34] 道岔故障診斷模型采用一個五層前饋模糊神經(jīng)網(wǎng)絡(luò)來實現(xiàn)，其基本結(jié)構(gòu)如圖9所 示。其中，X i，X 2,…X k是輸入變量，F(xiàn) D F2, F3, ?4是系統(tǒng)輸出的置信度，MF ^是第i個輸入 變量的第j個隸屬函數(shù)，R,表示第j條模糊規(guī)則，馬是第j個歸一化節(jié)點，ω ,是第j個規(guī) 則的結(jié)果參數(shù)或連接權(quán)。
[0135] 第一層為輸入層，它可將預(yù)先選擇的道岔運(yùn)行數(shù)據(jù)特征傳遞到網(wǎng)絡(luò)的第二層，結(jié) 點的個數(shù)N等于特征向量的長度；
[0136] 第二層是量化輸入層，通過隸屬度函數(shù)將輸入變量模糊化，這一層的節(jié)點數(shù)是 3*N，每個節(jié)點代表一個模糊集合，用于計算輸入分量屬于各個模糊集合的隸屬度值，系統(tǒng) 輸入變量的隸屬度函數(shù)選擇高斯型隸屬度：
[0138] 其中P代表輸入?yún)?shù)，σ Cll j為函數(shù)中心參數(shù)Cllj及每個中心的寬度σ ，二者可 以取隨機(jī)值，但為了提高運(yùn)算效率，我們分別計算各個輸入特征向量的整體均值和方差作 為隸屬度函數(shù)的中心參數(shù)Cllj及每個中心的寬度σ
[0139] 第三層是規(guī)則層，該層每個神經(jīng)元代表一條模糊規(guī)則，用來匹配模糊規(guī)則前件，計 算每條激活度的算法如下：
[0141] 其中表示第k條規(guī)則的3個輸入模糊量。R為模糊規(guī)則數(shù)量，對于給 定的網(wǎng)絡(luò)輸入，只有在輸入點附近的模糊語言變量才有較大的隸屬度值，而相對來說遠(yuǎn)離 輸入點的模糊語言變量的隸屬度值很小，近似接近于〇,后面將介紹如何對規(guī)則層進(jìn)行動態(tài) 調(diào)整。
[0142] 第四層是歸一化運(yùn)算，使得所有規(guī)則的激活度之和為1，該層的節(jié)點數(shù)與模糊規(guī)則 節(jié)點數(shù)相等。第k個節(jié)點4的輸出為：
[0144] 第五層為網(wǎng)絡(luò)的輸出，在前面四層網(wǎng)絡(luò)的基礎(chǔ)上計算道岔故障的可信度值，最后 得到道岔運(yùn)行狀態(tài)情況。
[0146] 上式中Cj# F j的第k個語言值隸屬度函數(shù)的中心值，c jkG [0, 1]，且F =
[0148] 該算法是一種模糊加權(quán)平均算子FWA (Fuzzy Weighted Averaging Operator)算 法。
[0149] 該模糊神經(jīng)網(wǎng)絡(luò)診斷模型的訓(xùn)練和使用步驟如下：
[0150] Stepl :利用模糊理論將輸入的故障癥兆信息模糊化，形成故障訓(xùn)練樣本輸入網(wǎng) 絡(luò)。
[0151] Step2:改變網(wǎng)絡(luò)的權(quán)值與閾值，使得網(wǎng)絡(luò)具有更強(qiáng)的表達(dá)能力，數(shù)據(jù)處理能力及 穩(wěn)定的推理能力。
[0152] Step3:根據(jù)各個區(qū)段的不同特征以及設(shè)定的規(guī)則，給出故障診斷情況的輸出，提 示道岔的運(yùn)行狀態(tài)。
[0153] 經(jīng)過上述的數(shù)據(jù)收集、特征提取、特征選擇、得到特征向量空間、訓(xùn)練診斷模型等 步驟，最后將實時或歷史的道岔動作電流曲線放入該診斷模型進(jìn)行診斷，得到道岔的工作 狀態(tài)或故障類型。具體而言，是將實時或歷史的道岔動作電流曲線通過上述步驟S300、S400 得到簡約的特征空間，將該特征空間輸入診斷模型并訓(xùn)練模型直至模型診斷誤差滿足要 求，并將經(jīng)過訓(xùn)練的模型用于道岔的工作狀態(tài)或故障類型的判斷。
[0154] 本發(fā)明的道岔故障診斷方法，實驗條件下，經(jīng)過2000次訓(xùn)練后的診斷模型的診斷 誤差趨近0.01并趨于穩(wěn)定，利用155條測試樣本（包含正常樣本和四種故障類型樣本）對 模型的診斷效果進(jìn)行測試，診斷準(zhǔn)確率能夠達(dá)到96. 77%，由于值投影及柱狀圖的方法是按 照道岔的動作階段進(jìn)行分區(qū)后再分別提取各個區(qū)段的特征，這樣各個區(qū)段特征的差異就可 以作為區(qū)分故障的標(biāo)準(zhǔn)，并減少各個區(qū)段間的相互干擾，得到的診斷效果較好。
