【技术实现步骤摘要】
一种道岔故障预测方法
本专利技术涉及轨道交通领域,具体涉及一种道岔故障预测方法。
技术介绍
道岔是列车从一股轨道转入或越过另一股轨道时必不可少的线路设备,是铁路轨道的一个重要组成部分,也是故障率最高的设备。一旦道岔发生故障,不能完成规定动作,轻则临时停车造成时间延误;重则车厢脱轨造成人员伤亡。我国铁路运输作业频繁、运营环境多变易导致道岔故障,但现有道岔监测条件以及维修手段落后,这些情况极易造成行车突发事故或影响行车效率。目前铁路部门为防止事故发生,安排专业人员定期检查并维修道岔,需要大量的人力和物力,并且效率低下。现有技术中,还无法做到对道岔故障准确预测,也未提出快速有效的解决方案。所以基于所采集的道岔动作曲线以及故障信息等历史数据,采用科学方法预测道岔下一阶段工作状态及剩余寿命,在其故障之前及时发现并配合实施相应的维修保障措施。根据道岔故障预测信息为维修决策优化提供借鉴,合理调整维修间隔,减少“维修过剩”和“维修不足”,保证行车安全与乘客生命安全的重要举措。
技术实现思路
本专利技术提供了一种道岔故障预测方法,实现对道岔下一阶段工作状态及剩余寿命的预测,优化维修决策,调整维修间隔,减少现有维修中“维修过剩”和“维修不足”的问题。本专利技术提出的一种道岔故障预测方法,包括以下步骤:(1):采集同一道岔连续N次正常动作曲线;(2):对每一条正常动作曲线提取代表性特征;代表性特征有10个,具体为:T1为道岔解锁阶段的电流最大值,T2为该电流值对应的时间;T3为道岔解锁阶段电流回落过程中电流最小值,T4位该电流值对应的时间;T5为道岔转换阶段的电流众数值,T6为该电 ...
【技术保护点】
一种道岔故障预测方法,其特征在于,包括以下步骤:(1):采集同一道岔连续N次正常动作曲线;(2):对每一条正常动作曲线提取代表性特征;代表性特征有10个,具体为:T1为道岔解锁阶段的电流最大值,T2为该电流值对应的时间;T3为道岔解锁阶段电流回落过程中电流最小值,T4位该电流值对应的时间;T5为道岔转换阶段的电流众数值,T6为该电流值对应的时刻;T7为道岔从转换阶段进入锁闭阶段时刻对应电流值,T8为该电流值对应的时刻;T9为道岔动作结束点即此时刻电流值降为零,T10为该电流值对应的时间;(3):对N条正常动作曲线提取的代表性特征中的同类特征分别建立预测模型;(4):基于步骤(3)预测模型分别计算道岔第Y次(Y>N)动作时每类特征的特征值;(5):基于预测模型所得每类特征的特征值得到道岔第Y次动作的每类特征的预测曲线;(6):对步骤(5)得到的道岔第Y次动作预测曲线进行故障诊断,判断是否故障。
【技术特征摘要】
1.一种道岔故障预测方法,其特征在于,包括以下步骤:(1):采集同一道岔连续N次正常动作曲线;(2):对每一条正常动作曲线提取代表性特征;代表性特征有10个,具体为:T1为道岔解锁阶段的电流最大值,T2为该电流值对应的时间;T3为道岔解锁阶段电流回落过程中电流最小值,T4位该电流值对应的时间;T5为道岔转换阶段的电流众数值,T6为该电流值对应的时刻;T7为道岔从转换阶段进入锁闭阶段时刻对应电流值,T8为该电流值对应的时刻;T9为道岔动作结束点即此时刻电流值降为零,T10为该电流值对应的时间;(3):对N条正常动作曲线提取的代表性特征中的同类特征分别建立预测模型;(4):基于步骤(3)预测模型分别计算道岔第Y次(Y>N)动作时每类特征的特征值;(5):基于预测模型所得每类特征的特征值得到道岔第Y次动作的每类特征的预测曲线;(6):对步骤(5)得到的道岔第Y次动作预测曲线进行故障诊断,判断是否故障。2.根据权利要求1所述的道岔故障预测方法,其特征在于,步骤(1)中所述的采集同一道岔连续N次正常动作曲线为从微机监测系统中提取的道岔动作曲线数据或图像,或为纸质文件中的道岔动作曲线数据或图像。3.根据权利要求1所述的道岔故障预测方法,其特征在于,步骤(1)所述的采集同一道岔连续N次正常动作曲线,具体如下:(1a):从微机监测系统中采集同一道岔连续M次动作曲线(M>N);(1b):去除故障曲线,保留正常曲线;(1c):按照时间顺序曲线标记为{曲线1,曲线2,曲线3…曲线N}。4.根据权利要求1所述的道岔故障预测方法,其特征在于,步骤(3)中所述建立的预测模型为BP神经网络,具体步骤如下:(3a):分别对道岔N次正常动作曲线的每类特征的数据进行归一化处理,利用如下公式:其中,xmin为数据序列中的最小数;xmax为数据序列中的最大数;(3b):分别选取每类特征的特征值作为模型输入样本;(3c):构建三层BP神经网络模型,确定输入层、隐含层及输出层神经元个数;(3d):给输入层、隐含层及输出层各连接权值分别赋值,确定所构建的BP神经网络模型的目标误差、学习率、训练次数、误差函数及隐含层与输出层的激活函数;(3e)根据(3d)设置,BP神经网络模型得到预测数据;(3f):根据BP神经网络模型的实际数据、预测数据、误差函数对输出层的各神经元偏导数、隐含层到输出层的连接权值、隐含层的输出误差函数对隐含层的各神经元偏导数及隐含层各神经元的输出,修正连接权值,计算相对误差E,采用如下公式:1其中,Ypred(t)为BP神经网络输出值,Yreal(t)为实际值;(3g):当相对误差达到预设精度或训练次数大于设定最大次数,此次预测结束,得到特征的预测值...
【专利技术属性】
技术研发人员:黄世泽,翟亚婵,董德存,张帆,
申请(专利权)人:同济大学,
类型:发明
国别省市:上海,31
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。