[发明专利]一种道岔动作电流曲线预测方法及其故障判别方法

权利要求书

1.一种道岔动作电流曲线预测方法，其特征在于，包括以下步骤：

(1)采集同一条道岔的连续N次正常动作曲线；

(2)对同一条道岔每一次动作产生的正常动作曲线提取m个时刻的电流值，共提取n次道岔动作电流值如下：

(3)对步骤(2)提取的正常动作曲线的同一时刻电流值{I_1t,I_2t,I_3t,…,I_nt}进行处理，确定ARMA预测模型所需的参数，建立ARMA预测模型；

(4)基于步骤(3)建立的预测模型计算道岔在第Y次(YN)同一时刻的电流曲线预测值I_Yt；

(5)重复步骤(3)和(4)，对应道岔曲线的m个时刻分别建立m个预测模型，得到第Y次的电流预测值为{I_Y1,I_Y2,I_Y3,…,I_Ym}；

(6)基于步骤(5)预测模型计算的结果得到道岔第Y次的动作电流曲线；

步骤(3)中所述的建立的ARMA预测模型，以预测第Y次道岔动作曲线某一时刻电流值为例，具体步骤为；

(3a)：采集同一道岔所有动作曲线同一i时刻的电流值作为模型输入样本，样本组成电流序列I_t，计算电流序列I_t中的样本自相关系数和偏相关系数的值，电流序列I_t为{I_1i,I_2i,I_3i,…,I_ni}，计算电流序列{I_1i,I_2i,I_3i,…,I_ni}中的样本自相关系数和偏相关系数的值；

(3b)：根据步骤(3a)所求自相关系数和偏相关系数，选择合适的阶数p和q构建ARMA预测模型，公式(1)如下：

X_t＝α₁X_t-1+α₂X_t-2+…+α_pX_t-p+ε_t-β₁ε_t-1-β₂ε_t-2-…-β_qε_t-q (1)

其中，

α_p是自相关系数，p为自回归模型的阶次，表示滞后的时间周期；

X_t,t＝k-1,k-2,...,k-p是t时刻的电流值，p为自回归模型的阶次，表示滞后的时间周期；

β_q是滑动平均系数，q是滑动平均模型的阶次；

ε_t-q为各阶的残差；

(3c)：根据步骤(3b)选择所构建的ARMA预测模型(公式1)的多个p和q的值，建立多个ARMA拟合模型；

(3d)：依据平均绝对误差MAE确定步骤(3c)所构建的ARMA预测模型的p和q的最优值，找到最优的ARMA模型，所述MAE采用如下公式(2)：

其中，N为采集的电流值个数，Y_pred(t)为ARMA模型输出电流值，Y_real(t)为电流实际值；

(3e)：依据步骤(3d)选取的平均绝对误差最小的ARMA模型，得到最优的ARMA预测模型，如公式(3)所示，

X_t＝α₁X_t-1+α₂X_t-2+…+α_pX_t-p+ε_t-β₁ε_t-1-β₂ε_t-2-…-β_qε_t-q (3)

第i个时刻的道岔动作电流曲线数据预测结束。

2.根据权利要求1所述的道岔动作电流曲线预测方法，其特征在于，步骤(1)中所述的采集同一道岔连续N次正常动作曲线为从微机监测系统中提取的道岔动作曲线数据。