本發(fā)明屬于機械故障診斷與人工智能技術(shù)領(lǐng)域，具體涉及一種基于深度學(xué)習模型的道岔故障診斷方法。

背景技術(shù)：

道岔是將列車車輛由一條鐵路線路轉(zhuǎn)向另一條鐵路線路的實現(xiàn)裝備。由于道岔具有數(shù)量多、構(gòu)造復(fù)雜、使用壽命短、限制列車速度、行車安全性低、養(yǎng)護維修投入大等特點，與曲線、接頭并稱為軌道的三大薄弱環(huán)節(jié)，是電務(wù)保障行車安全需要維護的主要設(shè)備之一。

對道岔故障進行及時發(fā)現(xiàn)、準確診斷以及提前預(yù)警，不僅可預(yù)防重大事故，避免人員傷亡和財產(chǎn)損失；而且會促進從故障修與定期修的維修模式向?qū)崿F(xiàn)狀態(tài)修的轉(zhuǎn)變，從而可最大程度地發(fā)揮設(shè)備的使用潛力，也可避免定期維修帶來的不必要經(jīng)濟損失等問題，提高設(shè)備使用率，降低維護資金，保障高效生產(chǎn)。

然而，目前，我國的道岔故障診斷手段主要是依靠相關(guān)業(yè)務(wù)人員用人腦去分析微機監(jiān)測系統(tǒng)現(xiàn)場采集的道岔各組成設(shè)備的檢測信息，以及簡單的閾值故障報警等信息。這種純粹依靠技術(shù)人員的工作經(jīng)驗、業(yè)務(wù)水平、精力與責任心的故障診斷方法，很容易出現(xiàn)誤判、漏判等情況，從而嚴重威脅鐵路運輸?shù)陌踩?。隨著我國鐵路行車速度、運行密度的不斷提高，傳統(tǒng)道岔故障診斷手段越來越不能滿足鐵路發(fā)展的現(xiàn)狀。因此，如何有效解決傳統(tǒng)道岔故障診斷手段所具有的上述問題，具有重要意義。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的缺陷，本發(fā)明提供一種基于深度學(xué)習模型的道岔故障診斷方法，可有效解決上述問題。

本發(fā)明采用的技術(shù)方案如下：

本發(fā)明提供一種基于深度學(xué)習模型的道岔故障診斷方法，包括以下步驟：

步驟1：獲得u個道岔啟動電流的原始樣本數(shù)據(jù)；其中，u為自然數(shù)；每個所述原始樣本數(shù)據(jù)x＝(x₁,x₂,…x_s)，其中，s為自然數(shù)，x₁,x₂,…x_s表示某段歷史時間長度內(nèi)連續(xù)采樣得到的s個道岔啟動實際電流值；

步驟2：采用下式對每個原始樣本數(shù)據(jù)x進行歸一化處理，得到歸一化后的樣本數(shù)據(jù)x^*：

其中，μ為所有原始樣本數(shù)據(jù)的平均值，σ為所有原始樣本數(shù)據(jù)的標準差；

步驟3：從u個歸一化后的樣本數(shù)據(jù)x^*中，選擇u₁個歸一化后的樣本數(shù)據(jù)x^*，組成樣本數(shù)據(jù)集P1；剩余u-u₁＝u₂個歸一化后的樣本數(shù)據(jù)x^*組成樣本數(shù)據(jù)集P2；

按設(shè)定規(guī)則標注樣本數(shù)據(jù)集P1中的每個樣本數(shù)據(jù)所反應(yīng)的故障類型；

步驟4：設(shè)置自組織編碼器的拓補結(jié)構(gòu)，包括：輸入層、隱含層以及輸出層；確定輸入層神經(jīng)元節(jié)點數(shù)、輸出層神經(jīng)元節(jié)點數(shù)以及隱含層神經(jīng)元節(jié)點數(shù)；其中，輸入層神經(jīng)元節(jié)點數(shù)和輸出層神經(jīng)元節(jié)點數(shù)相同；隱含層神經(jīng)元節(jié)點數(shù)小于輸出層神經(jīng)元節(jié)點數(shù)；

步驟5：初始化自組織編碼器中相鄰神經(jīng)元節(jié)點的權(quán)值；利用未標定故障類型的樣本數(shù)據(jù)集P2作為訓(xùn)練數(shù)據(jù)，采用蒙特卡洛馬爾科夫鏈的方法，學(xué)習訓(xùn)練自組織編碼器，直到輸出端與輸入端數(shù)據(jù)相同或差值符合設(shè)定要求，訓(xùn)練結(jié)束，得到訓(xùn)練完成的自組織編碼器；

