一种改进型高斯混合模型的轨道电路故障诊断方法技术

本发明专利技术提供了一种改进型高斯混合模型的轨道电路故障诊断方法，具体采用融合粒子群优化算法(Particle

【技术实现步骤摘要】
一种改进型高斯混合模型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
，特别地，涉及基于改进高斯混合模型的轨道电路故障诊断方法。

技术介绍

[0002]轨道电路作为一种基础的铁路信号设备，能够检查列车运行中钢轨线路的占用状态，确保列车运行的安全。目前，ZPW
‑
2000A是我国铁路系统中应用较为广泛的铁路信号设备，根据相关统计，轨道电路设备故障引起的信号设备故障发生率较高，比如“7
·
23”甬温线特别重大铁路交通事故的重要原因之一就是轨道电路故障。显然轨道电路的安全性和可靠性直接影响了铁路运输的安全，故对其工作状态的诊断十分必要。
[0003]现有的大部分研究主要针对轨道电路中的某几类故障进行诊断，孙哲(基于自适应层次聚类的无绝缘轨道电路补偿电容故障诊断方法[J])铁道标准设计采用自适应层次聚类的方法，对轨道电路中的补偿电容故障进行了诊断。还有公开文献使用长短期记忆(LSTM)循环神经网络根据数据间的依赖关系对轨道电路中五类故障进行分类与识别。复杂的轨道电路系统出现的故障，有可能是轨道电路结构中某一设备造成，也可能是多种设备共同作用的结果，如果单一地针对其中某一类或几类故障进行诊断，往往不能实现轨道电路故障诊断的目的。由于轨道电路故障多样性，目前已有的研究无法同时对轨道电路中的多种故障状态进行诊断，或是诊断多种故障状态时准确率不高。
[0004]传统的高斯混合模型(GaussianMixtureModel，简称GMM)对区分多种故障类型具有良好的效果，其主要根据不同故障类型间的类间距离和同种故障类型间的类内距离区分多种故障类型，可以对非线性数据和多工况的复杂系统进行精确的处理。该模型的准确度相对较高，但该模型在求解模型参数时，会受到期望最大化算法(Expectation
·
Maximization，简称EM)限制容易陷入局部最优。

