当前位置: 首页 > 专利查询>清华大学专利>正文

基于混合深度学习的高铁道岔故障诊断方法技术

技术编号:21454884 阅读:193 留言:0更新日期:2019-06-26 05:04
本发明专利技术提供一种基于混合深度学习的高铁道岔故障诊断方法,该方法在详细分析了VGG‑Net结构与SVM原理之后,通过利用VGG‑Net使用多个较小卷积核的卷积层代替一个较大卷积核的卷积层的思想与支持向量机在处理小数据方面具有良好分类性能的优势,设计提出了基于DCNN‑SVM混合模型的高铁道岔智能故障诊断方法,本申请提供的诊断方法诊断准确率达到100%,远比传统单一的机器学习方法及现有技术采用的基于卷积神经网络的算法效果好,表明了通过混合深度学习思想将神经网络与机器学习算法混合在一起,所构建的新的混合模型,在实际应用中拥有着非常好的效果。

【技术实现步骤摘要】
基于混合深度学习的高铁道岔故障诊断方法
本专利技术属于道岔故障诊断领域,特别涉及一种基于混合深度学习的高铁道岔故障诊断方法。
技术介绍
中国高铁经过十多年的高速发展,截止到2017年底,总里程已超过2.5万公里,跃居世界第一位,现已成为人们中长途出行首选的交通工具。随着高铁运行里程和运行速度的不断提升,其安全问题也备受关注。高铁信号设备工作状态的好坏将直接决定高铁运行的安全性,确保信号设备的安全可靠运行对促进高铁的快速发展与高效安全运行有着重要意义。道岔作为一种关键的高铁信号设备,其主要作用是切换列车的前进方向以实现列车的转线和跨线运行。由于我国目前高铁发展迅速,所需的道岔数量也将十分庞大。列车行车密度高将导致道岔的转换频繁,长时间的运行会产生磨损、老化。道岔作为一种室外装置,容易受到外部环境的影响,温度、湿度等气候变化都可能影响道岔的安全运行。上述情况极易导致道岔出现故障,将会对高铁的安全可靠运营产生重大隐患。传统的道岔故障诊断主要依赖于人工经验,铁路工作人员通过定期浏览微机监测采集到的道岔运行数据,将所监测到的动作电流、功率等曲线,与正常运行的道岔监测数据进行对比,从而确定其运行工作状态是否存在异常。目前这种人工故障诊断方法不但需要花费大量的人力物力,且效率低下,还会存在误判和漏判等状况,更严重依赖专家经验知识。因此,为了提高道岔维护效率,消除事故隐患,进而保证高铁的高效安全运行,需设计并实现高度智能化的道岔故障诊断方法。随着高铁技术的不断发展,国内外学者已经对高铁道岔的故障诊断方法做了大量的研究工作,主要集中在维护人员通过对监测到的道岔电流电压功率曲线等数据进行人工处理分析从而进行故障诊断。目前主要的故障诊断方法大致可分为三类: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以及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是根据在某一领域的专家经验建立知识库,通过计算机程序模拟专家的推理思维过程,依据经验知识做出判断和决策从而进行故障诊断的方法。目前,不少研究人员对专家系统在高铁道岔故障诊断领域进行了深入的研究。王军研究了基于故障树的专家系统故障诊断方法,通过设计高铁道岔智能监测系统能够对道岔设备状态进行实时监测并做出故障诊断。黄毅等针对西门子S700K型电动道岔的常见故障模式进行了分析与处理,详细说明了道岔动作电流曲线、功率曲线与道岔运行状况的关系,并比较了正常情况与故障模式之间各个曲线的峰值、时间长度、标准差等各种参数的不同,然后将这些专家经验知识存储到计算机中作为规则库,实现了对道岔各种故障模式的有效识别诊断。北京交通大学的薛艳青在其硕士论文中采用基于专家系统的故障诊断方法,通过计算机模拟人类专家的推理决策过程,对道岔的故障运行状态进行判断和分析进而实现对道岔的故障诊断。清华大学的周芬芳以道岔动作电流曲线为研究对象,通过采用基于专家系统的方法提炼出道岔故障诊断规则,建立专家经验知识库,实现了道岔动作电流曲线的在线故障诊断。基于解析模型的故障诊断方法不依赖于专家经验知识,而是通过对诊断对象进行仿真建模、实物复现等方法来进行故障诊断,其关键技术在于如何对诊断对象建立精准的数学模型并根据模型相关参数变化来分析处理故障。基于解析模型的道岔故障诊断方法受到了很多研究者的关注。Calado等设计了一种基于定性模型的道岔故障诊断方法,将采集的运行参数的变化输入给模型,并将模型估计输出和实际输出之差输入给训练好的神经网络来实现故障诊断。OmerF等建立了一种基于状态的铁路道岔数学模型,通过采用基于时延神经网络的道岔故障预测系统实现了对道岔的运行状态进行预测。ElenaZ则通过检测系统对电压电流采样处理,将道岔的运行过程视为一个线性时不变(LinearTimeInvariant,LTI)模型,并通过数学方法进行建模,结合H2范数的诊断方法设计实现道岔故障预警。Puig则提出了一种具有鲁棒性故障检测和隔离的故障诊断方法,使用区间观测器模型设计了道岔故障诊断模型,根据所提出的指标进行实验得到了良好的结果。机器学习是人工智能的核心研究领域之一,是研究计算机如何模拟或实现人类的学习行为以获取新的知识或技能,进而重新组织已有的知识结构使之不断改善自身行为的一种技术。基于传统机器学习的故障诊断方法主要依靠对运行数据进行处理分析,在没有精确的数学解析模型的情况下进行故障诊断,属于一种数据驱动的诊断方法。近年来,运用机器学习的方法对道岔进行故障诊断的研究得到了学者的广泛关注。Fausto等提出了一种基于自适应模糊神经网络的道岔故障诊断方法,以道岔信号参数为研究对象,通过主成分分析的方法降低数据的复杂度,实现了道岔故障的检测和识别。王铁军在分析各种典型道岔故障机理基础之上,通过构造反向传播(BackPropagation,BP)神经网络模型与径向基(RadialBasisFunction,RBF)神经网络模型分别对道岔进行了智能故障诊断,该方法能快速、有效地诊断出故障原因,为维修人员提供技术支持。王文博基于道岔控制电路的工作原理,提出了一种基于BP神经网络的道岔故障诊断算法,并通过现场数据证实该算法在诊断精度与效果方面具有良好的表现。张凯在分析某型号高铁道岔的典型动作电流曲线的基础之上,通过建立概率神经网络(ProbabilisticNeuralNetworks,PNN)对道岔控制电路进行故障智能诊断,并通过离线测试验证了算法的有效性。北京交通大学的何攸旻提出了一种基于支持向量机(SupportVectorMachine,SVM)的高铁道岔故障诊断方法,利用道岔动作电流曲线数据训练SVM经验模型然后进行故障诊断,该方法已取得了良好的现场诊断效果。关琼则利用果蝇算法(FruitFlyOptimizationAlgorithm,FOA)优化支持向量机的训练参数,提出基于FOA-LSSVM的道岔故障诊断算法来提高道岔故障诊断的准确率。杨静则从定量的角度研究了道岔的故障诊断方法,通过采用离散小波变换(DiscreteWaveletTransform,DWT)对故障进行特征提取,并利用非线性SVM方法对特征信息进行故障识别,实现了对道岔的故障诊断。随着人工智能的发展,将深度学习的方法应用于解决复杂工业系统的故障诊断研究已初现端倪。深度学习(DeepLearning)作为机器学习的一个新兴技术,其动机在于建立模拟人脑进行分析学习的神经网络,通过对数据进行分层特征表示,实现将低级特征进一步抽象成高级特征表示。2006年,Hinton于《Science》子刊上首次提出了深度学习的概念。2015年,Hinton、LeCun和Bengio三位深度学习巨头在《Nature》期刊上介绍了深度学习在语音识别、目标检测以及其他领域的应用,并深入浅出地介绍了卷积神经网络(ConvolutionalNeuralNetwork,CNN)、循环神经网络等几种典型深度学习模型的基本原理和应用前景。近年来,将深度学习中卷积神经网络模型应用于解决复杂系统的故障诊断研究已取得了不少成果。任浩等详细介绍了CNN在故障诊断领域中的研究现状,并指出由于CNN能学习海量数据中的特征以及识别海量数据中蕴含的信息,于是非常适合处理海量数据。华中科本文档来自技高网...

