一种基于先验知识的轨道电路故障诊断方法技术

本发明专利技术公开了一种基于先验知识的轨道电路故障诊断方法，在单纯基于模拟量分析的基础上，生成了带有先验知识的特征，以此构建的模型能进行更加精确的故障诊断，通过识别代码即能判断故障区域，降低操作与学习成本；而且，可以针对不同的区间轨道电路，各个区间段可以根据各个区间段的模拟量构建专属模型，不同类型轨道电路也可以采用该模型，仅需要修改输入数据维度即可。与以往的人工排查相比，故障定位过程从平均以小时进行，下降到了秒级，大大缩短了故障排查的时间。短了故障排查的时间。短了故障排查的时间。

【技术实现步骤摘要】
一种基于先验知识的轨道电路故障诊断方法


[0001]本专利技术涉及轨道电路故障诊断
，尤其涉及一种基于先验知识的轨道电路故障诊断方法。

技术介绍

[0002]目前在轨道电路故障诊断领域，有大量优秀的方法，模型，设计系统可以借鉴。如优化决策树C4.5方法，粗糙集计算相似度的方法，贝叶斯网络，模糊熵理论与非对称贴近原则等。以上为传统机器学习在轨道电路故障功能分析领域的应用，近年来也深度学习模型，进行故障模式的判断，如全连接网络，深度信念网络等。
[0003]传统的轨道电路故障智能诊断流程，是事先定义模拟量报警阈值，在故障发生后由巡检人员进行人工排查。但是，该过程会因为巡检人员不准时或人员不足导致大量的检查工作滞后、甚至严重的漏检问题。目前虽然存在一些基于深度学习的轨道电路故障诊断方法，但目前的方法没有充分考虑模拟量之间的低阶交互信息，且忽略了从故障维修人员的人工维修记录中挖掘有用信息，存在一定的局限性。

