基于深度学习的转辙机故障诊断算法、装置和存储介质制造方法及图纸

本说明书实施例提供了一种基于深度学习的转辙机故障诊断算法、装置和存储介质，方法包括：获取各预设传感器上传的数据，得到多源数据；基于预设特征提取网络，根据所述多源数据，得到转辙机行为特征；以所述转辙机行为特征为输入，基于预设的深度学习网络模型，确定转辙机是否故障和故障类型。本申请提供的技术方案用以解决现有技术中当传感器发生故障时，无法对转辙机进行故障诊断的难题。无法对转辙机进行故障诊断的难题。无法对转辙机进行故障诊断的难题。

【技术实现步骤摘要】
基于深度学习的转辙机故障诊断算法、装置和存储介质


[0001]本文件涉及转辙机智能运维
，尤其涉及一种基于深度学习的转辙机故障诊断算法、装置和存储介质。

技术介绍

[0002]转辙机作为铁路道岔转换系统的核心单元，其智能运维是当前研究的主要方向。
[0003]现有技术主要利用数据驱动方法对转辙机进行故障诊断。具体地，预先设置电流/电压传感器或声/振传感器或视觉传感器，并以传感器采集的状态数据为基础进行处理，以实现转辙机的故障诊断。
[0004]然而，当传感器发生故障时，转辙机的状态信息将部分甚至全部缺失，无法完成有效的故障诊断，降低了转辙机的运维效率，从而产生了对铁路安全可靠运营的风险隐患。

