一种基于深度学习的计轴器故障监测方法技术

本发明专利技术公开了一种基于深度学习的计轴器故障监测方法，包括以下步骤：S1、获取计轴器发出的信号，经过处理，得到轮脉冲监视信号；S2、通过通信系统将轮脉冲监视信号发送给计算机；S3、通过计算机对获取轮脉冲监视信号，进行处理，得到高频细节信号的包络谱图；S4、通过深度卷积神经网络对输入的包络谱图进行分类，并输出分类结果；S5、判断深度卷积神经网络的输出分类结果与设定的故障分类是否有相同项，若相同，进入步骤S6；若不相同，返回步骤S2；S6、在计算机端显示计轴器的故障分类。本发明专利技术提供的计轴器故障监测方法，降低了对工人经验知识的依赖，对计轴器健康状况进行实时监测，并对计轴器的故障类型进行预判断，提高率计轴器的维护效率。

A fault monitoring method for axle counter based on deep learning

The invention discloses a fault monitoring method for shaft meter based on deep learning, which includes the following steps: S1, obtaining the signal from the axle meter, and getting the wheel pulse monitoring signal through processing; S2, sending the wheel pulse monitoring signal to the computer through the communication system; S3, through the computer to get the wheel pulse monitoring signal. The envelope spectrum of the high frequency detail signal is obtained. S4, classifies the envelope spectrum of the input by the deep convolution neural network, and outputs the classification result; S5, the output classification result of the judgement depth convolution neural network is the same as that of the set fault classification, if the same, it enters step S6; if not Also, step back S2, S6, and display the fault classification of the axle counter on the computer side. The fault monitoring method of the shaft meter provided by this invention reduces the dependence on the experience knowledge of the workers, monitors the health status of the shaft meter in real time, and prejudges the fault types of the axle meter, and improves the maintenance efficiency of the axle meter.

