铁路道岔故障的智能检测方法技术

一种铁路道岔的智能检测方法。传统的道岔故障检测方式不仅会耗费大量人力、物力、财力，而且检测结果完全依赖于个人工作经验。随着人工智能的飞速发展，研究铁路道岔的智能诊断器是亟待解决的问题。本发明专利技术方法包括：获取铁路道岔动作电流离散值；对所获离散值进行规范化处理及特征选择；构设训练集和验证集；根据得到的训练集，学习分类器；确定最终的分类器。本发明专利技术设计了更符合要求的道岔故障识别性能评价标准，通过matlab软件对广州钟村站W1902#和W1904#型号的道岔动作电流数据进行仿真实验。实验结果显示智能检测系统不仅具有非常高的识别性能和泛化能力，而且识别时间为0.04s,满足铁路实时性要求。

Intelligent detection method of railway switch fault

【技术实现步骤摘要】
铁路道岔故障的智能检测方法
本专利技术涉及铁路道岔故障的智能识别系统，具体涉及通过微机监测系统采集道岔动作电流数据的特征选择与提取方法、识别器的学习模型构建、模型算法的设计、识别性能评价标准的设计、识别器的收益效果。
技术介绍
作为一种重要的铁路信号基础设备，道岔的运行情况与列车的安全运行和运输效率密不可分。一旦道岔运行发生故障没有及时检修，会带来非常大的安全隐患，对人们的生命和财产安全造成巨大损失。因此，实时监控其运行状态，并及时处理故障是铁路安全运行的关键问题之一。目前，我国大部分地区铁路道岔故障的传统检测方法是利用微机监测系统采集道岔转辙机动作时的电流值，图1给出了随着时间变化，道岔转辙机动作时产生的电流变化趋势图。该图可分为切断表示电流、解锁、转换、锁闭、接通表示电流五个阶段。具体地，正常道岔电流曲线有如下的变化趋势：在刚启动时会需要较大的功率，使得功率曲线急剧上升；随后设备平稳运行，其输出功率又急剧下降并趋于平稳；随着道岔锁闭的完成，功率曲线会出现一定小幅度的下降，但并不会降到0；当道岔位置给出，相应电路被断开，其功率也随之降为0。道岔传统的故障检测方式主要是现场工作人员将微机监测系统监测出的道岔动作电流曲线与总结得到的电流曲线进行人为比对，最终确定道岔的工作状态。然而，这种人工识别方式存在三个方面的缺陷：(1).对维护人员的工作经验依赖度较高，容易出现误判或漏判等情况，特别是当道岔故障被误判为正常状态时，会导致未及时采取维护措施，造成无法挽回的损失。(2).在中国高速铁路和客运专线飞速发展的今天，这种单纯靠人工经验判断错综复杂的道岔设备的运行状态需要耗费大量的人力、物力和财力。(3).人工判断效率极其低下，已经完全不能满足经济发展的要求和人民出行的需求。因此，在当今人工智能和中国铁路事业飞速发展的大背景下，研究一种具备学习能力的道岔故障智能识别方法是亟待解决的问题之一。当前道岔故障的智能诊断方法面临的两大技术问题在于：(1).由于道岔工作机理复杂，在动作过程产生的电流值变化较大，当前提取特征的方法有效信息量不够、信息不准确，导致后续识别准确性不高；(2).故障道岔是否准确及全的识别，才是我们研究的核心问题。当前，识别方法及对方法的评价标准的出发点存在偏差，导致即使识别率达到99％，也可能只是将100条道岔数据(包含99条正常道岔，1条故障道岔)全部识别为正常道岔。这对解决该问题没有任何意义。因此，如何解决以上两个关键技术问题实现真正意义上的道岔故障智能诊断是极具挑战的难题。
技术实现思路
本专利技术目的是解决现有技术存在的以上缺陷，提供一种铁路道岔故障的智能检测方法，真正实现道岔故障的高效、全面、精准的智能诊断，提高铁路运输系统安全和效率。本专利技术从道岔数据的缺失值补齐、特征提取、道岔智能识别问题的转化，道岔的智能识别技术，识别性能指标的设计方面进行研究，提供一种基于不均衡问题的铁路道岔故障智能诊断技术。本专利技术的技术方案一种铁路道岔故障的智能检测方法，具体如下：步骤1、从铁路部门的微机监测系统中采集道岔动作电流离散值；步骤1.1将道岔动作的电流离散值及动作时间记录在数据库中；步骤1.2以时间为坐标系的横轴，离散电流值为纵轴，画出随时间变化时，道岔电流值得变化曲线；步骤1.3记录道岔动作的电流离散值数量；步骤2、对电流离散值数据进行规范化处理及特征提取；步骤2.1对上述步骤中的所有道岔电流离散值实施以最大数量为特征维数的缺失值补零操作；步骤2.2对于步骤2.1得到的维数相同的数据为高维小样本数据，并且是稀疏数据，为避免过拟合现象发生，采用主成分分析进行特征提取和选择；步骤3、对特征提取后的数据，设定训练集、验证集和测试集；步骤3.1设定正常工作道岔为负类样本，故障道岔为正类样本，以此形成机器学习的两分类问题；步骤3.2由于故障道岔数量远远小于正常工作道岔的数量，故步骤3.1所述的两分类学习问题更进一步设定为基于不均衡问题的两分类学习问题；步骤3.3为了确定最优的模型，故将所有正类和负类样本随机划分为80％训练样本和20％测试样本；步骤3.4采取十折交叉验证方法，将训练集随机分为十份，其中九份为新的训练集，一份为验证集。步骤4、根据得到的训练集和验证集，学习分类器；针对训练集，建立偏置支持向量机模型，并利用SMO算法对模型进行求解。进一步地，包括如下步骤：步骤4.1对训练样本建立偏置支持向量机，即对正类样本设置更高的错分惩罚参数，对负类样本设置较低的错分惩罚参数；步骤4.2选取高斯径向基核作为模型的核函数；步骤4.3利用网格搜索法，对步骤4.1建立的模型中的核参数及惩罚参数，在步骤3.4中得到的验证集上进行参数寻优；参数寻优的步骤具体包含如下特征：步骤4.3.1设定核参数和惩罚参数在(2-8,2-7,…,2-8)取值，在新的训练集上循环迭代每个取值，并在验证集上计算步骤5.1中的查全率、查准率和F值；步骤4.3.2选取F值最高所对应的核参数及惩罚参数，并最终确定模型，得到最终的分类器。步骤4.4利用SMO算法求解步骤4.1构建的偏置支持向量机模型，确定最终的铁路故障识别分类器。步骤5、利用测试集，确定分类器的识别效果和泛化能力，并预测新的道岔工作是否故障，一旦发生故障及时报警；步骤5.1由于更加关注故障道岔的准确、及时识别，故传统的分类精度、错误率等评价准则在铁路道岔识别问题中是毫无用处的；故该方法设置了道岔故障识别性能指标，包括：设计查全率、查准率和F值评价标准，做到真正意义的衡量识别系统的性能；步骤5.2在测试集上，计算步骤5.1的评价指标值，确定分类器的分类性能；利用确定的模型，对测试集数据及任何新的道岔进行识别，一旦发生故障，则报警；利用本专利技术得到的最终分类器，能够预测测试集数据的类别属性，同时也能够判断任何新的道岔工作是否故障，一旦发生故障及时报警。另外，随着时间、气候环境、季节交替等外界因素的变化，道岔设备也会发生变化。因此，不定期的实施以上铁路道岔故障的智能检测方法，以此通过最新的道岔电流数据进行重新训练、学习分类器，以保证分类器具有强的泛化能力和自学习能力。本专利技术的优点和有益效果：利用本专利技术，对道岔数据在测试集上进行测试，其诊断的查全率达到98％-100％，F值保持在83％-100％；本专利技术测试时间为0.04s,满足铁路实际识别的实时性要求。本专利技术提供的铁路道岔故障的智能检测方法，不仅具有非常高的识别性能和泛化能力,查全率高达98％-100％，而且平均识别时间为0.04s,完全可以满足铁路实时检测的要求。附图说明图1是本专利技术一个实施例的道岔正常工作状态下的电流曲线；图2是本专利技术一个实施例进行的道岔电流值的规范化处理过程；图3是本专利技术一个实施例进行的主成分分析后的数据降维展示；图4是本专利技术一个实施例中设计的查全本文档来自技高网...

