一种基于卷积神经网络算法的转辙机故障检测方法及系统技术方案

本发明专利技术公开了一种基于卷积神经网络算法的转辙机故障检测方法及系统，是对之前基于人工特征工程的转辙机故障检测系统的改进。卷积神经网络是一种深度学习模型，将转辙机功率曲线图输入到卷积神经网络中，利用卷积神经网络的特征学习能力，可以自动提取特征，实现高精度的故障类型检测。

【技术实现步骤摘要】
一种基于卷积神经网络算法的转辙机故障检测方法及系统
本专利技术涉及轨道交通中的转辙机故障检测
，特别涉及一种基于卷积神经网络算法的转辙机故障智能检测方法及系统。
技术介绍
转辙机的动作过程一般包括启动、解锁、转换、锁闭和表示几个阶段。正常状态下，转辙机动作过程中的每个阶段的功率曲线都具有不同的特征；同时，在不同故障模式下，功率曲线也具有不同的特征。因此，转辙机的功率曲线与工作状态存在着直接的关联，可以通过功率曲线来识别故障类型。目前的转辙机故障检测都需要通过专门的特征工程来提取功率曲线的特征，然而特征的质量对算法的泛化性能有至关重要的影响，即使是专家，要想设计出高质量的特征也并非易事。深度学习则可理解为“特征学习”或“表示学习”。通过多层处理，逐渐将初始的“低层”特征表示转化为“高层”特征表示后，用“简单模型”即可完成复杂的分类等学习任务。
技术实现思路
本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于卷积神经网络算法的转辙机故障检测方法，无需人工提取故障特征且检测精度更高。本专利技术的另一目的在于提供一种基于卷积神经网络算法的转辙机故障检测系统。本专利技术的目的通过以下的技术方案实现：一种基于卷积神经网络算法的转辙机故障检测方法，包括：第一步、收集功率数据，并将数据序列与故障类型建立关联，构成带标签的数据集用于模型训练和验证；第二步、将数据集分为训练数据集和验证数据集；对卷积神经网络进行训练和评估，选择检测性能最好的模型并保存；第三步、采集轨道上正式运行的转辙机功率数据，生成功率曲线图，输入所选择的模型中，模型输出对应的故障类型；第四步、设备维护人员对设备进行维护后，根据设备真正的故障类型，对模型输出的结果进行反馈。具体的，带标签数据的收集可以有两种方式：一种是收集过去处理过的故障所对应的功率数据；一种是使用专门的转辙机，人为模拟故障，收集功率数据。一种基于卷积神经网络算法的转辙机故障检测系统，包括：转辙机功率数据采集单元(1)、功率曲线图生成单元(2)、基于卷积神经网络算法的故障检测单元(3)和人机交互单元(4)；转辙机功率数据采集单元(1)、功率曲线图生成单元(2)、基于卷积神经网络的故障检测单元(3)、人机交互单元(4)具有逻辑上的先后次序，将功率数据生成曲线图，再将曲线图输入到卷积神经网络对转辙机的状态进行智能判断，输出当前状态所对应的故障类型。优选的，转辙机功率数据采集单元(1)，采集转辙机一次动作过程中的功率数据，包括启动、解锁、转换、锁闭和表示阶段。优选的，功率曲线图生成单元(2)根据转辙机功率数据采集单元(1)获取的功率数据，生成一张固定大小的曲线图，作为卷积神经网络的输入。优选的，基于卷积神经网络算法的故障检测单元(3)采用卷积神经网络算法对功率曲线图进行处理，通过卷积操作自动提取特征，通过全连接网络根据特征进行故障检测。优选的，人机交互单元(4)将卷积神经网络的检测结果进行展示。具体的，操作人员可以人机交互单元(4)进行反馈，反馈操作包括接受、修正检测结果；反馈的结果可以作为标注数据，用于卷积神经网络的进一步训练，提高检测的准确性。本专利技术与现有技术相比，具有如下优点和有益效果：(1)无需人工提取故障特征。现有的转辙机故障检测技术都需要通过专门的特征工程来提取故障特征，然而即使是行业专家，要想设计出高质量的特征也并非易事。卷积神经网络具有特征学习能力，无需领域相关的专业知识，并且训练数据越丰富，特征学习能力越强。(2)检测精度更高。传统故障检测系统分为特征提取和故障检测两个阶段，而卷积神经网络可以实现端到端的故障检测，训练过程中的误差可以反向传播到卷积部分，从而优化特征的提取，实现更高精度的检测。附图说明图1为实施例系统结构示意图。图2为转辙机功率曲线图。具体实施方式下面结合实施例及附图对本专利技术作进一步详细的描述，但本专利技术的实施方式不限于此。实施例1卷积神经网络(CNN)是一种深度学习模型，将功率曲线图输入到卷积神经网络中，利用卷积神经网络的特征学习能力自动提取特征，进而实现故障的检测。一种基于卷积神经网络算法的转辙机故障检测系统，包括转辙机功率数据采集单元(1)、功率曲线图生成单元(2)、基于卷积神经网络算法的故障检测单元(3)、人机交互单元(4)；转辙机功率数据采集单元(1)、功率曲线图生成单元(2)、基于卷积神经网络的故障检测单元(3)、人机交互单元(4)具有逻辑上的先后次序，将功率数据生成曲线图，再将曲线图输入到卷积神经网络对转辙机的状态进行智能判断，输出当前状态所对应的故障类型。系统结构如附图1所示。转辙机功率数据采集单元(1)，采集转辙机一次动作过程(包括启动、解锁、转换、锁闭和表示五个阶段)中的功率数据。功率曲线图生成单元(2)根据转辙机功率数据采集单元(1)获取的功率数据，生成一张固定大小的曲线图，作为卷积神经网络的输入。曲线图如附图2所示。基于卷积神经网络算法的故障检测单元(3)采用卷积神经网络算法对功率曲线图进行处理，通过卷积操作自动提取特征，通过全连接网络根据特征进行故障检测。人机交互单元(4)将卷积神经网络的检测结果进行展示。操作人员可以进行反馈，反馈操作包括接受、修正检测结果。反馈的结果可以作为标注数据，用于卷积神经网络的进一步训练，提高检测的准确性。具体实施案例：广州地铁四号线新造站转辙机故障检测系统。第一步、收集功率数据，并将数据序列与故障类型建立关联，构成带标签的数据集用于模型训练和验证。带标签数据的收集可以有两种方式。一种是收集过去处理过的故障所对应的功率数据；一种是使用专门的转辙机，人为模拟故障，收集功率数据。第二步、将数据集分为训练数据集和验证数据集。对卷积神经网络进行训练和评估，选择检测性能最好的模型并保存。第三步、采集轨道上正式运行的转辙机功率数据，生成功率曲线图，输入所选择的模型中，模型输出对应的故障类型。第四步、设备维护人员对设备进行维护后，根据设备真正的故障类型，对模型输出的结果进行反馈，反馈操作包括接受、修正检测结果。反馈的结果将纳入数据集，用于进一步的模型训练，提高模型的精度和鲁棒性。上述实施例为本专利技术较佳的实施方式，但本专利技术的实施方式并不受上述实施例的限制，其他的任何未背离本专利技术的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络算法的转辙机故障检测方法，其特征在于，包括：第一步、收集功率数据，并将数据序列与故障类型建立关联，构成带标签的数据集用于模型训练和验证；第二步、将数据集分为训练数据集和验证数据集；对卷积神经网络进行训练和评估，选择检测性能最好的模型并保存；第三步、采集轨道上正式运行的转辙机功率数据，生成功率曲线图，输入所选择的模型中，模型输出对应的故障类型；第四步、设备维护人员对设备进行维护后，根据设备真正的故障类型，对模型输出的结果进行反馈。

