一個實施例的一個診斷模型五層模糊神經(jīng)網(wǎng)絡(luò)。
【具體實施方式】
[0060] 下面將結(jié)合附圖，對本發(fā)明所述的道岔動作電流曲線的特征提取方法做進(jìn)一步說 明。
[0061] 道岔的工作過程可概括為：切斷表示電流-解鎖-轉(zhuǎn)換-鎖閉-接通表示電流。 微機監(jiān)測系統(tǒng)能夠記錄道岔動作過程的電流值（即道岔轉(zhuǎn)轍機的工作電流值），如想獲得 道岔轉(zhuǎn)換時工作電流的數(shù)據(jù)，可通過連接微機監(jiān)測的通信接口實時接收采集機發(fā)送的道岔 轉(zhuǎn)換數(shù)據(jù)來實現(xiàn)，也可直接從微機監(jiān)測系統(tǒng)中拷貝工作電流的歷史數(shù)據(jù)。
[0062] 道岔動作電流曲線是一條以電流為縱軸、時間為橫軸，以一定測量時間間隔的各 電流值逐點連接繪制而成的曲線，蘊涵了道岔轉(zhuǎn)換過程中的電氣特性和機械特性。道岔動 作電流曲線是反映道岔運用質(zhì)量的一個重要指標(biāo)，可為現(xiàn)場工作人員提供每組道岔詳細(xì)的 動作電流信息，因此對道岔的動作電流曲線進(jìn)行計算、分析，便可隨時掌握道岔的運行情 況，發(fā)現(xiàn)道岔轉(zhuǎn)換過程中存在的不良反應(yīng)，可以有效地預(yù)防故障發(fā)生和消除不良隱患。
[0063] 道岔動作電流曲線（在本發(fā)明中也稱為"動作電流曲線"或"電流曲線"）大致可 分為3個階段，如圖Ia所示，分別為道岔啟動階段（圖中區(qū)域A)，道岔動作階段（圖中區(qū) 域B)及緩放階段（圖中區(qū)域C)。在道岔啟動階段（圖中區(qū)域A)，啟動的瞬間，電機需克 服較大阻力帶動轉(zhuǎn)轍機的傳動裝置運轉(zhuǎn)，因此其啟動電路中形成的電流較大，電流值驟升 并形成一個尖峰，完成道岔的解鎖過程，將此過程對應(yīng)的電流曲線部分稱為解鎖區(qū)；在道岔 動作階段（圖中區(qū)域B)，道岔三相動作電流一般在4A到5A之間，此時若道岔工作狀態(tài)正 常，則道岔轉(zhuǎn)轍機平穩(wěn)的推動尖軌移動，至與基本軌密貼并將尖軌鎖閉，該階段的動作時間 接近6S左右，將此過程對應(yīng)的電流曲線部分稱為轉(zhuǎn)換區(qū)，此時在道岔動作電流曲線上的電 流值變化較平緩；鎖閉后道岔控制電路切斷電源，電流曲線迅速下落，處于道岔繼電器緩放 階段（圖中區(qū)域C)，該階段應(yīng)該有由兩相電流曲線組成的"小臺階"，"小臺階"的形成是由 鎖閉后接通的回路產(chǎn)生的，該回路接通道岔轉(zhuǎn)轍機兩相電源端子，加之繼電器的緩放特性， 微機監(jiān)測會繼續(xù)對道岔的電流曲線進(jìn)行采集，若表示電路正常，這個"小臺階"電流大概在 0. 5~0. 6A之間，將此過程對應(yīng)的電流曲線部分稱為"緩放區(qū)"或者鎖閉區(qū)。
[0064] 利用值投影及柱狀圖的道岔動作電流曲線的特征提取方法對道岔進(jìn)行故障診斷 的步驟如下：
[0065] SlOO :從鐵路相關(guān)部門的微機監(jiān)測系統(tǒng)中獲取需要的道岔的工作電流曲線；
[0066] S200:選取正常道岔和故障道岔的工作電流曲線作為樣本，用以后續(xù)步驟的診斷 豐吳型訓(xùn)練；
[0067] S300 :利用值投影及柱狀圖的道岔動作電流曲線的特征提取方法（即本發(fā)明所述 的道岔動作電流曲線的特征提取方法），區(qū)分道岔動作電流曲線的動作過程（即解鎖_>轉(zhuǎn) 換_>鎖閉），進(jìn)行特征提取，提取每個道岔動作過程的特征。
[0068] S400 :采用基于ReliefF的特征選擇算法選擇對于區(qū)分故障有意義的特征，得到 高效簡約的特征空間；