【技术实现步骤摘要】
一种基于深度学习的计轴器故障监测方法
本专利技术属于计轴器故障监测
，具体涉及一种基于深度学习的计轴器故障监测方法。
技术介绍
计轴器是用于完成计算车辆进出区段的轮轴数，分析计算区段是否有车占用的一种技术设备，计轴器能够实现高精度定位发送计轴脉冲。由于强电干扰、磁头受到金属物干扰、通过监测点时车速过低、计轴器自身故障灯原因，计轴设备故障在所难免。地铁运营过程中，列车运行间隔小，当场解决计轴设备故障难度较大，很有可能降低基于通信的列车自动控制系统(CBTC)可用性。为确保地铁工程列车或CBTC列车在无线通信故障情况下仍能确保列车安全运行，普遍采用计轴器作为备用列车占用/空闲检测设备，计轴器故障检测技术难点在于故障种类较多，并且在维护过程中对人员有一定要求，维修效率低。目前，当计轴器不能正确的监测轮脉冲信号时，不能完成计轴工作时，系统会报错，但是不会显示故障类型，需要维修人员花费大量时间进行故障类型判断；并且当出现电压问题和磁场干扰时，因短时间不影响计轴器的正常工作，目前的计轴器监测系统不会报障。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的基于深度学习的计轴器故障监测方法解决了现有计轴器故障监测过程中无法对计轴器故障类型进行预判断的问题。为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于深度学习的计轴器故障监测方法，包括以下步骤：S1、获取计轴器发出的信号，并将其处理为轮脉冲监视信号；S2、通过通信系统将轮脉冲监视信号发送给计算机；S3、通过计算机对轮脉冲监视信号进行小波分解与重构，得到高频细节信号的包络谱图；S4、通过深度卷积神经网络对输入的包络谱图进行分类，并输出分类结果；S5、判断分类结果与设定的故障分类是否有相同项，若是则进入步骤S6；否则返回步骤S2；S6、在计算机端显示计轴器的故障分类。进一步地，所述步骤S1中计轴器包括两套有源磁钢和一个集成电路板；每套所述有源磁钢均包括一个发送磁头和一个接收磁头；将计轴器发出的信号处理为轮脉冲监视信号的方法具体为：S1-1、通过集成电路板驱动两个发送磁头在空间内产生交变磁场；S1-2、通过接收磁头感应空间磁场的变化，并输出正弦感应信号；S1-3、通过集成电路板接收并处理正弦感应信号，并通过DSP采样分析，产生轮脉冲监视信号。进一步地，所述步骤S2中的通信系统为CBTC通信系统。进一步地，所述步骤S3中小波分解与重构运用MATLAB软件中的小波工具箱完成，具体方法为：S3-1、对获取的轮脉冲监视信号采用db10小波函数，进行尺度为1到5的信号分解计算，得到每层信号相应的高频系数和低频系数；其中db10小波表示阶数为10的小波；S3-2、对分解后每层高频系数进行阈值量化处理，其中阈值为MATLAB软件中的默认阈值；S3-3、根据原始输入图像分解后的第5层的低频系数和经阈值量化处理的每层对应的高频系数，运用重构算法进行信号重构，得到轮脉冲信号高频细节信号的包络谱图。进一步地，所述步骤S3-3中高频细节信号的包络谱图的图像分辨率为227×227×3。进一步地，所述步骤S4的深度卷积神经网络为经过训练的网络参数固定的深度卷积神经网络；所述输入深度卷积神经网络的若干张高频细节信号的包络谱图图像包括训练集和测试集，所述训练集和测试集占比均为1/2。进一步地，所述深度卷积神经网络包括3层卷积层、Avpool层和softmax分类层；每层所述卷积层之间均设置有BatchNormorlization结构和Relu激活函数。进一步地，所述步骤S5中包络谱图对应的设定的故障分类包括：磁头误触：包络谱图幅值高、持续时间短；板卡故障：包络谱图脉冲信号紊乱，无法有效监测轮脉冲；电磁干扰：包络谱图幅值低，持续时间不确定；电源故障：包络谱图幅值低，持续整个周期；通信故障：无脉冲信号输出；其中板卡为计轴器内的集成电路板。本专利技术的有益效果为：本专利技术提供的计轴器故障监测方法，降低了对工人经验知识的依赖，对计轴器健康状况进行实时监测，并对计轴器的故障类型进行预判断，提高率计轴器的维护效率。附图说明图1为专利技术提供的实施例中基于深度学习的计轴器故障监测方法实现流程图。图2为本专利技术提供的实施例中获取计轴器发出信号方法实现流程图。图3为本专利技术提供的实施例中的对轮脉冲监视信进行小波分解与重构处理方法实现流程图。具体实施方式下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。在本专利技术的一个实施例中，如图1至图3所示，一种基于深度学习的计轴器故障监测方法，包括以下步骤：S1、获取计轴器发出的信号，并将其处理为轮脉冲监视信号。其中，计轴器包括两套有源磁钢和一个集成电路板；每套有源磁钢均包括一个发送磁头和一个接收磁头。将计轴器发出的信号处理为轮脉冲监视信号的方法具体为：S1-1、通过集成电路板驱动两个发送磁头在空间内产生交变磁场。S1-2、通过接收磁头感应空间磁场的变化，并输出正弦感应信号。S1-3、通过集成电路板接收并处理正弦感应信号，并通过DSP采样分析，产生轮脉冲监视信号。S2、通过通信系统将轮脉冲监视信号发送给计算机。其中，通信系统为CBTC通信系统。S3、通过计算机对轮脉冲监视信号进行小波分解与重构，得到高频细节信号的包络谱图。其中，小波分解与重构运用MATLAB软件中的小波工具箱完成，其采样频率根据计轴器频率所调整，一般选用200Hz，采样点为1024个。对输入轮脉冲监视信号进行小波分解与重构的具体方法为：S3-1、对获取的轮脉冲监视信号采用db10小波函数，进行尺度为1到5的信号分解计算，得到每层信号相应的高频系数和低频系数；其中db10小波表示阶数为10的小波。S3-2、对分解后每层高频系数进行阈值量化处理，其中阈值为MATLAB软件中的默认阈值。S3-3、根据原始输入图像分解后的第5层的低频系数和经阈值量化处理的每层对应的高频系数，运用重构算法进行信号重构，得到轮脉冲信号高频细节信号的包络谱图。在上述步骤S3-3中高频细节信号的包络谱图的图像分辨率为227×227×3，经过小波分解与重构处理后的信号在后续输入神经网络进行分类时，其分类效果较原始轮脉冲监视信号直接输入进行分类的效果有显著提升。S4、通过深度卷积神经网络对输入的包络谱图进行分类，并输出分类结果。其中，深度卷积神经网络为经过训练的网络参数固定的深度卷积神经网络；输入深度卷积神经网络的若干张高频细节信号的包络谱图图像包括训练集和测试集，训练集和测试集占比均为1/2。上述深度卷积神经网络包括三个卷积层、Avpool层和softmax分类层，每个卷积层包括对应的卷积层、激活函数和BN层，此三层完成信号包络谱图的卷积过程，提高计轴器故障分类的准确率，三层卷积层中的每个卷积核视为一种滤波器，其中，第二层卷积层和第三层卷积层都有192个卷积核，随着待处理图片尺寸的减小，其中的训练参数也相应的减少，之后的图片进入Avpool层，进行卷积处理后的图像特征的整合；最后输入softmax分类层进行故障分类。需要说本文档来自技高网...

