[发明专利]一种多特征融合的道岔智能故障诊断方法及系统和设备

说明书

本发明公开了一种多特征融合的道岔智能故障诊断方法及系统和设备，该方法包括：采集电液转辙机的油压信号数据；利用MEEMD方法对采集到的油压信号数据进行分解处理，得到一系列不同时间尺度的本征模态函数IMF，引入相关系数法，筛选出真实反映原始油压信号的IMF分量，并计算其样本熵、能量熵，通过核主成分分析法对所得的信息熵进行特征融合，将所得结果构建道岔故障诊断特征数据集；结合构建的数据集样本，采用天牛须搜索算法和差分进化算法优化支持向量机SVM，建立改进SVM道岔故障诊断模型，对道岔不同运行状态进行识别分类，得出道岔故障诊断结果。本发明对高速铁路转辙机设备故障分类精度高、准确率高且效率高、成本低。

技术领域

本发明涉及高速铁路道岔故障诊断技术领域，特别是涉及一种多特征融合的道岔智能故障诊断方法及系统和设备。

背景技术

随着我国高速列车运行速度的提升，ZY系列道岔转换设备广泛应用于各大铁路干线。道岔转换设备作为一种重要的铁路信号基础设备，其运行状态与列车的安全运行、运输效率息息相关。道岔转换设备要求上道使用寿命为15年，在此期间一旦其运行状态恶化，或维修时没有及时有效的排除故障隐患，必然影响正常行车秩序，甚至极可能造成巨大的生命和财产损失。因此，为了提高其工作安全性与可靠性，应用数据分析处理技术实现道岔智能故障诊断对铁路长久运营发展意义重大。

目前，我国铁路信号道岔及道岔转换设备故障识别工作，主要基于监测系统阈值判断与人工浏览辅助的方式来完成，此方式覆盖范围小、效率不高，受人工经验参差不齐的影响，故障判断结果难以标准化。近年来，随着人工智能技术的快速发展，智能方法已可代替人类完成一些高强度、高重复性的作业，道岔的故障分析方法有很多，如：专家系统、知识工程、模糊逻辑、支持向量机(SVM)和神经网络等等，各有优劣。目前，针对铁路道岔的故障诊断方法仍存在以下不足：

(1)研究人员主要结合道岔动作过程中的电流和功率曲线实现故障诊断，该方法的缺点是功率曲线是在不同的时刻通过电流来获得，而影响电流的因素又较多，如电机的电阻变化、运行状况、电压的波动等等，故通过功率曲线判断故障造成的误差较大。

(2)目前，ZY系列道岔转换设备没有建立一个系统的故障诊断规范，转辙机故障诊断主要依靠对原始数据进行一些简单的计算得到故障诊断特征集，作为故障诊断特征参数，这些故障诊断特征参数没有考虑到信号在某一时域或频域的变化及信号在局部突变处的变化信息，同时也存在故障特征提取单一问题，不利于道岔的故障诊断。

(3)针对道岔转辙机故障诊断研究方法，没有形成一个完善的核心算法且已有算法存在故障诊断准确率低、训练时间长等问题。

(4)由于现场设备的特殊性，其故障往往难以100％复现，故仅依赖硬件设备，进行故障诊断的方法准确性低。

由此可见，上述现有的道岔故障诊断方法仍存在有不便与缺陷，而亟待加以进一步改进。如何能创设一种新的多特征融合的道岔智能故障诊断方法及系统和设备，使其通过对道岔转换系统的油压信号数据提取信号特征，进而采用智能优化算法参数优化的SVM模型进行故障模式识别，该诊断方法精度高，准确性好，且同时具有效率高、成本低的优点。

发明内容

本发明要解决的技术问题是提供一种多特征融合的道岔智能故障诊断方法，使其通过对道岔转换系统的油压信号数据提取信号特征，进而采用智能优化算法参数优化的SVM模型进行故障模式识别，该诊断方法精度高，准确性好，且同时具有效率高、成本低的优点，从而克服现有的道岔故障诊断方法的不足。

为解决上述技术问题，本发明提供一种多特征融合的道岔智能故障诊断方法，所述方法包括如下步骤：