【技术保护点】
1.一种铁路道岔故障的智能检测方法，其特征在于，包括如下步骤：/n步骤1、从铁路部门的微机监测系统中获取铁路道岔动作电流离散值；/n步骤2、对所获离散值进行规范化处理及特征选择；/n步骤3、构设训练集、验证集和测试集；/n步骤4、根据得到的训练集和验证集，学习分类器；/n步骤5、利用测试集，确定分类器的识别效果和泛化能力，并预测新的道岔工作是否故障，一旦发生故障及时报警。/n

【技术特征摘要】
1.一种铁路道岔故障的智能检测方法，其特征在于，包括如下步骤：
步骤1、从铁路部门的微机监测系统中获取铁路道岔动作电流离散值；
步骤2、对所获离散值进行规范化处理及特征选择；
步骤3、构设训练集、验证集和测试集；
步骤4、根据得到的训练集和验证集，学习分类器；
步骤5、利用测试集，确定分类器的识别效果和泛化能力，并预测新的道岔工作是否故障，一旦发生故障及时报警。


2.根据权利要求1所述的铁路道岔故障的智能检测方法，其特征在于，步骤1所述获取铁路道岔动作电流离散值的具体步骤如下：
步骤1.1将道岔动作的电流离散值及动作时间记录在数据库中；
步骤1.2以时间为坐标系的横轴，离散电流值为纵轴，画出随时间变化时，道岔电流值得变化曲线；
步骤1.3记录道岔动作的电流离散值数量。


3.根据权利要求1所述的铁路道岔故障的智能检测方法，其特征在于，步骤2所述对所获离散值进行规范化处理及特征选择，包括如下步骤：
步骤2.1对所有道岔电流离散值实施以最大数量为特征维数的缺失值补零操作；
步骤2.2步骤2.1得到的维数相同的数据为高维小样本数据，并且是稀疏数据，为避免过拟合现象发生，利用主成分分析法进行特征选择和提取。


4.根据权利要求1所述的铁路道岔故障的智能检测方法，其特征在于，步骤3所述的构设训练集、验证集和测试集的具体步骤如下：
步骤3.1设定故障道岔为正类样本，正常工作道岔为负类样本，形成两分类学习问题；
步骤3.2由于故障道岔数量远远小于正常工作道岔的数量，故步骤3.1所述的两分类学习问题更进一步设定为基于不均衡问题的两分类学习问题；
步骤3.3将步骤3.1所构设的样本随机选取80％作为训练集用于训练模型，20％作为测试集，用于测试模型；
步骤3.4采取十折交叉验证方法，将训练集随机分为十份，其中九份为新的训练集，一份为验证集。


5.根据权利要求4所述的铁路道岔故障的智能检测方法，...

【专利技术属性】
技术研发人员：可婷，吕慧，张立东，刘寅立，李敏，
申请(专利权)人：天津科技大学，
类型：发明
国别省市：天津;12