[0069] S500 :利用S400得到的特征空間訓(xùn)練診斷模型以區(qū)分道岔故障；
[0070] S600 :利用S500得到的診斷模型，對實時或歷史的道岔動作電流曲線進(jìn)行診斷， 得到道岔的工作狀態(tài)。
[0071] 下面對上述步驟，特別是S300特征提取及S400特征選擇形成特征空間進(jìn)行詳細(xì) 說明。
[0072] 1)特征提取與特征選擇概述
[0073] I. 1道岔電流曲線的特征提取
[0074] 智能故障診斷面臨的一個難題之一是故障特征知識的發(fā)現(xiàn)問題，而道岔更具特殊 性，由于其在轉(zhuǎn)換過程中電流，電壓及轉(zhuǎn)換阻力的不穩(wěn)定性，在要求不丟失道岔轉(zhuǎn)換信息、 實時診斷的情況下，如何獲取有效的故障特征有效樣例更為困難，因此，道岔的分區(qū)及特征 提取也是本發(fā)明重點內(nèi)容之一。在特征提取時，最簡單直接的方法是直接使用其原始數(shù) 據(jù)構(gòu)造訓(xùn)練樣本，為了保證輸入向量維數(shù)相同，可通過對數(shù)據(jù)進(jìn)行插值延長拓展的方式或 對樣本通過抽樣的方式進(jìn)行長度裁剪，設(shè)定特征向量維度固定，對于長度小于該特征向量 維度的樣本，通過插值方式延拓為同樣的長度，而對于超出該長度的樣本采用抽樣的方式 至長度為指定值，同時在特征向量中保存其原始長度。由于微機監(jiān)測采集數(shù)據(jù)的周期為 0. 04s，正常情況下道岔一次轉(zhuǎn)換時間在6. 4s左右，包含約160個數(shù)據(jù)點；而卡阻時其轉(zhuǎn)換 時間能夠達(dá)到30s之多，即600個數(shù)據(jù)點，兩者相差約450個數(shù)據(jù)點，因此如果直接對整條 曲線進(jìn)行特征提取，用于訓(xùn)練的輸入特征向量的維度往往會達(dá)到600左右，這將大大增加 訓(xùn)練難度，某些時間長度較短的故障特征也會被忽略，給定向量維度后的數(shù)據(jù)不能完全反 映道岔曲線的全部特征。另外，由于道岔之間的差異，同一道岔在同一工作模式下其曲線也 可能表現(xiàn)出不盡相同的形態(tài)，而不同道岔在同一工作模式下曲線形態(tài)也會有所不同，所以 如果以整條曲線的所有離散點作為判斷故障的依據(jù)，不但影響診斷效果，輸入向量的維度 也不好確定，輸入向量維數(shù)大時，訓(xùn)練時間延長，診斷效率減低。
[0075] 因此，本發(fā)明使用了道岔動作電流曲線的"值投影及柱狀圖"的方法首先將道岔動 作電流曲線分為解鎖、轉(zhuǎn)換、鎖閉三個階段，然后利用特征提取方法獲取道岔運行曲線的幾 何與統(tǒng)計參數(shù)，經(jīng)過特征提取后的特征，有些是對分類有用的特征，有些是對分類無用的特 征，即在各個工作模式下無用特征差異并不大，不足以區(qū)分道岔的工作模式，因此，在特征 提取的下一步，本發(fā)明通過特征選擇方法，對提取的特征進(jìn)行選擇，選取對故障有很好區(qū)分 作用的特征，即對于區(qū)分道岔故障最有意義的特征，從而得到高效簡約的特征空間，利用這 樣的特征空間訓(xùn)練模型以區(qū)分道岔故障，能夠防止一些對分類作用不大的特征對診斷模型 性能及正確率的影響。
[0076] 1. 2基于ReliefF算法的道岔統(tǒng)計特征選擇
[0077] 特征選擇也叫特征子集選擇（FSS，F(xiàn)eature Subset Selection)，是在原有的特征 集合中選擇對目標(biāo)概念最相關(guān)的特征子集使得系統(tǒng)的特定指標(biāo)最優(yōu)化，即從原始特征中選 擇出一些最有效特征以降低數(shù)據(jù)集維度的過程，目的是篩選出對于分類來說最相關(guān)有效的 特征，一個合適、有效的特征選擇算法可以在數(shù)據(jù)預(yù)處理階段降低特征維數(shù)，減少建立模型 的訓(xùn)練時間，提高模型診斷性能及正確率。