技术实现思路

[0004]本专利技术的目的是提供一种基于先验知识的轨道电路故障诊断方法，通过对轨道电路实时分析和诊断，可以及时发现故障发生的区域，能够提升铁路运输效率，这也对保证轨道电路的正常运行、降低运维人员劳动强度具有重要的意义和实际应用价值。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]一种基于先验知识的轨道电路故障诊断方法，包括：
[0007]对于任一区间段的轨道电路，从监测点测量到的所有模拟量信息中筛选出多个符合设定要求的模拟量信息，并进行归一化处理；
[0008]将归一化处理后的模拟量信息作为预先构建的DeepMemory模型的输入；所述DeepMemory模型包含Deep部分与Memory部分；
[0009]通过Deep部分内部隐藏层处理，获得各模拟量信息对应的隐特征；通过Memory部分对归一化处理后的模拟量信息进行交互处理，产生的带有先验知识的数据；综合各模拟量信息对应的隐特征与带有先验知识的数据输出轨道电路中区域代码确定故障区域。
[0010]由上述本专利技术提供的技术方案可以看出，在单纯基于模拟量分析的基础上，生成了带有先验知识的特征，以此构建的模型能进行更加精确的故障诊断，通过识别代码即能判断故障区域，降低操作与学习成本；而且，可以针对不同的区间轨道电路，各个区间段可以根据各个区间段的模拟量构建专属模型，不同类型轨道电路也可以采用该模型，仅需要修改输入数据维度即可。与以往的人工排查相比，故障定位过程从平均以小时进行，下降到了秒级，大大缩短了故障排查的时间。
附图说明
[0011]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
[0012]图1为本专利技术实施例提供的一种基于先验知识的轨道电路故障诊断方法的流程图；
[0013]图2为本专利技术实施例提供的在轨道电路设置监测点采集所需数据的示意图；
[0014]图3为本专利技术实施例提供的DeepMemory模型的示意图；
[0015]图4为本专利技术实施例提供的Deep部分的示意图；
[0016]图5为本专利技术实施例提供的Memory部分的示意图。
具体实施方式
[0017]下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术的保护范围。
[0018]首先对本文中可能使用的术语进行如下说明：
[0019]术语“和/或”是表示两者任一或两者同时均可实现，例如，X和/或Y表示既包括“X”或“Y”的情况也包括“X和Y”的三种情况。
[0020]术语“包括”、“包含”、“含有”、“具有”或其它类似语义的描述，应被解释为非排它性的包括。例如：包括某技术特征要素(如原料、组分、成分、载体、剂型、材料、尺寸、零件、部件、机构、装置、步骤、工序、方法、反应条件、加工条件、参数、算法、信号、数据、产品或制品等)，应被解释为不仅包括明确列出的某技术特征要素，还可以包括未明确列出的本领域公知的其它技术特征要素。
[0021]下面对本专利技术所提供的一种基于先验知识的轨道电路故障诊断方法进行详细描述。本专利技术实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。本专利技术实施例中未注明具体条件者，按照本领域常规条件或制造商建议的条件进行。
[0022]如图1所示，一种基于先验知识的轨道电路故障诊断方法，包括如下步骤：
[0023]步骤1、对于任一区间段的轨道电路，从监测点测量到的所有模拟量信息中筛选出多个符合设定要求的模拟量信息，并进行归一化处理。
[0024]本专利技术实施例中，对轨道电路监测的模拟量进行采集与分析。对于任一区间段的轨道电路，都可以按照实际环境布设相应的监测点，通过所有监测点能够测量到的N个模拟量信息，按照模拟量信息的变化程度从中筛选出M个模拟量，其中，N与M均为正整数，且N>M。
[0025]如图2所示，给出了在某一区间段的轨道电路布设监测点的示意图，由于轨道电路设备众多，集中监测系统在本轨道电路中设立有五个监测点，在列车运行前方轨道设立有三个监测点，通过对八个监测点的分析，可以测量本轨道轨道电路共计27个模拟量，包括电压，电流，移频，载频等参数。最终选取其中10个变化较大的电压电流模拟量，各模拟量名称和单位如表1所示。
[0026][0027][0028]表1筛选出的模拟量信息
[0029]考虑到不同类型模拟量信息之间单位不同，数值大小不同，数值变化从零到数千不等，因此，在输入至模型之前需要进行归一化处理。本专利技术实施例中，选择Min
‑
Max归一化方式，将轨道电路模拟量归一化到0
‑
1之间，公式如下：
[0030][0031]其中，x
i
、各自表示归一化前、后的模拟量的数值，x
min
、x
max
各自表示对应类别的模拟量的最小值与最大值。
[0032]步骤2、将归一化处理后的模拟量信息作为预先构建的DeepMemory模型的输入；所述DeepMemory模型包含Deep部分与Memory部分。
[0033]本专利技术实施例中，构建了DeepMemory模型，如图3所示，其主要包括：Deep部分和Memory部分。
[0034]本专利技术实施例中，Deep部分属于神经网络，可以理解为在高阶空间挖掘数据信息，Memory部分采用特征两两乘积的方式生成先验知识的规则特征并具备记忆能力，可以理解为在低阶空间挖掘数据信息。
[0035]步骤3、归一化后的模拟量信息通过Dee本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于先验知识的轨道电路故障诊断方法，其特征在于，包括：对于任一区间段的轨道电路，从监测点测量到的所有模拟量信息中筛选出多个符合设定要求的模拟量信息，并进行归一化处理；将归一化处理后的模拟量信息作为预先构建的DeepMemory模型的输入；所述DeepMemory模型包含Deep部分与Memory部分；通过Deep部分内部隐藏层处理，获得各模拟量信息对应的隐特征；通过Memory部分对归一化处理后的模拟量信息进行交互处理，产生的带有先验知识的数据；综合各模拟量信息对应的隐特征与带有先验知识的数据输出轨道电路中区域代码确定故障区域。2.根据权利要求1所述的一种基于先验知识的轨道电路故障诊断方法，其特征在于，所述从监测点测量到的所有模拟量信息中筛选出多个符合设定要求的模拟量信息包括：通过所有监测点能够测量到的N个模拟量信息，按照模拟量信息的变化程度从中筛选出M个模拟量，其中，N与M均为正整数，且N>M。3.根据权利要求1所述的一种基于先验知识的轨道电路故障诊断方法，其特征在于，所述归一化处理通...

【专利技术属性】
技术研发人员：杨勇，谢智多，梁志国，李刚，王鹏，胡启正，马元，孙瑞，葛雪纯，巩瑞英，宋志丹，武鹏，韩安平，郭亮，贾春肖，鲁剑锋，许加龙，白帅，
申请(专利权)人：中国国家铁路集团有限公司中国铁道科学研究院集团有限公司通信信号研究所，
类型：发明
国别省市：