基于機(jī)器學(xué)習(xí)的轉(zhuǎn)轍機(jī)故障智能診斷研究

張 勝,韓承桓,李孟嬌,李德威,孫 彤

(滄州交通學(xué)院,河北 滄州 061100)

轉(zhuǎn)轍機(jī)故障智能診斷技術(shù)的主要步驟是對(duì)轉(zhuǎn)轍機(jī)動(dòng)作電流與功率曲線進(jìn)行特征提取,利用分類算法實(shí)現(xiàn)故障診斷與分類[1-2]。目前,國內(nèi)外學(xué)者對(duì)此也展開了諸多研究。文獻(xiàn)[3]提出基于Haar小波變換與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法,對(duì)轉(zhuǎn)轍機(jī)的動(dòng)作功率曲線進(jìn)行特征提取。文獻(xiàn)[4]通過人工選取S700K轉(zhuǎn)轍機(jī)的動(dòng)作電流曲線故障時(shí)間點(diǎn),建立故障特征矩陣,作為BP神經(jīng)網(wǎng)絡(luò)的輸入,從而進(jìn)行故障診斷。文獻(xiàn)[5]對(duì)轉(zhuǎn)轍機(jī)動(dòng)作功率曲線進(jìn)行小波分解,利用主成分分析法進(jìn)行特征提取,對(duì)支持向量機(jī)參數(shù)使用改進(jìn)灰狼優(yōu)化算法,實(shí)現(xiàn)道岔故障識(shí)別。還有應(yīng)用CDET/MPSO-SVM、灰關(guān)聯(lián)及隱馬爾科夫模型等方法進(jìn)行道岔故障診斷的研究[6-8],實(shí)現(xiàn)了轉(zhuǎn)轍機(jī)智能故障診斷,為實(shí)現(xiàn)基于大數(shù)據(jù)的電務(wù)智能運(yùn)維管理應(yīng)用系統(tǒng)的研究與設(shè)計(jì)提供了理論基礎(chǔ)。

1 轉(zhuǎn)轍機(jī)正常工作狀態(tài)分析

以S700K交流電動(dòng)轉(zhuǎn)轍機(jī)為例,正常轉(zhuǎn)換時(shí)的輸出功率曲線如圖1所示。

圖1 S700K轉(zhuǎn)轍機(jī)正常轉(zhuǎn)換功率曲線Fig.1 Normal conversion power curve of S700K switch machine

我國大部分微機(jī)監(jiān)測(cè)系統(tǒng)數(shù)據(jù)采集周期約為40 ms,S700K轉(zhuǎn)轍機(jī)正常轉(zhuǎn)換一次的時(shí)間約為7 s,因此道岔每動(dòng)作一次約采集175個(gè)時(shí)間序列數(shù)據(jù)。將常見的S700K型轉(zhuǎn)轍機(jī)牽引的道岔故障狀態(tài)歸為8類,如圖2所示。

圖2 S700K道岔故障動(dòng)作功率曲線Fig.2 Fault action power curve of S700K switch

由轉(zhuǎn)轍機(jī)轉(zhuǎn)換過程及功率曲線分析可知,為了得到更全面的有效特征,可將轉(zhuǎn)轍機(jī)功率曲線按轉(zhuǎn)換過程分為I(I=5)個(gè)階段,即0～T1、T1～T2、T2～T3、T3～T4、T4～T5。設(shè)Ci為時(shí)段Ti內(nèi)(i=1,2,3,4,5)采樣點(diǎn)的個(gè)數(shù),Pi(c)為轉(zhuǎn)轍機(jī)動(dòng)作時(shí)在第i段時(shí)的功率曲線,且Pi(c)可表示為{Pi(c)|c=1,2,…,Ci;i=1,2,…I}。

