CN103914735A - 一种基于神经网络自学习的故障识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于神经网络自学习的故障识别方法及系统。本方法为：1）监测和采集设定的轨道交通设备的各种监测量，并将采集到的监测数据转化为适于神经网络训练的样本数据；2）根据故障类别对所述样本数据进行分类，得到每一故障类别对应的样本数据集；3）根据每一故障类别分别设计一神经网络，然后利用该故障的样本数据集进行训练，得到该故障类别的识别模型；4）将所有故障类别的识别模型融合为一个神经网络，对实时采集的监测数据进行故障识别。本发明可以从容的应复杂的设备故障和行车事故原因。

Description

一种基于神经网络自学习的故障识别方法及系统

技术领域

本发明提供一种基于神经网络自学习的故障识别方法及系统，涉及铁路信号数据、铁路通信数据、铁路知识数据、系统报警数据、机器学习、神经网络、自学习、专家系统等技术领域，用以解决轨道交通监测数据的数据分析所面临的问题。 

背景技术

为了提高我国铁路信号系统设备的现代化维修水平，从90年代开始，先后自主研制了TJWX-I型和TJWX-2000型等不断升级中的信号集中监测CSM系统。目前大部分车站都采用了计算机监测系统，实现了对车站信号设备状态的实时监测，并通过监测与记录信号设备的主要运行状态，为电务部门掌握设备的当前状态和进行事故分析提供了基本依据，发挥了重要作用。并且，对城市轨道交通信号设备，集中监测CSM系统也被广泛部署在城轨集中站/车辆段等处，供城轨运维使用。 

但是，针对很多复杂设备故障和行车事故原因的诊断方面，该系统却无能为力，目前仍需依靠人工经验分析判断，很多情况下只有在出现重大问题时才发现故障，不仅导致了人工诊断铁路信号系统故障时工作量大、故障监测与诊断效率低下等技术问题，而且增加了行车的危险。 

神经网络又称人工神经网络，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法学习模型。是由大量简单的处理单元（神经元）相互连接而形成的复杂网络，通过内部复杂的连接，模拟出各种复杂的函数用于各类数据分析问题。神经网络一般分为输入层、隐藏层和输出层，输入层包括大量的神经元用于接受大量的非线性输入信息；隐藏层包括一层或者多层神经元，通过本层与其他层级的神经元连接模拟各种模型；输出层，信息在神经元链接中传输、分析、权衡，形成输出结果。神经网络按照隐藏层的层数又分为单层神经网络和多层神经网络。 

发明内容

为了解决现有技术中人工诊断铁路信号系统故障时工作量大、效率低下、风险性高等技术问题，本发明提供了一种基于神经网络自学习的故障识别方法及系统。系统包括数据采集、数据预处理、特征选择、模型训练、实时数据分析和自学习六个部分。 

本发明采用的技术方案如下： 

一种基于神经网络自学习的故障识别方法，其步骤包括： 

1）数据采集：系统首先通过CSM系统监测和采集轨道交通设备的各种监测量，得到系统在运行过程中的样本数据；CSM包括存储的历史采集数据及实时监测数据，历史监测数据包括故障以及在故障发生时各个监测设备采集到的数据，用于神经网络的训练；实时监测数据用于故障分析和预警； 

2）数据预处理：对于采集到的监测数据首先要对数据进行去噪、归一化、VSM格式化预处理步骤，将采集到的监测数据转化为适于数据挖掘的数据格式； 

3）特征选择：系统通过采集及预处理监测数据，得到大量的训练样本数据，对于一种故障来说，仅与部分监测数据相关，因此需要根据专家知识和实践经验将相关的监测数据抽取出来作为神经网络的输入； 

4）模型训练：神经网络包含输入层、隐藏层和输出层，通过系统内各层之间神经元之间的连接来逼近各种函数。步骤3）分析得到的样本数据作为输入，结合已有的各类专家知识，通过输入层进入神经网络系统，然后根据输出层的结果和样本的校正来对各个层的权重进行校正，从而建立模型。系统会根据每种故障分别设计一个神经网络，然后利用该故障的数据进行训练，得到相应的模型，然后通过增加一个隐藏层的方式将所有的模型融合为一个神经网络； 

