【技术实现步骤摘要】
本专利技术属于铁路设备道岔转辙机，具体是一种转辙机的智能故障诊断方法。
技术介绍
1、目前，我国高速铁路营运里程大幅增加，列车速度的提升，对于信号设备的安全可靠性及行车效率的要求越来越高，转辙机作为铁路的关键信号设备之一，提高其可靠性势在必行。转辙机的主要作用是切换列车的前进方向以实现转线和跨线运行，该设备的故障往往成为产生重大事故的极大隐患。
2、对道岔的维护和诊断目前主要依靠维护人员定期浏览微机监测釆集到的转辙机运行数据和电流、功率曲线，与正常运行道岔的监测数据作对比，以实现故障诊断，而现有的人工道岔故障诊断方法不但需要大量的人力物力，而且效率低下，尤其培养一个成熟的，能够胜任道岔故障诊断工作的工人周期很长。同时由于道岔动作频繁，继而产生曲线数量庞大，这种监测维护方式需要大量的人力资源的投入，对现场工人的工作提出了极大的挑战，误报、漏报时有发生。
3、对于转辙机的智能故障诊断采用单层诊断的方法，因为需要兼顾到所有的故障，由于时间维度的不统一，故障特征的提取很难相互对应，导致特征提取较多，特征维数较大，导致运算量大，诊断效率不高。
4、所以本专利技术提出一种转辙机的智能故障诊断方法，先粗分为三大类故障，每一大类的时间维度相同，便于在大类内部进行特征提取，继而实现故障的细化分类以解决上述问题。
技术实现思路
1、本专利技术提出了一种转辙机的智能故障诊断方法，旨在减小故障特征的维度，降低故障诊断的运算量，提升诊断效率和成功率。
2、为了
3、s1、获取不同类型的道岔转辙机动作电流数据和曲线。
4、s2、利用电流曲线持续时间作为特征，采用模糊推理进行初次分类，形成三大类别，分别是c1代表的类别集合为{a4(缺相)}，c2代表的类别集合为{a0(正常)，a1(二极管击穿)，a2(单边电阻断路)，a3(表示电路开路)}，c3代表的类别集合为{a5(不解锁)，a6(卡阻)，a7(不闭锁)，a8(卡缺口)}。
5、s3、针对c2利用4个电流数值区间段的采样点数作为特征，采用bp神经网络对该大类进行细分，得到诊断结果。
6、s4、针对c3利用电流突变时间点和大台阶的采样点数作为特征，采用bp神经网络对该大类进行细分，得到诊断结果。
7、进一步，s2中故障初次分类选取电流持续时间作为数据特征，c1代表电流持续时间约1秒，c2代表电流持续时间约6.8秒，c3代表持续时间30秒。
8、进一步，s2中故障初次分类运用模糊推理的方法进行分类。
9、进一步，s2中故障初次分类实现a4故障的诊断，第二层的故障诊断只需实现c2和c3大类的故障分类。
10、进一步，s3中c2大类的内在区别在于采样电流曲线的小台阶有无和数值大小，选取相应的4个区间特征作为bp神经网络的输入，进行c2大类的故障细分。
11、进一步，s4中c3大类的内在区别在于采样电流曲线的大台阶部分数值突变的时刻不同，选取相应的突变时刻以及该区间的统计数值作为bp神经网络的输入，进行c3大类的故障细分。
12、采用上述方案后实现了以下有益效果：
13、1、双层诊断结构缩减了数据特征的数量，不同的故障诊断所需的特征数量不等，总体在1-5个，降低了诊断的运算量，提高了诊断效率。
14、2、初次分类实现了，在大类内的故障数据维度的接近和统一，便于细分时有针对性的故障提取。
15、3、c2大类内的故障区别在电流曲线的小台阶部分，经过有针对性的分析，特征的提取较为便利。
16、4、c3大类内的故障区别在电流曲线的大台阶部分，表现为电流突变的时间点不同，经过有针对性的分析，特征的提取也较为便利。
17、5、对系统的更新也提供了便利。考虑到基于单层的故障诊断方法每次遇到新的故障类型，都要重新进行模型训练，需要收集大量的训练样本和测试样本，并且建模周期较长，该双层故障诊断系统，只需要更新子系统或者增加新的子系统，即可对系统更新，增加对新故障的诊断的功能，提高了诊断系统的学习效率。
本文档来自技高网...【技术保护点】
1.一种转辙机的智能故障诊断方法，其特征在于包括以下步骤：
2.根据权利要求1所述的转辙机的智能故障诊断方法，其特征在于：S2中故障初次分类选取电流持续时间作为数据特征，C1代表电流持续时间约1秒，C2代表电流持续时间约6.8秒，C3代表持续时间30秒。
3.根据权利要求1所述的转辙机的智能故障诊断方法，其特征在于：S2中故障初次分类运用模糊推理的方法进行分类。
4.根据权利要求1所述的转辙机的智能故障诊断方法，其特征在于：S2中故障初次分类实现A4故障的诊断，第二层的故障诊断只需实现C2和C3大类的故障分类。
5.根据权利要求1所述的转辙机的智能故障诊断方法，其特征在于：S3中C2大类的内在区别在于采样电流曲线的小台阶有无和数值大小，选取相应的4个区间特征作为BP神经网络的输入，进行C2大类的故障细分。
6.根据权利要求1所述的转辙机的智能故障诊断方法，其特征在于：S4中C3大类的内在区别在于采样电流曲线的大台阶部分数值突变的时刻不同，选取相应的突变时刻以及该区间的统计数值作为BP神经网络的输入，进行C3大类的故障细分
...【技术特征摘要】
1.一种转辙机的智能故障诊断方法，其特征在于包括以下步骤：
2.根据权利要求1所述的转辙机的智能故障诊断方法，其特征在于：s2中故障初次分类选取电流持续时间作为数据特征，c1代表电流持续时间约1秒，c2代表电流持续时间约6.8秒，c3代表持续时间30秒。
3.根据权利要求1所述的转辙机的智能故障诊断方法，其特征在于：s2中故障初次分类运用模糊推理的方法进行分类。
4.根据权利要求1所述的转辙机的智能故障诊断方法，其特征在于：s2中故障初次分类实现a4故障的诊...
【专利技术属性】
技术研发人员：何守忠，王良顺，刘明明，赵辉，何鹄，钟海坤，武碧桧，
申请(专利权)人：海南大学，
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。