基于1DCNN-LSTM的道岔故障诊断方法及系统技术方案

本发明专利技术公开基于1DCNN

【技术实现步骤摘要】
基于1DCNN
‑
LSTM的道岔故障诊断方法及系统


[0001]本专利技术涉及故障检测
，特别是涉及一种基于1DCNN
‑
LSTM的道岔故障诊断方法及系统。

技术介绍

[0002]道岔转辙机作为铁路基础设施被应用于引导列车到达预定的路线，从而确保每辆列车的平稳运行。然而，运输繁忙、客货运输密度大等工作环境常使其动作杆、表示杆、齿轮等关键部件发生故障，影响列车的安全可靠运行。如果道岔不能按照需求及时转换到相应的位置，将会影响该线段整个列车的正常运行，严重时将会造成列车脱轨事故的发生。
[0003]现主要的故障识别方式是通过集中监测系统实时监测转辙机动作时的工作电流、工作功率等，信号维护人员通过对比正常动作时的参考数据来处理道岔隐患。这种方式具有一定的人为主观因素，在复杂多变的工作环境下很难实现对转辙机故障的快速定位并完成道岔设备的状态修改。因此，研究道岔转辙机智能故障诊断对保障高速列车的安全可靠运行和降低维修成本具有重要意义，是适应新形势下铁路运维智能化发展的方向。

技术实现思路

[0004]本专利技术的目的是提供一种基于1DCNN
‑
LSTM的道岔故障诊断方法、系统、设备及存储介质，提高了故障诊断的效率。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于1DCNN
‑
LSTM的道岔故障诊断方法，包括：
[0007]获取待诊断道岔转辙机的动作功率信号；
[0008]采用经验模态分解算法对所述动作功率信号进行不同频率分解，获得多个固有模态函数信号；
[0009]从多个所述固有模态函数信号中选取出多通道输入信号；
[0010]将所述多通道输入信号输入道岔转辙机故障诊断模型，输出故障诊断识别结果；所述道岔转辙机故障诊断模型是通过动作功率数据集对深度学习神经网络进行训练确定的；
[0011]所述深度学习神经网络包括依次连接的一维卷积神经网络和长短期记忆网络；所述动作功率数据集中样本数据包括多通道输入信号和多通道输入信号对应的状态类型，所述状态类型包括正常运行状态和故障状态。
[0012]可选地，从多个所述固有模态函数信号中选取出多通道输入信号，具体包括：
[0013]按照频率从高到低的顺序将多个所述固有模态函数信号进行排序，并选取出前三个信号作为多通道输入信号。
[0014]可选地，所述一维卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层；
[0015]所述深度学习神经网络还包括依次连接的展平层、全连接层和输出层，所述长短
期记忆网络的输出连接所述展平层的输入。
[0016]可选地，所述故障状态包括电路二极管损坏、动作杆卡死、转辙机内部和道岔连接部分发生故障、转辙机齿轮与齿轮块之间卡死、断相保护器发生故障。
[0017]可选地，所述深度学习神经网络的训练过程包括：
[0018]基于所述动作功率数据集，采用Adam优化器更新所述深度学习神经网络的参数，采用交叉熵损失函数作为训练中的损失函数，以多通道输入信号为输入，多通道输入信号对应的状态类型为输出训练所述深度学习神经网络，将训练好的所述深度学习神经网络作为所述道岔转辙机故障诊断模型。
[0019]本专利技术还公开了一种基于1DCNN
‑
LSTM的道岔故障诊断系统，包括：
[0020]待诊断动作功率信号获取模块，用于获取待诊断道岔转辙机的动作功率信号；
[0021]经验模态分解模块，用于采用经验模态分解算法对所述动作功率信号进行不同频率分解，获得多个固有模态函数信号；
[0022]多通道输入信号确定模块，用于从多个所述固有模态函数信号中选取出多通道输入信号；
[0023]故障诊断识别结果确定模块，用于将所述多通道输入信号输入道岔转辙机故障诊断模型，输出故障诊断识别结果；所述道岔转辙机故障诊断模型是通过动作功率数据集对深度学习神经网络进行训练确定的；
[0024]所述深度学习神经网络包括依次连接的一维卷积神经网络和长短期记忆网络；所述动作功率数据集中样本数据包括多通道输入信号和多通道输入信号对应的状态类型，所述状态类型包括正常运行状态和故障状态。
[0025]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0026]本专利技术首先利用经验模态分解算法对动作功率信号进行不同频率分解，从中确定多通道输入信号，采用一维卷积神经网络对多通道输入信号进行局部特征提取，并利用长短期记忆网络从已提取的局部特征中选择性提取长距离特征，从而实现对动作功率信号的快速故障诊断，提高了故障诊断的效率。
附图说明
[0027]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0028]图1为本专利技术一种基于1DCNN
‑
LSTM的道岔故障诊断方法流程示意图；
[0029]图2为本专利技术实施例提供的道岔转辙机正常运行状态时的动作功率曲线图；
[0030]图3为本专利技术实施例提供的道岔转辙机电路二极管损坏时的动作功率曲线图；
[0031]图4为本专利技术实施例提供的道岔转辙机动作杆被外来物卡死时的动作功率曲线图；
[0032]图5为本专利技术实施例提供的道岔转辙机转辙机内部和道岔连接部分发生故障时的动作功率曲线图；
[0033]图6为本专利技术实施例提供的道岔转辙机转辙机齿轮与齿轮块之间卡死时的动作功
率曲线图；
[0034]图7为本专利技术实施例提供的道岔转辙机转辙机断相保护器发生故障时的动作功率曲线图；
[0035]图8为本专利技术实施例提供的图3中电路二极管损坏时的动作功率信号经过EMD算法分解后，选取的前三个IMF信号；
[0036]图9为本专利技术实施例提供的道岔转辙机故障诊断模型结构示意图；
[0037]图10为本专利技术实施例提供的道岔转辙机故障诊断模型与DenseNet卷积神经网络模型在相同的训练集训练过程中诊断准确性对比示意图；
[0038]图11为本专利技术实施例提供的道岔转辙机故障诊断模型与DenseNet卷积神经网络模型在相同的训练集训练过程中损失值对比示意图；
[0039]图12为本专利技术实施例提供的道岔转辙机故障诊断模型与DenseNet卷积神经网络模型在在相同的测试集测试后诊断结果可视化混淆矩阵图；
[0040]图13为本专利技术实施例提供的道岔转辙机故障诊断模型中用t
‑
分布随机近邻嵌入展示的各层特征学习能力效果图；
[0041]图14为本专利技术一种基于1DCNN
‑
LSTM的道岔故障诊断系统结构示意图。
...

