[发明专利]一种基于LSTM和注意力机制的道岔故障检测方法

说明书

本发明涉及一种基于LSTM和注意力机制的道岔故障检测方法。本发明在电动转辙机正常以及不同故障状态下采集三相电流中A相的电流信号，通过采样和拼接获得故障样本集；对每条电流信号样本进行有重叠的连续采样并分段；构建组合忘记门单元、输入门单元、输出门单元的LSTM特征提取层；构建注意力机制网络层，得到各采样片段的贡献度；将网络输出线性化，得到最终的预测值。基于给定比例的训练集、验证集和测试集，对分类模型进行训练，采用Adam算法对模型进行优化，选用交叉熵作为损失函数，通过参数选取获得最优模型。本发明采用端到端结构，不依赖于人工特征提取，给了模型更多能够根据数据自动调节的空间，增加了模型的契合度。

技术领域

本发明涉及一种基于LSTM和注意力机制的道岔故障检测方法，属于电动转辙机故障诊断领域。

背景技术

铁路运输在我国交通运输体系中处于骨干地位，其具有载客量大、运输成本低、安全、舒适、速度较快等优点，非常契合我国人口众多，幅员辽阔的特点。目前，我国已建成世界上最现代化、最发达的高铁网。但是，在铁路的运行过程中，安全始终是放在首位的，在铁路运输中信号设备的工作状态会直接影响铁路的安全性。道岔是高铁关键的地面信号设备，它的主要作用是切换高速列车的前进方向以实现列车的转线和跨线运行。因为有大量道岔的存在，以及道岔频繁的转向使用，使得道岔会出现磨损、老化的问题。并且，受制于外部天气等因素的影响，道岔不可避免的会出现故障，对高铁的运营产生安全隐患。所以，针对道岔进行快速检修和排查故障有着重要的意义。

目前，我国对于道岔设备的维护与故障诊断主要还是依靠传统人工定期检查的方法来实现的。道岔维护人员通过将微机监测的道岔动作电流曲线和正常的电流曲线进行人工对比，结合专家知识，确定道岔的运行状态。但是，这种方式需要花费大量的人力，效率也不高，还会存在遗漏等情况。为了提高道岔故障检测的效率，研究者已经提出了基于专家系统的故障诊断方法、基于解析模型的故障诊断方法、基于传统机器学习的故障诊断方法：

基于专家系统的故障诊断方法通过模拟领域专家的思维推理过程，依据所建立的专家经验知识库对设备的运行状态做出判断和决策，从而进行相关故障诊断。其不需要对系统进行数学建模并且在诊断表达上易于理解、方便修改，但专家经验知识往往受到人工经验水平的限制并且与道岔特定的工作环境密切相关，导致系统适应能力差，对不同运行环境下的道岔进行故障诊断效果不佳。

基于解析模型的故障诊断方法通过对诊断对象建立精确的数学模型或者采用实物、半实物复现等方法，将研究对象的相关参数与仿真建模得到的实验结果之间相互对比使其出现残差，然后进行相关故障诊断。其不需要依赖大量的样本数据和专家经验知识，但是囿于运行环境恶劣、设备内部机械与电气结构复杂等情况，一般来说建立精确的数学模型比较困难。

基于传统机器学习的故障诊断方法需要对研究对象的数据进行相关处理分析，传统机器学习方法中所采用的浅层神经网络需要依赖于特征提取方法，从而影响其诊断效果。

发明内容

本发明针对现有技术的不足，利用LSTM在时序数据建模问题上的优势，同时引入注意力机制(Attention)重点关注一条数据中最能反映其特征的片段，并设计了一种“端到端”的道岔故障检测方法。该方法不依赖于人工特征提取，以采集的道岔信号直接作为输入，最终输出故障类别。

交流电动转辙机A相动作电流曲线完整地包含了整个道岔运行过程中的启动、解锁、转换、锁闭、沟通表示等各个阶段的信息。当运行出现故障时，启动、解锁、转换、锁闭、沟通表示某一或某几阶段的电流会与正常运行时的电流有所区别，且电流对不同故障有不同反映。所以，通过分析A相动作电流曲线，可以判断故障类别。

本发明首先对采集的道岔信号进行预处理并构建样本集；然后结合LSTM和注意力机制构建分类模型；最后，对网络模型进行训练，通过改变网络结构的超参数选择网络的最优模型。

本发明包括以下各步骤：

步骤1：构建故障样本集