【技术实现步骤摘要】
本专利技术属于铁路系统轨道电路故障诊断。
技术介绍
1、随着列控系统工程越来越复杂化、综合化、智能化，以及电子系统部件越来越精细化，轨道电路也在实际运行中由于本身可能的设计缺陷、硬件质量及寿命、复杂环境干扰及意外事件等的影响，时常产生各种各样的故障。一旦产生关键性故障或者一般性故障但未能及时处理就会导致铁路运输的运行效率低下，甚至可能会造成巨大经济损失和人民生命财产的损害，因此对轨道电路的故障诊断研究可以降低铁路事故风险，为铁路运作和公共安全提供高可靠性的保障。
2、传统的基于知识的人工检修受时间限制和人员素质影响，不能持续、及时以及准确地观测轨道电路状态，只能在被动发现故障后进行停工抢修，并且检修过程中只能观测到表面的擦痕、磨损情况，对于内部损伤不能及时发现，无法准确判断设备结构退化情况，也难以准确判断轨道电路故障的原因并有针对性地进行维护。传统的基于事件的被动性排查和基于时间的预防性检查都会导致维护成本高、灵活性差，而研究基于状态的维护(cbm)以及基于预测性维护(pdm)的轨道电路故障诊断能够有效节约成本和提高效率。
3、近年来，许多学者致力于研究轨道电路的诊断方法，出现了众多的研究成果。这些研究成果大致可分类为：基于知识的方法，基于模型的方法，基于信号处理的方法，基于机器学习的方法。然而，基于知识的故障诊断方法严重依赖于专家知识和历史数据，导致对于新的故障诊断能力不足，而且维护和更新知识库需要大量时间和资源，不完善或错误的知识会影响系统性能。基于模型的故障诊断方法是一种用于确定系统或设备故障的技术
4、作为机器学习的一个分支，深度学习具有处理大规模和高维度数据、可自动提取复杂的特征表示、更好地拟合非线性关系等优势。因此，越来越多的学者开始探索在轨道电路故障诊断研究中使用深度学习技术，以期提高故障诊断的准确性和效率。有将长短期记忆(lstm)网络模型应用到轨道电路故障诊断中，通过考虑来自同一地理区域内的多个轨道电路信号，并根据其空间和时间依赖性生成诊断模型。有提出一种基于卷积神经网络的zpw-2000r轨道电路的故障诊断模型，为轨道电路故障诊断提供了有效的智能化解决方案。而在zpw-2000a轨道电路的故障诊断方法中，仍存在局部特征提取不足，时间序列下的特征相关性挖掘不充分，以及在多种故障模式下的诊断泛化性能欠佳的问题。也有人提出一种基于gath-geva(gg)模糊聚类对轨道电路退化状态进行划分，并利用卷积神经网络和双向门控循环单元(bidirectional gated recurrent unit，简称bigru)进行轨道电路故障预测的方法。还有人采用卷积神经网络实现调谐区的故障诊断。以上基于深度学习的轨道电路故障诊断方法虽然在很大程度弥补了传统方法的缺陷，但仍存在一些局限性，如数据特征提取过于单一、对新问题或新场景的轨道电路故障诊断的泛化性不足，可诊断的故障模式较少，很难实现真正意义上的智能诊断等。
技术实现思路
1、本专利技术目的是克服现有技术的上述不足，提供一种基于cnn-lstm-attention的zpw-2000a轨道电路故障诊断方法。
2、本专利技术以zpw-2000a型轨道电路为研究对象，融合全国各地30余种故障模式为一体，建立了一种基于cnn-lstm-attention的故障诊断方法，其中包括动态故障库以及数据集生成模块，并实现了基于注意力机制的深度学习网络模型的多维时间序列故障诊断模型。该模型包括四个网络结构，其中cnn层可以提取更加细粒度的局部特征；lstm层提取全局时间上的特征依赖关系；注意力机制则可自动学习和分配原特征的权重，使得故障数据的关键特征被重点关注。最后，实验结果表明这四个网络层结构的融合，可进一步提高故障诊断的性能和泛化能力。
3、本专利技术的技术方案