5）实时数据分析：CSM系统采集到的实时监测数据经过预处理、特征选择等步骤后，作为步骤4）建立好的模型的输入，经过神经网络的各层神经元的连接转换后，通过输出层将分析结果输出，可以推算是是否出现故障以及故障的具体类型及原因； 

6）自学习：神经网络在经过训练集训练之后并不是一成不变的，会根据实时监测及故障的情况不断的自我适应及完善，如在不同的季节监测数据会发生一定范围的变化，为了更好的进行故障预警和分析，就需要对模型进行不断的修正和完善。 

进一步地，步骤1）所述数据归集组件包括历史监测数据归集和实时数据归集，用于对车站、电务段的集中监测系统（CSM）中存储的历史监测数据进行采集。 

进一步地，步骤2）所述的数据预处理包括检查并处理数据中的异常点、检查数据的完整性、对不同车站、电务段的监测信号进行融合、对监测数据进行变换、归一化等操作，统一数据的格式和取值范围。将数据转换为向量空间（VSM）格式的数据，是便于神经网络对其进行分析处理。 

进一步地，步骤2）所述的异常点检查、数据完整性包括数据跳变、数据缺失等情况，但是铁路监测数据有时候会随着季节温度的变化出现不同程度的变化，如道岔电流会呈现周期性的曲线变化。进一步地，步骤2）所述的数据归一化因为监测数据保证布尔、模拟量、 正负值等情况，对监测数据的归一化需要特殊的处理，以保证神经网络的准备性和收敛速度。 

进一步的，步骤3）利用利用经验或特征选择算法选择出与问题相关的数据。将这些数据从原始数据中抽取出来，针对每一类故障形成单独的数据集。如分线盒故障，与该故障相关的包括分线盒受端电压、刷开电缆端子电压、送端电压，通过对采集到的这三个电压数据进行预处理，就可以形成分线盒故障训练数据，分析的结果包括无故障、室内故障、室外故障、室内开路。 

进一步地，步骤4）所述的神经网络分类三类包括前馈神经网络、反馈神经网络、自组织型神经网络。根据已有的专家知识，我们将故障分为三类，一类是已经明确的故障和故障原因，通过前馈型神经网络建立确定的模型；第二种是部分已知的故障及原因，通过构建反馈型神经网络建立模型，并利用反馈模型的特点，自学习的去分析故障及原因；第三者是未知的故障及原因，通过构建自组织的神经网络，通过网络自身的学习建立模型，预测新的故障及原因。 

更进一步地，步骤4）所述的神经网络进行模型训练，因为神经网络天然的支持并行计算，可以通过编写并行处理算法来优化和加快模型的训练及分析过程。 

进一步地，步骤5）所述的实时数据分析可以通过内存数据库、缓存等方式加快计算速度，以提高故障预警及分析的速度。 

更进一步地，步骤2）到5）可以利用云平台对监测数据进行分布式存储，并利用云平台的并行计算架构加快模型训练和故障分析的速度，也是的系统具有更好的伸缩性。 

更进一步地，该系统可以与专家系统相结合，利用专家系统已有知识库的优点，辅助分析。以实现精确的故障预警及分析并最大限度的利用已有资源。 

与现有技术相比，该发明的优点是： 

本发明加快了故障识别的速度，采用自学习的神经网络算法针对轨道交通监测数据的分类特点进行故障识别，可以加快故障识别的速度，通过对实时监测数据进行分析，可以快速的发现故障，并识别出故障的类型。 

本发明通过使用模型识别故障，节省了大量的人力成本，不再需要人工的去观察监测信息然后进行故障识别和分析。 

本发明通过云平台对监测数据进行分布式存储和并行计算，可以解决不断增加的轨道交通监测数据的存储和处理问题。从而可以比较从容的应复杂的设备故障和行车事故原因。 

在本发明的基础上，加入算法的学习能力，则可以不断的提高故障识别的能力，通过不断的自学习可以发现人工还没有总结出现的新故障，以及故障产生的新原因。并且因为部分监测数据会随着气温、季节等因素出现不同情况的波动，通过不断的自学习可以更好的适应 数据变化的规律。 

