基于机器学习的道岔转辙机异常诊断方法及系统，能够基于卷积神经网络模型对采集的道岔转辙机动作时的三相电流特性曲线、功率特性曲线进行智能分析，自动识别出转辙机的故障及隐患，极大地提高了道岔转辙机异常诊断的效率及诊断结果的正确率。

为了达到上述目的，本发明提供一种基于机器学习的道岔转辙机异常诊断方法，包含步骤：

多次采集道岔转辙机动作时的多类工作特性曲线，一次采集的多类工作特性曲线作为一个工作特性曲线组；基于转辙机的动作类型，选取一组工作特性曲线作为与该动作类型对应的参考工作特性曲线组；归一化所述工作特性曲线；基于转辙机的动作类型、对应的参考工作特性曲线组预处理每组工作特性曲线为矩阵形式的曲线数据；

通过人工为所述曲线数据设置标签，所述标签用于指示道岔转辙机是否故障及故障类型；基于所述标签，将曲线数据放入正常数据池或故障数据池；

采样所述正常、故障数据池中的曲线数据建立训练数据集和测试数据集；

通过所述训练数据集、测试数据集预训练卷积神经网络模型，所述卷积神经网络模型用于识别道岔转辙机动作时是否出现故障及故障类型；