[发明专利]转辙机运行状态检测方法及电子设备

说明书

本发明适用于转辙机检测技术领域，提供了一种转辙机运行状态检测方法及电子设备，该方法包括：获取道岔动作电流训练数据和预设的RBM网络隐含层结点数目；根据道岔动作电流训练数据的维数和RBM网络隐含层结点数目，构建Q个相同的子RBM网络；根据道岔动作电流训练数据训练各个子RBM网络的权重参数以及各个子RBM网络间的权重参数，得到RBM网络模型；基于RBM网络模型对目标转辙机移动道岔时产生的道岔动作电流数据进行特征提取，并根据提取的特征对目标转辙机进行运行状态检测。本发明能够解决现有技术中RBM对高维道岔动作电流数据的特征提取能力差的问题，进而提高对转辙机运行状态检测的准确性。

技术领域

本发明属于转辙机检测技术领域，尤其涉及一种转辙机运行状态检测方法及电子设备。

背景技术

由于高铁转辙机受设备自身物理属性、健康状况、所处环境等因素的影响，转辙机在搬动道岔时所产生的道岔动作电流曲线，在向技术人员提供转辙机运行状况信息的同时，也夹杂了大量不相关、冗余的噪声特征，从而影响后续智能算法模型的学习效果。因此，需要从夹杂噪声的特征中提取出更具代表性的特征，来替换原始道岔电流数据特征，以方便后续模型算法的推进。

RBM(Restricted Boltzmann Machine，受限玻尔兹曼机)是一种学习输入数据概率分布的随机生成神经网络，由于其强大的特征提取和表达能力，已经广泛应用于数据维数缩减、分类、协同过滤等领域。当RBM遇到高维数据时，在一定范围内，可以采用更多的隐含层结点，来提高RBM的抽象学习能力。但是，如果隐含层结点数量超过某个阈值之后，RBM的泛化能力会明显下降，这种现象被称为过拟合。为了应对日益严重的维数灾难问题，以及克服过拟合现象，就需要使RBM突破网络隐含层结点数目的上限，使RBM能够以更强的特征提取能力为后续模型的学习和泛化提供更好的支持。

发明内容

有鉴于此，本发明实施例提供了一种转辙机运行状态检测方法及电子设备，以解决现有技术中RBM对高维道岔动作电流数据的特征提取能力差的问题，进而提高对转辙机运行状态检测的准确性。

本发明实施例的第一方面提供了一种转辙机运行状态检测方法，包括：

获取道岔动作电流训练数据和预设的RBM网络隐含层结点数目；

根据道岔动作电流训练数据的维数和RBM网络隐含层结点数目，构建Q个相同的子RBM网络，Q为预设的正整数值；

根据道岔动作电流训练数据训练各个子RBM网络的权重参数以及各个子RBM网络间的权重参数，得到RBM网络模型；

基于RBM网络模型对目标转辙机移动道岔时产生的道岔动作电流数据进行特征提取，并根据提取的特征对目标转辙机进行运行状态检测；其中，道岔动作电流数据与道岔动作电流训练数据的维数相同。

可选的，根据道岔动作电流训练数据的维数和RBM网络隐含层结点数目，构建Q个相同的子RBM网络，包括：

根据确定各个子RBM网络的可视层结点数目；

根据确定各个子RBM网络的隐含层结点数目；

根据可视层结点数目和隐含层结点数目构建各个子RBM网络；

其中，numV_i为可视层结点数目，numH_i为隐含层结点数目，N为道岔动作电流训练数据的维数，K为RBM网络隐含层结点数目。

可选的，根据道岔动作电流训练数据训练各个子RBM网络的权重参数，包括：

对于第i个子RBM网络，从道岔动作电流训练数据中提取第i*numV_i至(i+1)*numV_i列数据，对该子RBM网络中可视层结点与隐含层结点的连接权重进行训练，得到该子RBM网络的权重参数。