附图说明

图1是神经网络的基本流程图。 

图2是神经元示意图。 

图3是本发明的轨道交通监测故障数据分类识别分析的流程图。 

图4是前反馈神经网络示意图。 

图5是后反馈神经网络示意图。 

图6是自组织神经网络示意图。 

图7是云平台的架构图。 

图8聚合形式的神经网络轨道交通监测故障识别流程图。 

图9是本发明实例运维级轨道故障分析的规则图。 

具体实施方式

下面通过具体实施例和附图，对本发明做详细的说明。 

本实施例的一种基于神经网络自学习的故障识别方法及系统由以下部分组成：基于CSM的数据采集子系统、数据预处理子系统、特征选择子系统、模型训练子系统、实时数据分析子系统及自学习子系统。用于解决现有技术中人工诊断铁路信号系统故障时工作量大、效率低下、风险性高等技术问题。 

神经网络主要由神经元构成，神经元的结构如图2所示，a1～an为输入向量的各个分量 

w1～wn为神经元各个突触的权值 

b为偏置 

f为传递函数，通常为非线性函数。一般有sigmod()，traingd(),tansig(),hardlim()。以下默认为hardlim()。 

t为神经元输出 

数学表示 $t=f(\stackrel{\→}{W}\stackrel{\→}{A^{\′}}+b)$

为权向量 

为输入向量，为的转置 

b为偏置 

f为传递函数 

可见，一个神经元的功能是求得输入向量与权向量的内积后，经一个非线性传递函数得到一个标量结果。 

单个神经元的作用：把一个n维向量空间用一个超平面分割成两部分(称之为判断边界)，给定一个输入向量，神经元可以判断出这个向量位于超平面的哪一边。 

该超平面的方程: $\stackrel{\→}{W}\stackrel{\→}{p}+b=0$

权向量 

b偏置 

超平面上的向量 

神经网络首先要以一定的学习准则进行学习，然后才能工作。以神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。 

所以网络学习的准则应该是：如果网络作出错误的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。 

神经网络通过学习和训练改变神经元之间的连接，以及连接之间的权重，以适应周围的环境要求。使用相同的初始网络配置通过不同的训练集进行学习，得到的神经网络是完全不同的。神经网络是一个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。通常，它的学习训练方式可分为两种，一种是有监督的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习的学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境（即输入信号情况）而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。神经网络的结构特点决定了它比较适合使用分布式存储及并行计算。 

神经网络的这些特点很适合轨道交通的故障分析和预警，系统通过CSM可以获取海量的监测数据。并行神经网络的两种学习方式可以训练已知的故障分析，也可以通过不断的学习挖掘到新的故障类型和原因。 

故障识别模型主要由三个步骤：一个是数据准备阶段，将原始的监测数据进行预处理、特征选择和格式转换，获取神经网络可以处理的训练集；二是根据给定的训练集找到合适的 神经网络层数及参数；三是使用第一步训练完成的函数模型分析实时监测数据，以得到系统是否出现故障以及故障产生的原因。 

1、数据采集子系统 

数据采集子系统通过与铁路总公司、铁路局、电务段的CSM系统连接，获取存储在CSM中的历史监测数据及实时获取的监测数据。历史监测数据在模型训练阶段使用，用于对模型进行训练以得到分类模型；训练得到的模型用于对实时监测数据进行分类，以得到系统当前的运行状态，如是否有故障以及故障的原因等。 

2、数据预处理子系统 

数据预处理子系统对采集到的监测数据进行处理，包括数据去噪、数据格式化、归一化等操作，将数据转化为空间向量格式的数据。这种格式的数据便于后续进行特征选择及神经网络处理。 

监测数据包括布尔量、模拟量，不同数据之间的差异较大，并且数据的取值范围区别较大，而且部分监测数据如气温、水温等还包括负值。针对这种情况，针对不同的数据类型分别设计归一化算法： 

（1）布尔量 

当数据的取值只包含两个值时，将对应的数据归一化为-1、1两个值； 

（2）仅包含正数的模拟量 

y=2*(x-min)/(max-min)–1，这条公式将数据归一化到[-1,1]区间。 

（3）包含正负数的模拟量 

y=x/|max|，这条公式也将数据规划到[-1,1]区间。 

3、特征选择子系统 

CSM采集到的信号较多，并且有些信号属于冗余信号。这些信号转换为特征之后，对其进行相似度计算，然后去除冗余特征，这样可以很大程度上减少计算和处理量。 

与一般的相似度计算方法不同，CSM采集到的很多都是电压、电流信号，这些信号具有连续性和相关性，比如A点的电流增加，那么与其直接相连的B点的电流也会随之增大。由此特点可知，A点的电流值可以代替B点的电流值的变化趋势，则B为A的冗余特征。通过电压、电流之间的相关性，来进行特征选择，具体的计算方法如下： 