技术实现思路

[0005]鉴于上述的分析，本申请旨在提出一种基于深度学习的转辙机故障诊断算法、装置和存储介质，以实现在传感器发生故障时，利用剩余有效的状态监测信息，实现转辙机的故障诊断，从而提高转辙机的运维效率和铁路系统安全可靠运营的能力。
[0006]第一方面，本说明书一个或多个实施例提供了一种基于深度学习的转辙机故障诊断算法，包括：
[0007]获取各预设传感器上传的数据，得到多源数据，所述多源数据来自于传感器发生故障或者正常运转时的数据；
[0008]基于预设特征提取网络，根据所述多源数据，得到转辙机行为特征；
[0009]以所述转辙机行为特征为输入，基于预设的深度学习网络模型，确定转辙机是否故障和故障类型。
[0010]进一步地，所述获取各预设传感器上传的数据，包括：针对每一个所述传感器，均采集预设时段中的所有数据，即：
[0011]当传感器无故障时，采集预设时段中的正常数据；
[0012]或，
[0013]当采集过程中传感器发生故障时，采集预设时段中的受扰数据和正常数据；
[0014]或，
[0015]当传感器在采集前故障时，采集受扰数据；
[0016]或，
[0017]当传感器无法传输数据时，为当前所述传感器对应的数据赋值。
[0018]预设时段表示采集传感器数据的固定时间段。
[0019]进一步地，所述预设特征提取网络，包括第一卷积层、全连接层和第二卷积层；
[0020]所述基于预设特征提取网络，根据所述多源数据，得到转辙机行为特征，包括：
[0021]所述第一卷积层对所述多源数据进行特征提取，得到初始特征；
[0022]所述全连接层对所述初始特征进行非线性化；
[0023]所述第二卷积层根据所述多源数据和所述非线性化后的初始特征，得到所述转辙机行为特征为输出。
[0024]进一步地，设所述多源数据的数据大小为N
×
T，其中，N表征传感器数量，T为传感器获取的监测信息长度；
[0025]所述基于预设特征提取网络，根据所述多源数据，得到转辙机行为特征，具体为：
[0026]所述第一卷积层以大小为N
×
T的所述多源数据为输入，以大小为N
×
1的初始特征为输出；
[0027]所述全连接层以大小为N
×
1的初始特征为输入，以大小为N
×
1的所述非线性化后的初始特征为输出；
[0028]所述第二卷积层以大小为N
×
T的所述多源数据和大小为N
×
1的所述非线性化后的初始特征为输入，以大小为1
×
T的所述转辙机行为特征为输出。
[0029]进一步地，所述深度学习故障分类网络模型，包括第一子模型和第二子模型；
[0030]所述以所述转辙机行为特征为输入，基于预设的深度学习故障分类网络模型，确定转辙机是否故障和故障类型；
[0031]所述第一子模型提取所述转辙机行为特征的全局特征；
[0032]所述第二子模型提取所述转辙机行为特征的局部特征；
[0033]连结所述全局特征和所述局部特征；
[0034]根据所述全局特征和所述局部特征，确定所述转辙机是否故障和故障类型。
[0035]进一步地，所述特征提取网络和所述深度学习网络模型共同构成端到端的深度学习架构，通过一个流程完成转辙机的故障诊断，被视为一个连续的过程，不是独立分开训练和使用。
[0036]第二方面，本申请实施例提供了一种基于深度学习的转辙机故障诊断装置，包括：数据获取模块、特征提取模块和故障诊断模块；
[0037]所述数据获取模块用于获取各预设传感器上传的数据，得到多源数据，所述多源数据来自于传感器发生故障或者正常运转时的数据；
[0038]所述特征提取模块用于基于预设特征提取网络，根据所述多源数据，得到转辙机行为特征；
[0039]所述故障诊断模块用于以所述转辙机行为特征为输入，基于预设的深度学习网络模型，确定转辙机是否故障和故障类型。
[0040]进一步地，所述数据获取模块用于针对每一个所述传感器，均采集预设时段中的所有数据，即：当传感器无故障时，采集预设时段中的正常数据；或，当采集过程中传感器发生故障时，采集预设时段中的受扰数据和正常数据；或，当传感器在采集前故障时，采集受扰数据；或，当传感器无法传输数据时，为当前所述传感器对应的数据赋值。预设时段表示采集传感器数据的固定时间段。
[0041]进一步地，所述预设特征提取网络，包括第一卷积层、全连接层和第二卷积层；
[0042]所述特征提取模块用于基于所述第一卷积层对所述多源数据进行特征提取，得到初始特征；基于所述全连接层对所述初始特征进行非线性化；基于所述第二卷积层根据所述多源数据和所述非线性化后的初始特征，得到所述转辙机行为特征为输出。
[0043]第三方面，本申请实施例提供了一种存储介质，包括：
[0044]用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现第一方面中任一项所述的方法。
[0045]与现有技术相比，本申请至少能实现以下技术效果：
[0046]本申请通过传感器得到多源数据，多源数据来自于传感器可能发生故障或者正常运转时的数据。当部分传感器失效或在数据采集过程中全部传感器失效时，依然能以所有传感器采集的数据作为输入，不需要剔除受扰信息即可对转辙机的行为进行分析，以保证监测数据的完整性。同时，利用特征提取网络和深度学习模型消除出现故障的传感器产生的数据对转辙机行为分析的影响，并对转辙机进行故障诊断，从而提高转辙机的运维效率。此外，本申请采用端到端模式将数据收集、预处理、特征提取、模型训练、推断和结果分析等，所有这些步骤都被视为一个连续的流程，而不是独立进行使检测过程更简单快捷。
附图说明
[0047]为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的转辙机故障诊断算法，其特征在于，包括：获取各预设传感器上传的数据，得到多源数据，所述多源数据来自于传感器发生故障或者正常运转时的数据；基于预设特征提取网络，根据所述多源数据，得到转辙机行为特征；以所述转辙机行为特征为输入，基于预设的深度学习网络模型，确定转辙机是否故障和故障类型。2.根据权利要求1所述的方法，其特征在于，所述获取各预设传感器上传的数据，包括：针对每一个所述传感器，均采集预设时段中的所有数据，即：当传感器无故障时，采集预设时段中的正常数据；或，当采集过程中传感器发生故障时，采集预设时段中的受扰数据和正常数据；或，当传感器在采集前故障时，采集受扰数据；或，当传感器无法传输数据时，为当前所述传感器对应的数据赋值；预设时段表示采集传感器数据的固定时间段。3.根据权利要求1所述的方法，其特征在于，所述预设特征提取网络，包括第一卷积层、全连接层和第二卷积层；所述基于预设特征提取网络，根据所述多源数据，得到转辙机行为特征，包括：所述第一卷积层对所述多源数据进行特征提取，得到初始特征；所述全连接层对所述初始特征进行非线性化；所述第二卷积层根据所述多源数据和所述非线性化后的初始特征，得到所述转辙机行为特征为输出。4.根据权利要求3所述的方法，其特征在于，设所述多源数据的数据大小为N
×
T，其中，N表征传感器数量，T为传感器获取的监测信息长度；所述基于预设特征提取网络，根据所述多源数据，得到转辙机行为特征，具体为：所述第一卷积层以大小为N
×
T的所述多源数据为输入，以大小为N
×
1的初始特征为输出；所述全连接层以大小为N
×
1的初始特征为输入，以大小为N
×
1的所述非线性化后的初始特征为输出；所述第二卷积层以大小为N
×
T的所述多源数据和大小为N
×
1的所述非线性化后的初始特征为输入，以大小为1
×
T的所述转辙机行为特征为输出。5.根据权利要求1所述的方法，...

【专利技术属性】
技术研发人员：魏运，张岚，朱鸿涛，李洁，辛鑫，胡小溪，张笑寒，张衡，
申请(专利权)人：北京市地铁运营有限公司技术创新研究院分公司，
类型：发明
国别省市：