技术实现思路

[0005]本专利技术目的在于提供基于改进高斯混合模型的轨道电路故障诊断方法，以解决无法同时对轨道电路中的多种故障状态进行诊断，或是诊断多种故障状态时准确率不高，传统GMM中EM算法容易陷入局部最优，影响模型故障诊断的准确率等技术问题。
[0006]为实现上述目的，本专利技术提供了基于改进高斯混合模型的轨道电路故障诊断方法，具体步骤如下：
[0007]S1.采集轨道电路故障数据并分类，利用z
‑
score标准化进行归一化处理，得到预处理数据；
[0008]S2.对预处理数据进行特征提取，筛选出监测量中的主要因子，构建样本集，分成训练集和测试集；
[0009]S3.设计融合粒子群优化算法(PSO)与细菌觅食优化算法(BFOA)的高斯混合模型(GMM)，获得改进GMM，即BFOA
‑
PSO
‑
GMM；
[0010]S4.利用BFOA
‑
PSO
‑
GMM经训练集数据训练学习每一类故障模式的主要特征后，诊断测试集数据中的故障模式。
[0011]优选的，步骤S1中，所述轨道电路故障数据包含：移频发送电压、电流，移频电缆侧发送电压、接收电压，移频主轨入电压、接收电压。
[0012]优选的，步骤S1中，z
‑
score标准化的具体方法为：对数据x1,x2,...,x
n
进行如式所示的变换，主要根据给定的均值和标准差对数据进行标准化处理；
[0013][0014]其中，n为数据样本数，为所有样本数据的均值，s为所有样本数据的标准差，且则生成新数据序列y1,y2,...y
n
。
[0015]优选的，步骤S2中，特征提取的具体方法为：采用主成分分析法筛选出监测量中的主要因子。
[0016]优选的，步骤S3的具体流程如下：
[0017]1)初始化粒子群与细菌种群的相关参数；
[0018]2)粒子通过细菌的趋化运动方式翻转粒子进行局部搜索获取最优的粒子位置；
[0019]3)粒子群中的粒子通过细菌趋化运动的方式在解空间中寻优，粒子不断运动搜索最优解过程中算法中的适应度值会随粒子的运动而改变；
[0020]4)在搜索空间中依据当前时刻个体所搜寻到的个体最优解p
ib
和由种群间的信息共享得出的全局最优解p
g
更新粒子个体下一时刻的速度和位置，通过粒子新的速度和位置再次搜寻粒子的个体最优解p
ib
和全局最优解p
g
；
[0021]5)判断粒子在搜寻最优解时是否受到了不利刺激，即粒子群体在搜索最优解的过程中连续多次寻找到的最优解的变化率ε≤0.01；
[0022]6)当粒子群在解空间中进行搜寻最优解时受到不利刺激时，说明粒子群搜寻到的最优解有陷入局部最优的可能性；此时，在PSO优化算法中引入了BFOA算法的驱散操作，用公式对适应度值较差的粒子进行驱散，随机地将粒子驱散到解空间中的任意位置；
[0023]v
i
(t+1)＝ωv
i
(t)+c1r()(p
ib
‑
x
i
(t))+c2r()(p
g
‑
x
i
(t))
‑
c3r()(p
kb
‑
x
i
(t))
ꢀꢀꢀ
(11)
[0024]其中，v
i
(t)表示第i个粒子在t时刻的运动速度，ω代表粒子下一时刻运行的方向和速度收到自身惯性影响的程度，t表示时刻，习因子c3是用来调节粒子群粒子受到最优粒子经验和其它粒子经验的影响，p
kb
表示第k个粒子所搜寻到的个体最优解；
[0025]7)粒子在解空间中搜寻最优解的过程中对粒子的迭代次数进行设定，粒子迭代是否达到终止条件T＝30，若是结束运算，否，将返回步骤2)。
[0026]本专利技术具有以下有益效果：
[0027]针对轨道电路系统庞大，故障种类繁多，本专利技术提出一种融合粒子群优化算法(Particle
·
Swarm
·
Optimization，简称PSO)和细菌觅食优化算法(Bacterial
·
Foraging
·
Optimization
·
Algorithm，简称BFOA)的高斯混合模型，对轨道电路的多种故障类型进行诊断。
[0028]高斯混合模型中使用EM算法对参数进行求解时，随迭代次数的增加，无法避免模型陷入局部最优的缺陷，且EM算法受初值影响较大。改进后的模型通过融合细菌觅食优化算法与粒子群优化算法找寻适合EM算法的初始值，利用合适的初始值有效地避免EM算法陷入局部最优，使EM算法跳出局部最优，提高了GMM诊断的准确率和稳定性，提高模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进高斯混合模型的轨道电路故障诊断方法，其特征在于，具体步骤如下：S1.采集轨道电路故障数据并分类，利用z
‑
score标准化进行归一化处理，得到预处理数据；S2.对预处理数据进行特征提取，筛选出监测量中的主要因子，构建样本集，分成训练集和测试集；S3.设计融合粒子群优化算法与细菌觅食优化算法的高斯混合模型，获得改进GMM，即BFOA
‑
PSO
‑
GMM；S4.利用BFOA
‑
PSO
‑
GMM经训练集数据训练学习每一类故障模式的主要特征后，诊断测试集数据中的故障模式。2.根据权利要求1所述的方法，其特征在于，步骤S1中，所述轨道电路故障数据包含：移频发送电压、电流，移频电缆侧发送电压、接收电压，移频主轨入电压、接收电压。3.根据权利要求1所述的方法，其特征在于，步骤S1中，z
‑
score标准化的具体方法为：对数据x1,x2,...,x
n
进行如式所示的变换，主要根据给定的均值和标准差对数据进行标准化处理；其中，n为数据样本数，为所有样本数据的均值，s为所有样本数据的标准差，且则生成新数据序列y1,y2,...y
n
。4.根据权利要求1所述的方法，其特征在于，步骤S2中，特征提取的具体方法为：采用主成分分析法筛选出监测量中的主要因子。5.根据权利要求1所述的方法，其特征在于，步骤S3的具体流程如下：1)初始化粒子群与细菌种群的相关参数；2)粒子通过细菌的趋化运动方式翻转粒子进行局部搜索获取最优的粒子位置；3)粒子群中的粒子通过细菌趋化运动的方式在解空间中寻优，粒子不断运动搜索最优解过程中算法中的适应度值会随粒子的运动而改变；4...

【专利技术属性】
技术研发人员：何晖，
申请(专利权)人：湖南华慧特自动化科技有限公司，
类型：发明
国别省市：