4、为克服以上缺陷，本专利技术提供了一种基于cnn-lstm-attention的zpw-2000a轨道电路故障诊断方法，方法首先通过寻找、分析、挖掘真实故障案例建立可扩展的动态故障库。然后实现数据集生成模块，此模块依据故障库实现对广泛数据集的自定义生成，为模型的泛化训练提供基础。然后构建了如图1所示的深度学习网络模型。为简便起见，该模型结构记作cnn-lstm-attention模型。最后接收微机采集系统的真实数据并实现模型推理输出，完成故障诊断的目的，所述cnn-lstm-attention模型包括四个模块，分别是cnn层、lstm编码层、attention层以及故障诊断层。本专利技术方法的具体步骤如下：
5、步骤1、故障案例分析挖掘：从zpw-2000a轨道电路系统中收集大量真实故障案例，包括故障类型、发生时间、环境条件等相关信息。通过分析故障案例，挖掘故障案例中的关键特征、模式和对应关系，搜集全国各地常见的高频电路故障类型，对这些类型进行归纳和整理，以建立动态故障库的基础。研究轨道电路故障数据的结构，划分各个层级，包括区域、设备、部件等。
6、步骤2、建立动态故障库：确立轨道电路故障数据的变化类型和划分时间段、故障数据和标签的关联关系并设计数据结构，建立动态更新的故障库，以适应新的故障案例。
7、步骤3、建立数据集生成模块：设计实现自定义数据集的生成模块，该模块依据动态故障库实现对广泛数据集的自定义生成。用户可自行设置故障类别、数据集大小和故障影响因子。生成模块包含数据增强和窗口泛化功能，以提高模型的泛化性能。
8、步骤4、设计模型并训练评估：构建cnn-lstm-attention深度学习网络模型，包括以下四个关键模块：
9、1)cnn层：使用两层一维卷积对多维时间序列进行局部的特征提取。
10、2)lstm编码层：对cnn层输出的时间序列特征进行编码，提取抽象的特征表示。
11、3)attention层：引入注意力机制，对lstm编码层的输出进行特征加权表示，聚焦于故障中关键的特征。
12、4)故障诊断层：两层全连接分类层，实现最终的故障分类诊断。
13、使用生成的自定义数据集对模型进行训练，收集实验数据，进行参数寻优，调整权重初始化参数及超参数，以确定模型的最佳状态。通过实验数据的收集和对比分析，评估cnn-lstm-attention模型的性能，确保其在轨道电路故障诊断中的有效性和准确性。
14、步骤5、使用模型进行故障诊断：将微机采集系统的实时数据预处理模型可输入格式本文档来自技高网...
【技术保护点】
1.基于CNN-LSTM-Attention的ZPW-2000A轨道电路故障诊断方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的基于CNN-LSTM-Attention的ZPW-2000A轨道电路故障诊断方法，其特征在于，所述步骤(1)的分析故障案例包括：研究轨道电路系统的层级划分，并搜集和归纳全国各地常见的高频电路故障类型和故障数据，通过确立轨道电路层级划分、故障类型、故障征兆的关联关系，设计并建立动态更新的故障库。
3.根据权利要求1所述的基于CNN-LSTM-Attention的ZPW-2000A轨道电路故障诊断方法，其特征在于，步骤(4)所述CNN-LSTM-Attention深度学习网络模型包括CNN层、LSTM编码层、Attention层以及故障诊断层四个模块，具体结构如下：
【技术特征摘要】
1.基于cnn-lstm-attention的zpw-2000a轨道电路故障诊断方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的基于cnn-lstm-attention的zpw-2000a轨道电路故障诊断方法，其特征在于，所述步骤(1)的分析故障案例包括：研究轨道电路系统的层级划分，并搜集和归纳全国各地常见的高频电路故障类型和故障数据，通...
【专利技术属性】
技术研发人员：可婷，张志敏，张文龙，张亚江，郑耀宗，张传雷，李建荣，
申请(专利权)人：天津科技大学，
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。