[发明专利]基于混合深度学习的高铁道岔智能故障检测方法

说明书

本发明提供一种基于混合深度学习的高铁道岔智能故障检测方法，该方法将结合深度学习自动特征提取及传统机器学习异常点检测的混合深度学习方法运用到道岔故障检测方法研究中，利用深度学习进行自动特征提取，形成了维度更小且更加抽象的特征数据，解决了特征提取过程依赖人工经验及聚类算法在高维数据下的计算困难问题；然后使用聚类算法结合专家知识选取正常数据簇，解决无法获得大量有标签数据问题；最后使用标注为正常的数据训练单分类支持向量机进行异常点检测并解决了道岔故障检测过程中无标签或标签不足的问题。

技术领域

本发明属于道岔故障检测领域，特别涉及一种基于混合深度学习的高铁道岔智能故障检测方法。

背景技术

近年来，中国高速铁路快速发展，目前已经拥有世界上最大规模以及最高运营速度的铁路网，给人们的出行带来了极大便利的同时，其安全性也受到了广泛的关注。道岔用于实现高速列车的转线或者跨线运行，是保证铁路安全运行的关键地面信号设备；其运行现状表现出数量庞大、运行频繁、所处环境恶劣等特点，容易引发道岔故障，造成列车运行安全隐患。目前道岔故障检测依靠人工判别，为了避免故障，普遍采取了过度防护和维护措施，造成人力物力的浪费。因此强烈需要一种能够代替人工的智能化道岔故障检测方法。

国内外研究人员针对道岔故障检测这一问题做了大量的研究。目前，针对转辙机的故障检测方法主要集中在解析模型和人工智能两种方法。基于模型的检测方法是通过构造出的解析模型估计输出结果，从而进行故障检测。基于人工智能的方法主要采用数据驱动的策略，数据驱动的故障检测方法就是对过程运行数据进行分析处理，从而在不需知道精确解析模型的情况下完成故障检测。基于人工智能的方法主要可分为基于神经网络的方法和基于支持向量机的方法。基于神经网络的方法包括基于常规神经网络及其改进算法、基于PNN(Product-based Neural Network)神经网络及基于贝叶斯神经网络的道岔故障检测方法；基于支持向量机的方法主要包括基于最小二乘支持向量机的道岔控制电路故障诊断方法和基于单分类(one class)支持向量机的道岔故障检测方法。

对于基于模型的道岔故障检测方法，其性能完全由所构造的模型决定，该类方法过于依赖于被诊断对象数学模型的精确性。然而实际中难以建立精准的数学解析模型。对于基于神经网络的故障检测方法，在大量的故障样本情况下，能获得较好的故障模式识别效果。但在实际中，由于人工标注样本困难，使得道岔故障检测过程中难以获得大量具有标签的样本；道岔正常样本远多于故障样本，神经网络在训练时容易出现过拟合的问题。支持向量机的故障检测方法采用的特征提取多从几何参数的角度入手，特征提取依赖人工经验，且训练过程需要大量有标签数据，不符合现有大量道岔动作电流曲线数据无精确故障标签的实际情况。

发明内容

为了解决现有技术中存在的问题，本发明提供了一种基于混合深度学习的高铁道岔智能故障检测方法。

本发明具体技术方案如下：

本发明提供一种基于混合深度学习的高铁道岔智能故障检测方法，该方法包括如下步骤：

S1：利用深度降噪自编码器自动提取每个道岔动作电流曲线数据的特征，获得无标签特征数据；

S2：利用密度聚类算法对步骤S1获得的无标签特征数据进行聚类，得到若干聚类簇，选取非异常聚类簇对应的原始数据作为正常数据；

S3：利用正常数据对单分类支持向量机进行训练，构建故障检测模型；将待检测数据输入到故障检测模型中，根据输出结果判断待检测数据是否为故障数据。

进一步的改进，所述降噪自编码器通过如下方法构建：构建自编码器基本结构，包括输入层、隐层及输出层，隐层及输出层值可以通过如下方程求出：

h＝σ(Wx+b)   Ⅰ

y＝σ(W′h+b′)   Ⅱ