【技术保护点】

【技术特征摘要】
1.一种基于1DCNN
‑
LSTM的道岔故障诊断方法，其特征在于，包括：获取待诊断道岔转辙机的动作功率信号；采用经验模态分解算法对所述动作功率信号进行不同频率分解，获得多个固有模态函数信号；从多个所述固有模态函数信号中选取出多通道输入信号；将所述多通道输入信号输入道岔转辙机故障诊断模型，输出故障诊断识别结果；所述道岔转辙机故障诊断模型是通过动作功率数据集对深度学习神经网络进行训练确定的；所述深度学习神经网络包括依次连接的一维卷积神经网络和长短期记忆网络；所述动作功率数据集中样本数据包括多通道输入信号和多通道输入信号对应的状态类型，所述状态类型包括正常运行状态和故障状态。2.根据权利要求1所述的基于1DCNN
‑
LSTM的道岔故障诊断方法，其特征在于，从多个所述固有模态函数信号中选取出多通道输入信号，具体包括：按照频率从高到低的顺序将多个所述固有模态函数信号进行排序，并选取出前三个信号作为多通道输入信号。3.根据权利要求1所述的基于1DCNN
‑
LSTM的道岔故障诊断方法，其特征在于，所述一维卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层；所述深度学习神经网络还包括依次连接的展平层、全连接层和输出层，所述长短期记忆网络的输出连接所述展平层的输入。4.根据权利要求1所述的基于1DCNN
‑
LSTM的道岔故障诊断方法，...

【专利技术属性】
技术研发人员：付雅婷，温世明，杨辉，李中奇，谭畅，周艳丽，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：