[发明专利]基于道岔动作电流曲线识别故障类型的方法及系统

说明书

本公开的实施例提供了一种基于道岔动作电流曲线识别故障类型的方法及系统，所述方法包括对待识别的道岔动作电流曲线进行预处理，生成待识别图像；将所述待识别图像输入预先训练得到的故障识别模型，得到第一识别结果，其中，所述第一识别结果包括所述待识别图像对应正常的概率和对应不同故障类型的概率；基于所得到的第一识别结果生成并输出第二识别结果。以此方式，可以规范化道岔动作曲线数据在笛卡尔坐标系形态上横轴动作持续时间长短不一的情形，减小形态上横轴与纵轴上的偏移带来的影响；不需要人工提取电流曲线的特征，避免了欠拟合与过拟合问题；不依赖于专业人员的经验及业务能力水平，避免了误识别和漏识别，提高了故障识别精度。

技术领域

本公开的实施例一般涉及轨道交通技术领域，并且更具体地，涉及基于道岔动作电流曲线识别故障类型的方法、系统、设备和计算机可读存储介质。

背景技术

道岔转辙机是一个复杂的电气及机械装置，用来在车辆前方可选进路上进行轨道方向的转换。在地铁的运营与维护的过程当中，道岔不能正常转换占了道岔故障占相当大的比例。道岔转辙机的维护目的正是为了增强地铁服务质量并减少系统的故障。

对道岔转辙机，能够采用电压和电流传感器去采集电流、电压和功率等特性曲线。这些特性曲线是道岔在转换动作过程中的一个表征，通过这些曲线的分析能够推断出现场道岔相关设备实际的运营状况。当道岔转辙机的动作电路被接通时，道岔会执行转换的动作流程。道岔动作电流描述了转辙机的解锁阶段，转换阶段，锁闭阶段和缓放阶段。通过对电流曲线的分析就可以判断出道岔转辙机的电气、机械等故障特性。

道岔转辙机维护的基础一般是基于道岔转换过程中动作电流曲线的分析，因为其蕴含的信息量目前对于道岔的运营维护来说是最关键的且道岔动作电流曲线数据方便采集。道岔动作电流曲线作为道岔运行状况的一个主要指标，微机监测系统可以对其进行实时监测并记录。

在地铁道岔转辙机的运营维护中，针对转辙机特性曲线，主要依赖专业人员的人工调阅手段来判断当前曲线是否是故障类型。这种人工调阅的方式自身存在一定的问题。在道岔转辙机故障监测及诊断领域，用机器学习代替人工的思考和决策能够更准确的识别和诊断故障。采用经典的机器学习的视角来看，道岔转辙机曲线的故障诊断及识别问题可以被认为是一个分类问题，而实际运营中不仅仅对针对道岔动作曲线做简单的你“健康”或是“故障”的二分类就能够满足现场实际需求了，而要将“故障”更加进行细分，实际上问题是一个多分类的问题，故障类别包括但不限于卡阻故障、缺油故障、电机抱死故障等。传统机器学习方法中应用比较广泛的有支持向量机、神经网络、决策树和随机森林等方法。

在现今仍广泛采用的“故障修”及“计划修”的框架下，对道岔的故障分析时，人工地对常见的故障进行总结分析是必要的，通过对转辙机的动作电流进行分析，大体上可以找到故障的原因并能够推测未来是否会出现故障。不过，依赖专业人员的人工调阅手段来区别当前曲线是否是故障类型以及是哪一种故障类型，这样做的不足之处在于，这将依赖于专业人员的经验及业务能力水平，专家经验模型难以获取及统一，容易产生误识别和漏识别的问题，缺乏自学习性；另外，专家系统使用人工根据经验值而设定的硬阈值的方式对转辙机特性曲线进行检测，缺乏一定的鲁棒性和可扩展性，因为道岔曲线形态各异，即使是同一型号的转辙机，面对不同的工况及工作负载的不同，不同时间点的环境因素如温度及湿度的变化时，采集到的电流特性曲线也是有所区别的，人工地去面对各种情况并且要使用硬阈值去适应这些曲线特征上的变化对人的要求比较高，可能会需要经常根据工况调整参数的阈值，并且出现新的故障类型时，要增加新的故障识别方法。

而传统的机器学习算法表现出的缺陷为以下几点：

1.道岔动作曲线应用机器学习过程中采用人工特征提取存在一定的局限性。由于转辙机曲线的特殊性，模型的训练识别依赖于特征的选择，很难找到一个合适的特征提取方法对其进行特征提取，导致输入分类器的数据有大量冗余信息，这要求提取特征时要能最大程度提取正常曲线和故障曲线的差异特征，而真正能区分各类曲线的特征得不到体现，无法得到曲线的特征以及它们对于分类的重要性，对于噪音较大的分类会出现过拟合。