2 電流及功率特征提取

表1 時(shí)域特征統(tǒng)計(jì)量Fig.1 Statistics of time domain characteristics

3 建立CNN-LSTM模型

CNN-LSTM模型使用python 3.8開發(fā)平臺(tái),采用TensorFlow深度學(xué)習(xí)框架搭建,包括三層卷積層(CNN)、池化層(MaxPoolld)、歸一化(BatchNormld)、激活操作(ReLU)、LSTM層、全連接層,整體結(jié)構(gòu)如圖3所示。模型輸入矩陣的尺寸為256×175,175是轉(zhuǎn)轍機(jī)轉(zhuǎn)換時(shí)動(dòng)作電流及功率曲線數(shù)據(jù)采樣點(diǎn)的長度,采集周期為40 ms,截取時(shí)間7 s的曲線。道岔的正常動(dòng)作時(shí)間在6.5 s左右,不足7 s在曲線數(shù)據(jù)點(diǎn)后補(bǔ)零。如果故障時(shí)道岔動(dòng)作時(shí)間超過7 s,則截取曲線前7 s數(shù)據(jù)。最后輸出9個(gè)節(jié)點(diǎn),是8種類型故障及正常情況對(duì)應(yīng)的概率值,故障診斷結(jié)果為輸出概率最大值對(duì)應(yīng)的故障類型。

圖3 CNN-LSTM模型Fig.3 CNN-LSTM model

數(shù)據(jù)的預(yù)處理是從鐵路信號(hào)集中監(jiān)測(cè)系統(tǒng)中得到轉(zhuǎn)轍機(jī)的電流及功率曲線數(shù)據(jù),將數(shù)據(jù)集的80%作為訓(xùn)練集,其余20%的數(shù)據(jù)作為測(cè)試集。對(duì)訓(xùn)練數(shù)據(jù)集用特征量計(jì)算公式分別進(jìn)行時(shí)域特征提取,并與初始數(shù)據(jù)結(jié)合,構(gòu)建特征矩陣,作為CNN-LSTM模型的輸入。在CNN-LSTM模型中對(duì)CNN參數(shù)進(jìn)行訓(xùn)練,利用CNN進(jìn)行特征提取,經(jīng)過歸一化、池化等操作,把高維數(shù)據(jù)矩陣數(shù)據(jù)降維,得到低維矩陣,作為LSTM網(wǎng)絡(luò)層的故障識(shí)別系統(tǒng)輸入,用測(cè)試數(shù)據(jù)檢驗(yàn)?zāi)Ｐ驮\斷故障的準(zhǔn)確率,實(shí)現(xiàn)道岔故障診斷。

4 實(shí)驗(yàn)與驗(yàn)證

實(shí)驗(yàn)利用訓(xùn)練集對(duì)CNN-LSTM進(jìn)行訓(xùn)練,利用測(cè)試數(shù)據(jù)集檢驗(yàn)該模型的故障診斷效果。表2為CNN-LSTM模型、LSTM模型及CNN模型進(jìn)行故障診斷的損失率及準(zhǔn)確率。由圖4、圖5可知,CNN-LSTM算法進(jìn)行故障分類的準(zhǔn)確率最高,約為93.32%,損失率最低,約為4.17%。其次為LSTM模型,CNN模型的故障診斷效果最不理想。與LSTM模型、CNN模型相比,CNN-LSTM模型算法穩(wěn)定性較好,可以更加精確地診斷出故障類型,具有較好的故障診斷效果。

圖4 損失率Fig.4 Loss rate

圖5 準(zhǔn)確率Fig.5 Accuracy rate

表2 模型損失率與準(zhǔn)確率Tab.2 Loss and accuracy rate of the model

5 結(jié)論

針對(duì)轉(zhuǎn)轍機(jī)的故障分類及識(shí)別問題,將CNN與LSTM進(jìn)行組合,對(duì)LSTM模型中的超參數(shù)進(jìn)行優(yōu)化,取得了較好的診斷效果。實(shí)驗(yàn)結(jié)果表明,CNN-LSTM模型較LSTM、CNN模型在提高故障診斷準(zhǔn)確率的同時(shí),降低了模型損失率,且收斂速度得到提高,故而CNN-LSTM模型對(duì)道岔故障診斷具有更高的使用價(jià)值。