[0155] 將該算法應(yīng)用于鐵路現(xiàn)場的道岔故障診斷軟件系統(tǒng)中，對現(xiàn)場的微機(jī)監(jiān)測得到的 道岔動作情況進(jìn)行實時監(jiān)測，得到了較好的診斷效果，診斷準(zhǔn)確率能夠達(dá)到99. 04。
[0156] 本發(fā)明的道岔故障診斷方法，不僅能在道岔發(fā)生故障時及時準(zhǔn)確的提供維修信 息，指導(dǎo)現(xiàn)場維護(hù)人員有針對性的對故障道岔進(jìn)行維修，降低維修成本，提高道岔的使用效 率，還能夠降低其發(fā)生故障后帶來的各種不利影響，壓縮故障延時，進(jìn)一步減少運(yùn)輸延誤， 對于提高運(yùn)輸系統(tǒng)安全和效率也有重要的現(xiàn)實意義。
[0157] 以上所述僅為本發(fā)明的實施例，并非因此限制本發(fā)明的專利范圍，本領(lǐng)域的技術(shù) 人員可以對本發(fā)明進(jìn)行各種改動和變形而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明 的這些修改和變形屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這 些改動和變形在內(nèi)。
[0158] 當(dāng)然，本發(fā)明并不僅限于上述【具體實施方式】。所有本領(lǐng)域技術(shù)人員能夠想到的能 實現(xiàn)上述的功能效果的【具體實施方式】均在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項】
1. 一種道岔動作電流曲線的特征提取方法，包括如下步驟： S310 :獲取道岔動作的電流數(shù)據(jù)，以道岔動作時間為橫坐標(biāo)，離散的電流數(shù)據(jù)為縱坐 標(biāo)，生成道岔動作電流曲線； S320 :將道岔動作電流曲線轉(zhuǎn)換到投影坐標(biāo)系，投影坐標(biāo)系橫軸為電流值區(qū)間，投影坐 標(biāo)系的縱軸為道岔動作電流曲線上各電流值區(qū)間內(nèi)所包含的離散點的數(shù)量； S330:在所述道岔動作電流曲線上包括三個道岔動作區(qū)段，分別為解鎖區(qū)、轉(zhuǎn)換區(qū)、鎖 閉區(qū)；確定所述投影坐標(biāo)系下各道岔動作區(qū)段的分段； S340 :輸出各電流值區(qū)間的開始點與結(jié)束點。2. 根據(jù)權(quán)利要求1所述的道岔動作電流曲線的特征提取方法，其特征在于，S330包括 如下步驟： S331，確定投影坐標(biāo)系下的極大值柱狀圖區(qū)間； 5332, 確定投影坐標(biāo)系下的轉(zhuǎn)換區(qū)的左右兩個邊界； 5333, 確定解鎖區(qū)的結(jié)束點和鎖閉區(qū)的起始點。3. 根據(jù)權(quán)利要求2所述的道岔動作電流曲線的特征提取方法，其特征在于， 步驟S331 :確定投影坐標(biāo)系下的極大值柱狀圖區(qū)間：采用遺傳優(yōu)化算法，將分段間隔、 分段數(shù)量作為遺傳算法要優(yōu)化的目標(biāo)，采用遺傳算法尋找最優(yōu)的分段參數(shù)，使得所述道岔 動作電流曲線中電流值變化平緩的區(qū)域內(nèi)的電流數(shù)據(jù)均落入一個電流值區(qū)間內(nèi)形成極大 值柱狀圖區(qū)間，投影后得到所述投影坐標(biāo)系下的極大值柱狀圖區(qū)間。4. 根據(jù)權(quán)利要求2所述的道岔動作電流曲線的特征提取方法，其特征在于， 步驟S331 :比較與極大值柱狀圖區(qū)間相鄰兩個區(qū)間的柱狀圖的大小，如果極大值柱狀 圖區(qū)間的相鄰的兩個電流值區(qū)間所包含的離散點數(shù)量與極大值柱狀圖區(qū)間所包含的離散 值的絕對值之差小于設(shè)定門限值，則認(rèn)為轉(zhuǎn)換區(qū)沒有完全落入極大值柱狀圖區(qū)間，繼續(xù)調(diào) 整電流值區(qū)間的分段數(shù)量與分段間隔，直到極大值柱狀圖區(qū)間的相鄰的兩個電流值區(qū)間所 包含的離散點數(shù)量與極大值柱狀圖區(qū)間所包含的離散值的絕對值之差大于設(shè)定門限值，確 定出極大值柱狀圖區(qū)間。