步驟6：將已標定故障類型的樣本數(shù)據(jù)集P1作為測試數(shù)據(jù)，輸入到步驟5得到的訓(xùn)練完成的自組織編碼器中，訓(xùn)練完成的自組織編碼器將輸入樣本數(shù)據(jù)壓縮到隱藏層，隱藏層數(shù)據(jù)為輸入樣本數(shù)據(jù)的特征數(shù)據(jù)，自組織編碼器輸出隱藏層數(shù)據(jù)，得到數(shù)據(jù)集P3；其中，數(shù)據(jù)集P3中每個數(shù)據(jù)的維數(shù)為N_M，N_M即為隱藏層節(jié)點數(shù)；

步驟7：設(shè)置RBF神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，包括：輸入層、隱含層以及輸出層；其中，RBF神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元節(jié)點數(shù)為Q；隱含層神經(jīng)元節(jié)點數(shù)為P；輸出成神經(jīng)元節(jié)點數(shù)為K；

其中，Q等于數(shù)據(jù)集B’的維數(shù)N_M；K等于故障類型數(shù)F；

RBF神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點的激活函數(shù)采用Gauss徑向基函數(shù)其中,r為數(shù)據(jù)點與神經(jīng)元節(jié)點中心的距離，R為神經(jīng)元節(jié)點的半徑；

隱含層神經(jīng)元節(jié)點數(shù)其中，a為0到10之間的一個整數(shù)，為隱含層神經(jīng)元個數(shù)調(diào)整系數(shù)；a的具體取值，需要多次試驗確定；

步驟8：將數(shù)據(jù)集P3劃分為訓(xùn)練集和測試集；

步驟9：利用訓(xùn)練集，訓(xùn)練步驟7得到的RBF神經(jīng)網(wǎng)絡(luò)，從而得到訓(xùn)練完成的RBF神經(jīng)網(wǎng)絡(luò)；

步驟10：利用測試集，驗證所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的泛化能力，當驗證通過后，得到最終的RBF神經(jīng)網(wǎng)絡(luò)；

步驟11：將實時待檢測的道岔啟動電流數(shù)據(jù)L采用步驟2的方法進行歸一化處理，然后，歸一化后電流數(shù)據(jù)輸入到步驟5得到的訓(xùn)練完成的自組織編碼器中，自組織編碼器對道岔啟動電流數(shù)據(jù)L進行壓縮處理，輸出隱含層數(shù)據(jù)，將輸出數(shù)據(jù)記為數(shù)據(jù)L’；

步驟12：將數(shù)據(jù)L’輸入到步驟10得到的RBF神經(jīng)網(wǎng)絡(luò)中，RBF神經(jīng)網(wǎng)絡(luò)的輸出即為數(shù)據(jù)L所反應(yīng)的故障診斷類型。

優(yōu)選的，步驟3中，標注樣本數(shù)據(jù)集P1中每個樣本數(shù)據(jù)所反應(yīng)的故障類型時，采用的設(shè)定規(guī)則為：

規(guī)則1：標定的故障類型全面覆蓋需要診斷的故障類型；

規(guī)則2：標定的每一類型故障的數(shù)據(jù)樣本個數(shù)/數(shù)據(jù)樣本總個數(shù)≥W；其中，W為初始設(shè)定值，根據(jù)數(shù)據(jù)樣本總個數(shù)與每個類型故障發(fā)生的概率綜合判斷確定；

規(guī)則3：假定故障類型的個數(shù)為F，則為每個故障類型分配一個[1,F]之間的唯一的自然數(shù)，作為該類故障的標記。

優(yōu)選的，步驟8中，隨機選擇數(shù)據(jù)集P3中的70％個數(shù)據(jù)形成訓(xùn)練集；剩余30％個數(shù)據(jù)形成測試集。

優(yōu)選的，步驟12之后，還包括：

步驟13：通過人機交互，判斷本次故障診斷結(jié)果的準確性。如果診斷結(jié)果正確，則直接跳到步驟11，進入對下一條實時數(shù)據(jù)的自動故障診斷的流程中；否則，跳到步驟6，利用該道岔啟動電流的數(shù)據(jù)與正確的故障類型作為新測試數(shù)據(jù)，重新調(diào)整自組織編碼器輸出的數(shù)據(jù)集P3，進而調(diào)整RBF神經(jīng)網(wǎng)絡(luò)的的參數(shù)，以提高模型的故障診斷的能力。