[0078] 特征選擇對于不同的實際問題，有基于不同數(shù)學(xué)描述及針對不同目的的特征選擇 算法。圖2的特征選擇框架是一個特征選擇流程。本發(fā)明選擇ReliefF算法作為特征選擇 方法進(jìn)行研究，它是一種特征權(quán)重算法，根據(jù)特征對于同類樣本和不同類別樣本的區(qū)分能 力賦予各特征不同的權(quán)重，若該特征與同類樣本特征的距離小于該特征與不同類樣本特征 的距離，則該特征對于區(qū)分不同類別的樣本是有益的，增加其權(quán)重；反之，該特征是無益的， 降低其權(quán)重；最后把特征按照權(quán)值按由大到小的方式進(jìn)行排序，再設(shè)定門限來判定特征的 有效性，或選擇M個權(quán)值最大的特征，去除其他特征來完成特征選擇。
[0079] 在計算特征距離時，本發(fā)明選擇歐氏距離做為評價標(biāo)準(zhǔn)，它是一種空間上的距離 定義，如果不同類別之間的距離越大，表明類別的可分性越大，分類的錯誤率就越低，對于 特征選擇來說，就是選擇那些使類間距離最大的特征子集，歐式距離計算公式如下：
[0082] 其中i是特征數(shù)據(jù)的個數(shù)，H,表示與R同類的第j個樣本，M ,表示與R不同類的 第j個樣本；設(shè)特征數(shù)據(jù)集為D，抽樣m次，即選擇m個用于評估特征有效性的樣本個數(shù)，得 到各特征權(quán)重T。
[0083] 權(quán)重修改公式為：
[0085] 運算結(jié)果得到各特征的平均權(quán)重。權(quán)重越大，特征的分類能力越強，反之，該特征 分類能力越弱。Relief算法的運行效率非常高，具體算法流程如圖3所示。
[0086] Relief算法比較簡單，但運行效率高，并且結(jié)果也比較令人滿意，但是其局限性 在于只能處理兩類別數(shù)據(jù)，因此作為其拓展，ReliefF算法可以處理多類別分類的問題， ReliefF算法在處理多類問題時，從同類樣本及每個不同類樣本中各取k個鄰近樣本后更 新特征權(quán)重，與Relief的權(quán)值更新公式不同，因為ReliefF是從每個不同類的樣本中選擇 k個樣本，所以權(quán)值更新其公式為：
式⑷
[0088] 上式中，P(C)表不類的分布概率，Class(R)表不R所屬的類別，
表 示樣本R與Hj在特征A上的差,Mj (C)表示類C中的第j個最近鄰樣本，其計算公式如下式 所示：
[0090] R1, R2是兩個樣本，R1M、R2[A]指樣本A上第R個特征值，求出各個特征與類的相 關(guān)性權(quán)值后，按照閾值選擇特征就構(gòu)成最后的特征子集，得到有效特征，Relief系列算法運 行效率高，對數(shù)據(jù)類型沒有限制，屬于一種特征權(quán)重算法，算法會賦予所有和類別相關(guān)性高 的特征較高的權(quán)重，所以算法的局限性在于不能有效的去除冗余特征。
[0091] 2)值投影及柱狀圖的特征提取方法
[0092] 道岔的轉(zhuǎn)換過程大致分為解鎖（圖Ia中的區(qū)域A)，轉(zhuǎn)換（圖Ia中的區(qū)域B)，及 緩放（圖Ia中的區(qū)域C)三個階段，現(xiàn)場維護(hù)時，維修人員根據(jù)不同階段出現(xiàn)的異常，判斷 故障原因并采取維修策略，因此，根據(jù)道岔的轉(zhuǎn)換特點及轉(zhuǎn)換曲線電流特點，如果在特征提 取前先對道岔的動作曲線按照啟動，轉(zhuǎn)換及鎖閉三個階段進(jìn)行分段考慮，再對每個區(qū)段分 別提取特征，效果更好。
[0093] 值投影特征提取方法是將道岔的電流值和時間值投影到另一個坐標(biāo)軸上，在新的 投影坐標(biāo)下，橫坐標(biāo)代