【技术实现步骤摘要】
基于混合深度学习模型的道岔故障诊断方法
[0001]本专利技术属于列车道岔故障诊断与人工智能
，具体涉及基于混合深度学习模型的道岔故障诊断方法。
技术介绍
[0002]道岔是铁路信号系统的基础设备之一，用于切换列车的前进方向以实现列车的转线和跨线运行。随着我国铁路的迅速发展，铁路网规模不断扩张，道岔的应用需求也越来越大，但由于受到自身机械结构和执行机构的制约，道岔各部分的机械强度一般低于线路上的其他设备，非常容易发生疲劳变化，从而引发列车挤岔甚至脱轨事故。加之道岔一般安置于室外，其工作环境受天气影响较大，任何温度或湿度的变化都有可能影响道岔的安全运行。因此，道岔故障的及时发现、准确诊断以及提前预警，对于预防重大事故，提高设备使用率起到了至关重要的作用。
[0003]目前仍采用人工定期排查与微机监测系统监测道岔动作状态相结合的方式来检修道岔。维护人员定期浏览微机监测系统采集到的道岔动作电流和功率曲线，通过与正常运行道岔的监测数据作对比，来识别道岔故障。但人工检测对检修人员的经验要求较高，常发生新员工因经验不足而误...
【技术保护点】
【技术特征摘要】
1.基于混合深度学习模型的道岔故障诊断方法，其特征在于，具体按照以下步骤实施：步骤1：对道岔功率数据进行预处理、归一化，分析每种数据所对应的故障类型，按设定规则标注样本数据集中的每个样本数据所反应的故障类型；步骤2：使用改进Smote算法扩充故障数据，并划分数据集；步骤3：建立深度神经网络分类模型；步骤4：使用交叉熵损失函数和Adam优化器对模型进行训练。2.根据权利要求1所述的基于混合深度学习模型的道岔故障诊断方法，其特征在于，所述步骤1中，具体为：步骤1.1，道岔动作功率曲线是一维时间序列数据，每条数据取210个采样点，将长度不足210个采样点的数据末尾进行补零操作，超过210个采样点的数据进行截取，得到长度相同的一维时序数据；将数据进行归一化；步骤1.2：获取归一化后的道岔动作功率数据，以道岔动作时间为横坐标，离散的功率数据为纵坐标，生成道岔动作功率曲线，根据每个时段动作的不同形成了相应的功率曲线；步骤1.3：通过步骤1.2将所有的功率时序数据转换为功率曲线图，根据每个阶段曲线的走势不同，从原始样本集中手动挑选了六种不同类型的功率曲线，分别对应道岔转换过程中六种不同的故障，分别为启动阶段功率波动异常、转换阶段功率上升并保持、阶段功率直接降为0、阶段功率出现大幅波动、阶段功率正常下降后保持不变但不为0、转换阶段功率波动异常。3.根据权利要求2所述的基于混合深度学习模型的道岔故障诊断方法，其特征在于，所述步骤2中，具体为：步骤2.1：对于每种故障数据，随机选择一条作为该类数据的少数类样本X
i
，另随机选择5条该类别的数据作为其最邻近样本Y
i
，使用随机线性插值的方式生成新样本，最后将新生成的数据加入原始数据集中；步骤2.2，使用Smote算法将6种故障数据分别增至500条，与500条正常数据按照0
‑
6的顺序加分类标签，代表7种不同的故障类别，整体3500条数据作为原始数据集，打乱顺序后按照7：3的比例划分为训练集与测试集。4.根据权利要求3所述的基于混合深度学习模型的道岔故障诊断方法，其特征在于，所述步骤3中，具体为：步骤3.1：网络模型按照功能划分为特征提取器与分类器两个部分，其中特征提取器由一个空洞卷积层充当，分类器由包括第一卷积层、最大池化层、第二卷积层、ReLU激活函数层、融合注意力机制CBAM层、全连接层、DropOut层构成；步骤3.2：将训练集数据输入到特征提取器中，本层卷积核大小为2*2，步长为2，扩张率大小设为2，代表每两个数据之间有一个空位置，用0进行填充，经过特征提取后的数据作为分类器的输入；步骤3.3：经过空洞卷积层提取特征之后，数据的维度变为(1,8,8,19)，将该数据输入分类器中实现分类；步骤3.4：将整个分类器的输出结果输入到融合注意力机制CBAM层中做第二阶段处理；CBAM包括通道注意力模块与空间注意力模...
【专利技术属性】
技术研发人员：马维纲，戴岳，姬文江，黑新宏，谢国，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：
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。