5. 根據(jù)權(quán)利要求2所述的道岔動作電流曲線的特征提取方法，其特征在于， 步驟S332 :在確定了極大值柱狀圖區(qū)間后，選擇電流數(shù)據(jù)的離散點對應(yīng)的時間的 5 %~95 %的部分作為轉(zhuǎn)換區(qū)以減少波動值及噪聲對分段的影響， 步驟S333 :確定解鎖區(qū)的結(jié)束點和鎖閉區(qū)的起始點：轉(zhuǎn)換區(qū)開始點為解鎖區(qū)的結(jié)束 點，轉(zhuǎn)換區(qū)結(jié)束點作為鎖閉區(qū)的起始點。6. 根據(jù)權(quán)利要求1至5之一所述的道岔動作電流曲線的特征提取方法，其特征在于，道 岔動作電流曲線上的每個離散點的電流值和動作時間均被記錄在數(shù)據(jù)庫中，從而使得在所 述投影坐標(biāo)系下的每個電流數(shù)據(jù)均能與原道岔動作電流曲線上的電流值相對應(yīng)。7. -種道岔故障診斷方法，包括步驟： S100 :從鐵路相關(guān)部門的微機(jī)監(jiān)測系統(tǒng)中獲取需要的道岔的工作電流曲線； 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)步驟的診斷模型 訓(xùn)練； S300 :利用權(quán)利要求1至6之一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，進(jìn)行特征提取，提取每個道岔動作過程的特征； 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； 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； 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)。8. 根據(jù)權(quán)利要求7所述的道岔故障診斷方法，其特征在于，步驟S500采用五層前饋模 糊神經(jīng)網(wǎng)絡(luò)來實現(xiàn)。9. 根據(jù)權(quán)利要求8所述的道岔故障診斷方法，其特征在于，步驟S500的五層前饋模糊 神經(jīng)網(wǎng)絡(luò)步驟如下： S510 :利用模糊理論將輸入的故障癥兆信息模糊化，形成故障訓(xùn)練樣本輸入網(wǎng)絡(luò)； S520 :改變網(wǎng)絡(luò)的權(quán)值與閾值，使得網(wǎng)絡(luò)具有更強(qiáng)的表達(dá)能力，數(shù)據(jù)處理能力及穩(wěn)定的 推理能力； S530 :根據(jù)各個區(qū)段的不同特征以及設(shè)定的規(guī)則，給出故障診斷情況的輸出，提示道岔 的運(yùn)行狀態(tài)。
【專利摘要】本發(fā)明一種道岔動作電流曲線的特征提取方法，包括如下步驟：獲取道岔動作的電流數(shù)據(jù)生成道岔動作電流曲線，將道岔動作電流曲線轉(zhuǎn)換到投影坐標(biāo)系，確定所述投影坐標(biāo)系下各道岔動作區(qū)段的分段，輸出各電流值區(qū)間的開始點與結(jié)束點。本方法簡單高效，所提取的特征可以為診斷模型特征集提取提供依據(jù)，經(jīng)選擇的特征即可作為模型的輸入?yún)?shù)。應(yīng)用本發(fā)明特征提取方法的道岔故障診斷方法，不僅能在道岔發(fā)生故障時及時準(zhǔn)確的提供維修信息，指導(dǎo)現(xiàn)場維護(hù)人員有針對性的對故障道岔進(jìn)行維修，降低維修成本，提高道岔的使用效率，還能降低發(fā)生故障后帶來的各種不利影響，壓縮故障延時，進(jìn)一步減少運(yùn)輸延誤，對于提高運(yùn)輸系統(tǒng)安全和效率也有重要的現(xiàn)實意義。
【IPC分類】G06F19/00, G06N3/02
【公開號】CN105260595
【申請?zhí)枴緾N201510616948
【發(fā)明人】邢玉龍, 趙會兵, 田 健
【申請人】北京交通大學(xué), 北京交大思諾科技股份有限公司
【公開日】2016年1月20日
【申請日】2015年9月24日