【技术保护点】
1.一种基于深度学习的计轴器故障监测方法，其特征在于，包括以下步骤：S1、获取计轴器发出的信号，并将其处理为轮脉冲监视信号；S2、通过通信系统将轮脉冲监视信号发送给计算机；S3、通过计算机对轮脉冲监视信号进行小波分解与重构，得到高频细节信号的包络谱图；S4、通过深度卷积神经网络对输入的包络谱图进行分类，并输出分类结果；S5、判断分类结果与设定的故障分类是否有相同项，若是则进入步骤S6；否则返回步骤S2；S6、在计算机端显示计轴器的故障分类。

【技术特征摘要】
1.一种基于深度学习的计轴器故障监测方法，其特征在于，包括以下步骤：S1、获取计轴器发出的信号，并将其处理为轮脉冲监视信号；S2、通过通信系统将轮脉冲监视信号发送给计算机；S3、通过计算机对轮脉冲监视信号进行小波分解与重构，得到高频细节信号的包络谱图；S4、通过深度卷积神经网络对输入的包络谱图进行分类，并输出分类结果；S5、判断分类结果与设定的故障分类是否有相同项，若是则进入步骤S6；否则返回步骤S2；S6、在计算机端显示计轴器的故障分类。2.根据权利要求1所述的基于深度学习的计轴器故障监测方法，其特征在于，所述步骤S1中计轴器包括两套有源磁钢和一个集成电路板；每套所述有源磁钢均包括一个发送磁头和一个接收磁头；将计轴器发出的信号处理为轮脉冲监视信号的方法具体为：S1-1、通过集成电路板驱动两个发送磁头在空间内产生交变磁场；S1-2、通过接收磁头感应空间磁场的变化，并输出正弦感应信号；S1-3、通过集成电路板接收并处理正弦感应信号，并通过DSP采样分析，产生轮脉冲监视信号。3.根据权利要求1所述的基于深度学习的计轴器故障监测方法，其特征在于，所述步骤S2中的通信系统为CBTC通信系统。4.根据权利要求1所述的基于深度学习的计轴器故障监测方法，其特征在于，所述步骤S3中小波分解与重构运用MATLAB软件中的小波工具箱完成，具体方法为：S3-1、对获取的轮脉冲监视信号采用db10小波函数，进行尺度为1到5的信号分解计算，得到每层信号相应的高频系数和低频系...

【专利技术属性】
技术研发人员：高宏力，孙弋，洪鑫，由智超，蔡璨羽，宋虹亮，贡宏伟，夏文超，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川,51