基于机器学习的转辙机故障智能诊断研究

2023-06-04韩承桓李孟娇李德威

黑龙江科学 2023年8期

张胜,韩承桓,李孟娇,李德威,孙彤

(沧州交通学院,河北沧州 061100)

转辙机故障智能诊断技术的主要步骤是对转辙机动作电流与功率曲线进行特征提取,利用分类算法实现故障诊断与分类[1-2]。目前,国内外学者对此也展开了诸多研究。文献[3]提出基于Haar小波变换与卷积神经网络相结合的方法,对转辙机的动作功率曲线进行特征提取。文献[4]通过人工选取S700K转辙机的动作电流曲线故障时间点,建立故障特征矩阵,作为BP神经网络的输入,从而进行故障诊断。文献[5]对转辙机动作功率曲线进行小波分解,利用主成分分析法进行特征提取,对支持向量机参数使用改进灰狼优化算法,实现道岔故障识别。还有应用CDET/MPSO-SVM、灰关联及隐马尔科夫模型等方法进行道岔故障诊断的研究[6-8],实现了转辙机智能故障诊断,为实现基于大数据的电务智能运维管理应用系统的研究与设计提供了理论基础。

1 转辙机正常工作状态分析

以S700K交流电动转辙机为例,正常转换时的输出功率曲线如图1所示。

图1 S700K转辙机正常转换功率曲线Fig.1 Normal conversion power curve of S700K switch machine

我国大部分微机监测系统数据采集周期约为40 ms,S700K转辙机正常转换一次的时间约为7 s,因此道岔每动作一次约采集175个时间序列数据。将常见的S700K型转辙机牵引的道岔故障状态归为8类,如图2所示。

图2 S700K道岔故障动作功率曲线Fig.2 Fault action power curve of S700K switch

由转辙机转换过程及功率曲线分析可知,为了得到更全面的有效特征,可将转辙机功率曲线按转换过程分为I(I=5)个阶段,即0～T1、T1～T2、T2～T3、T3～T4、T4～T5。设Ci为时段Ti内(i=1,2,3,4,5)采样点的个数,Pi(c)为转辙机动作时在第i段时的功率曲线,且Pi(c)可表示为{Pi(c)|c=1,2,…,Ci;i=1,2,…I}。

2 电流及功率特征提取

表1 时域特征统计量Fig.1 Statistics of time domain characteristics

3 建立CNN-LSTM模型

CNN-LSTM模型使用python 3.8开发平台,采用TensorFlow深度学习框架搭建,包括三层卷积层(CNN)、池化层(MaxPoolld)、归一化(BatchNormld)、激活操作(ReLU)、LSTM层、全连接层,整体结构如图3所示。模型输入矩阵的尺寸为256×175,175是转辙机转换时动作电流及功率曲线数据采样点的长度,采集周期为40 ms,截取时间7 s的曲线。道岔的正常动作时间在6.5 s左右,不足7 s在曲线数据点后补零。如果故障时道岔动作时间超过7 s,则截取曲线前7 s数据。最后输出9个节点,是8种类型故障及正常情况对应的概率值,故障诊断结果为输出概率最大值对应的故障类型。

图3 CNN-LSTM模型Fig.3 CNN-LSTM model

数据的预处理是从铁路信号集中监测系统中得到转辙机的电流及功率曲线数据,将数据集的80%作为训练集,其余20%的数据作为测试集。对训练数据集用特征量计算公式分别进行时域特征提取,并与初始数据结合,构建特征矩阵,作为CNN-LSTM模型的输入。在CNN-LSTM模型中对CNN参数进行训练,利用CNN进行特征提取,经过归一化、池化等操作,把高维数据矩阵数据降维,得到低维矩阵,作为LSTM网络层的故障识别系统输入,用测试数据检验模型诊断故障的准确率,实现道岔故障诊断。

4 实验与验证

实验利用训练集对CNN-LSTM进行训练,利用测试数据集检验该模型的故障诊断效果。表2为CNN-LSTM模型、LSTM模型及CNN模型进行故障诊断的损失率及准确率。由图4、图5可知,CNN-LSTM算法进行故障分类的准确率最高,约为93.32%,损失率最低,约为4.17%。其次为LSTM模型,CNN模型的故障诊断效果最不理想。与LSTM模型、CNN模型相比,CNN-LSTM模型算法稳定性较好,可以更加精确地诊断出故障类型,具有较好的故障诊断效果。