【技术保护点】
1.一种基于混合深度学习的高铁道岔故障诊断方法,其特征在于,所述方法包括如下步骤:S1:获取道岔动作电流曲线数据,并进行预处理和归一化处理;S2:将经过归一化处理的数据转换为二维矩阵;S3:利用深度卷积神经网络‑支持向量机混合模型对步骤S2获得的二维矩阵进行特征向量提取;S4:利用提取的特征向量输入深度卷积神经网络‑支持向量机混合模型进行训练,构建道岔故障诊断模型,将待检测数据输入到道岔故障诊断模型中,根据输出结果判断待检测数据是否为故障数据。

【技术特征摘要】
1.一种基于混合深度学习的高铁道岔故障诊断方法,其特征在于,所述方法包括如下步骤:S1:获取道岔动作电流曲线数据,并进行预处理和归一化处理;S2:将经过归一化处理的数据转换为二维矩阵;S3:利用深度卷积神经网络-支持向量机混合模型对步骤S2获得的二维矩阵进行特征向量提取;S4:利用提取的特征向量输入深度卷积神经网络-支持向量机混合模型进行训练,构建道岔故障诊断模型,将待检测数据输入到道岔故障诊断模型中,根据输出结果判断待检测数据是否为故障数据。2.如权利要求1所述的基于混合深度学习的高铁道岔故障诊断方法,其特征在于,步骤S1所述的预处理为将采样点维度进行统一。3.如权利...

【专利技术属性】
技术研发人员:张国华董炜章彭孙新亚闫友为燕翔蒋灵明吉吟东
申请(专利权)人:清华大学
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1