本發(fā)明提供的基于深度學(xué)習模型的道岔故障診斷方法具有以下優(yōu)點：

(1)對道岔故障進行自動診斷的速度快；

(2)對道岔故障進行診斷的準確性高。

附圖說明

圖1為本發(fā)明提供的基于深度學(xué)習模型的道岔故障診斷方法的流程示意圖。

具體實施方式

為了使本發(fā)明所解決的技術(shù)問題、技術(shù)方案及有益效果更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明為一種基于深度學(xué)習與RBF神經(jīng)網(wǎng)絡(luò)算法的道岔故障診斷技術(shù)。該技術(shù)首先利用深度置信神經(jīng)網(wǎng)絡(luò)作為特征選擇器，來學(xué)習抽取道岔啟動電流歷史數(shù)據(jù)的本質(zhì)特征。之后，利用RBF神經(jīng)網(wǎng)絡(luò)作為頂層分類器，與前面所說的由深度置信神經(jīng)網(wǎng)絡(luò)構(gòu)成的特征選擇器，一起串聯(lián)合并組成的新的深度神經(jīng)網(wǎng)絡(luò)，對道岔啟動電流數(shù)據(jù)進行分類，從而確定道岔的健康狀態(tài)，實現(xiàn)對道岔故障的自動診斷，以提高道岔故障診斷的準確性與時效性。

本發(fā)明提供的基于深度學(xué)習模型的道岔故障診斷方法，其主要構(gòu)思可概括描述為：對道岔啟動電流樣本數(shù)據(jù)進行歸一化；然后，在鐵路信號專家的幫助下，為部分樣本數(shù)據(jù)標定故障類型；然后，利用未標定故障類型的道岔啟動電流樣本數(shù)據(jù)學(xué)習訓(xùn)練自組織編碼器，并以此自組織編碼器作為特征選擇器，學(xué)習抽取道岔啟動電流自組織編碼器的本質(zhì)特征，輸出原樣本數(shù)據(jù)壓縮后的特征數(shù)據(jù)。之后，利用RBF神經(jīng)網(wǎng)絡(luò)作為頂層分類器，與自組織編碼器串聯(lián)，形成新的深度學(xué)習模型；然后，采用已標定故障類型的道岔啟動電流樣本數(shù)據(jù)進行學(xué)習訓(xùn)練，以形成最終的道岔故障診斷的深度學(xué)習模型；最后，利用該深度學(xué)習模型對道岔啟動電流的實時數(shù)據(jù)進行在線診斷，以確定道岔的健康狀態(tài)，實現(xiàn)對道岔故障的自動診斷。進一步的，如果診斷結(jié)果正確，則結(jié)束對該條實時數(shù)據(jù)的診斷處理，進入對下一條實時數(shù)據(jù)的診斷過程中。否則，診斷結(jié)果錯誤，則需將該條實時數(shù)據(jù)與正確的故障類型輸入到新型的深度學(xué)習模型中，通過增量式學(xué)習，讓該深度學(xué)習模型學(xué)習到新的知識，以提高道岔故障診斷的準確性。

參考圖1，本發(fā)明提供的基于深度學(xué)習模型的道岔故障診斷方法，包括以下步驟：

步驟1：獲得u個道岔啟動電流的原始樣本數(shù)據(jù)；其中，u為自然數(shù)；每個所述原始樣本數(shù)據(jù)x＝(x₁,x₂,…x_s)，其中，s為自然數(shù)，x₁,x₂,…x_s表示某段歷史時間長度內(nèi)連續(xù)采樣得到的s個道岔啟動實際電流值；

步驟2：采用下式對每個原始樣本數(shù)據(jù)x進行歸一化處理，得到歸一化后的樣本數(shù)據(jù)x^*：

其中，μ為所有原始樣本數(shù)據(jù)的平均值，σ為所有原始樣本數(shù)據(jù)的標準差；

步驟3：從u個歸一化后的樣本數(shù)據(jù)x^*中，選擇u₁個歸一化后的樣本數(shù)據(jù)x^*，組成樣本數(shù)據(jù)集P1；剩余u-u₁＝u₂個歸一化后的樣本數(shù)據(jù)x^*組成樣本數(shù)據(jù)集P2；

按設(shè)定規(guī)則標注樣本數(shù)據(jù)集P1中的每個樣本數(shù)據(jù)所反應(yīng)的故障類型；

本步驟中，設(shè)定規(guī)則可在鐵路信號專家的幫助下進行，包括：

規(guī)則1：標定的故障類型全面覆蓋需要診斷的故障類型；

規(guī)則2：標定的每一類型故障的數(shù)據(jù)樣本個數(shù)/數(shù)據(jù)樣本總個數(shù)≥W；其中，W為初始設(shè)定值，根據(jù)數(shù)據(jù)樣本總個數(shù)與每個類型故障發(fā)生的概率綜合判斷確定；

規(guī)則3：假定故障類型的個數(shù)為F，則為每個故障類型分配一個[1,F]之間的唯一的自然數(shù)，作為該類故障的標記。

步驟4：設(shè)置自組織編碼器的拓補結(jié)構(gòu)，包括：輸入層、隱含層以及輸出層；確定輸入層神經(jīng)元節(jié)點數(shù)、輸出層神經(jīng)元節(jié)點數(shù)以及隱含層神經(jīng)元節(jié)點數(shù)；其中，輸入層神經(jīng)元節(jié)點數(shù)和輸出層神經(jīng)元節(jié)點數(shù)相同；隱含層神經(jīng)元節(jié)點數(shù)小于輸出層神經(jīng)元節(jié)點數(shù)；