【技术特征摘要】
1.一种基于卷积神经网络算法的转辙机故障检测方法，其特征在于，包括：第一步、收集功率数据，并将数据序列与故障类型建立关联，构成带标签的数据集用于模型训练和验证；第二步、将数据集分为训练数据集和验证数据集；对卷积神经网络进行训练和评估，选择检测性能最好的模型并保存；第三步、采集轨道上正式运行的转辙机功率数据，生成功率曲线图，输入所选择的模型中，模型输出对应的故障类型；第四步、设备维护人员对设备进行维护后，根据设备真正的故障类型，对模型输出的结果进行反馈。2.根据权利要求1所述的基于卷积神经网络算法的转辙机故障检测方法，其特征在于，带标签数据的收集可以有两种方式：一种是收集过去处理过的故障所对应的功率数据；一种是使用专门的转辙机，人为模拟故障，收集功率数据。3.一种基于卷积神经网络算法的转辙机故障检测系统，其特征在于，包括：转辙机功率数据采集单元(1)、功率曲线图生成单元(2)、基于卷积神经网络算法的故障检测单元(3)和人机交互单元(4)；转辙机功率数据采集单元(1)、功率曲线图生成单元(2)、基于卷积神经网络的故障检测单元(3)、人机交互单元(4)具有逻辑上的先后次序，将功率数据生成曲线图，再将曲线图输入到卷积...

【专利技术属性】
技术研发人员：张艳青，孙迪钢，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44