步驟5：初始化自組織編碼器中相鄰神經(jīng)元節(jié)點的權(quán)值；利用未標定故障類型的樣本數(shù)據(jù)集P2作為訓(xùn)練數(shù)據(jù)，采用蒙特卡洛馬爾科夫鏈的方法，學(xué)習訓(xùn)練自組織編碼器，直到輸出端與輸入端數(shù)據(jù)相同或差值符合設(shè)定要求，訓(xùn)練結(jié)束，得到訓(xùn)練完成的自組織編碼器；

步驟6：將已標定故障類型的樣本數(shù)據(jù)集P1作為測試數(shù)據(jù)，輸入到步驟5得到的訓(xùn)練完成的自組織編碼器中，訓(xùn)練完成的自組織編碼器將輸入樣本數(shù)據(jù)壓縮到隱藏層，隱藏層數(shù)據(jù)為輸入樣本數(shù)據(jù)的特征數(shù)據(jù)，自組織編碼器輸出隱藏層數(shù)據(jù)，得到數(shù)據(jù)集P3；其中，數(shù)據(jù)集P3中每個數(shù)據(jù)的維數(shù)為N_M，N_M即為隱藏層節(jié)點數(shù)；

步驟7：設(shè)置RBF神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，包括：輸入層、隱含層以及輸出層；其中，RBF神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元節(jié)點數(shù)為Q；隱含層神經(jīng)元節(jié)點數(shù)為P；輸出成神經(jīng)元節(jié)點數(shù)為K；

其中，Q等于數(shù)據(jù)集B’的維數(shù)N_M；K等于故障類型數(shù)F；

RBF神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點的激活函數(shù)采用Gauss徑向基函數(shù)其中,r為數(shù)據(jù)點與神經(jīng)元節(jié)點中心的距離，R為神經(jīng)元節(jié)點的半徑；

隱含層神經(jīng)元節(jié)點數(shù)其中，a為0到10之間的一個整數(shù)，為隱含層神經(jīng)元個數(shù)調(diào)整系數(shù)；

步驟8：將數(shù)據(jù)集P3劃分為訓(xùn)練集和測試集；例如，隨機選擇數(shù)據(jù)集P3中的70％個數(shù)據(jù)形成訓(xùn)練集；剩余30％個數(shù)據(jù)形成測試集。

步驟9：利用訓(xùn)練集，訓(xùn)練步驟7得到的RBF神經(jīng)網(wǎng)絡(luò)，從而得到訓(xùn)練完成的RBF神經(jīng)網(wǎng)絡(luò)；

步驟10：利用測試集，驗證所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的泛化能力，當驗證通過后，得到最終的RBF神經(jīng)網(wǎng)絡(luò)；

步驟11：將實時待檢測的道岔啟動電流數(shù)據(jù)L采用步驟2的方法進行歸一化處理，然后，歸一化后電流數(shù)據(jù)輸入到步驟5得到的訓(xùn)練完成的自組織編碼器中，自組織編碼器對道岔啟動電流數(shù)據(jù)L進行壓縮處理，輸出隱含層數(shù)據(jù)，將輸出數(shù)據(jù)記為數(shù)據(jù)L’；

步驟12：將數(shù)據(jù)L’輸入到步驟10得到的RBF神經(jīng)網(wǎng)絡(luò)中，RBF神經(jīng)網(wǎng)絡(luò)的輸出即為數(shù)據(jù)L所反應(yīng)的故障診斷類型。

步驟12之后，還包括：

步驟13：通過人機交互，判斷本次故障診斷結(jié)果的準確性。如果診斷結(jié)果正確，則直接跳到步驟11，進入對下一條實時數(shù)據(jù)的自動故障診斷的流程中；否則，跳到步驟6，利用該道岔啟動電流的數(shù)據(jù)與正確的故障類型作為新測試數(shù)據(jù)，重新調(diào)整自組織編碼器輸出的數(shù)據(jù)集P3，進而調(diào)整RBF神經(jīng)網(wǎng)絡(luò)的的參數(shù)，以提高模型的故障診斷的能力。

本發(fā)明提供了的基于深度學(xué)習模型的道岔故障診斷方法，將自組織編碼器與RBF神經(jīng)網(wǎng)絡(luò)串聯(lián)起來，構(gòu)成新型深度學(xué)習模型，從而對道岔啟動電流數(shù)據(jù)進行智能識別，達到對道岔故障自動診斷的目的，具有道岔故障自動診斷的速度快以及診斷的準確性高的優(yōu)點。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng)視本發(fā)明的保護范圍。