Va,Vb分别代表采集点a、b的值，首先对Va,Vb进行归一化，也就是两个特征的取值范围相同，限制在[0,1]。然后对特征进行计算： 

${\mathrm{\Σ}}_{i=0}^n\mathrm{Log}\left(\frac{\mathrm{Va}}{\mathrm{Vb}}\right)/n$

其中n为训练集中包含的Va、Vb的个数，通过归一化，Va和Vb的取值范围相同，如果上述公式的值小于给定的阈值的话，则Va,Vb属于冗余特征，可以去掉Vb值保留Va的值。阈值的选取主要取决于采集点噪音的情况，当噪音较大且较多的时候，阈值需要设置的较大，反之亦然。通过上述步骤，可以大量减少冗余特征。 

特征选择子系统用于对预处理之后的空间向量数据进行处理，因为仅有部分监测数据跟一个特定的故障相关，需要根据已有的知识，整理出来与故障相关的特征，形成故障特征库。对于未使用到的特征可以用于无监督学习，用于发现新的知识。 

4、模型训练子系统 

由本文前面的章节可知，本系统中神经网络分类三类：前馈神经网络、反馈神经网络、自组织神经网络，三种模型的设计分别如下： 

（1）前馈神经网络 

根据已有的专家知识，可以总结出一些确定的故障，以及引起该故障的具体原因，因此该模型的作用在于根据训练数据得到确定的模型及参数，然后利用模型对实时监测到的数据进行分析和预警。前馈神经网络的模型如图4所示。是一个3层的前馈神经网络，其中第一层是输入单元，第二层称为隐含层，第三层称为输出层。对于一个3层的前馈神经网络，若用X表示网络的输入向量，W1～W3表示网络各层的连接权向量，f(x)示神经网络3层的作用函数。 

W权重进行随机初始化； 

隐含层对应的神经元节点输出模型：Oj=f(∑Wij×Xi-qj)；Wij为第i层第j个节点的权重； 

输出节点输出模型：Yk=f(∑Tjk×Oj-qk)其中Yk表示输出层的第k个节点；Tjk表示的是隐含层节点j与输出层节点k之间连接的权重；qk这里是正则因子，Xi为第i层的输入数据； 

f-为非线形作用函数：f(x)=1/(1+e^-x) 

误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数： 

其中tj为输出层节点j的预期值；oj为输出层节点j的实际值； 

通过误差来重新调整权重： 

△Wij(n+1)=h×Ep×Oj+a×△Wij(n)其中n表示迭代次数，在训练的过程中n+1次的权重，是根据第n次迭代的权重以及输出值与期望值之间的差别进行计算的；△Wij(n)为第n此迭代时第i层第j个节点的权重变化量。 

其中h-学习因子；Ep-输出节点i的计算误差；Oj-输出节点j的计算输出；a-动量因子。 

通过上述步骤，可以得到确定的神经网络模型及参数，这个神经网络可以针对任意确定的故障进行训练，都可以得到针对本故障的分析模型。 

如上述的分线盒故障是一类已知的故障，相应的采集数据为分线盒受端电压、刷开电缆端子电压、送端电压，通过对采集到的电压数据进行预处理，形成训练数据。 

构建三层神经网络，电压作为输入层； 

利用经验公式n1=sqrt(n+m)+d确定神经元的个数，n1为隐层单元数 

n 为输入单元数 

m 为输出单元数 

d 为0到10之间的常数 

该故障n=3，m=4，d设置为5。从而得到神经元n1的个数为7。 

输入层与隐藏层以及隐藏层与输出层之间的权重进行随机的初始化，取值范围在（0,1）之间，传递函数使用sigmod函数。那么形成的即为一个三层神经网络，输入层包含三个阶段、隐藏层包含7个节点、输出层包含4个节点，然后利用训练数据进行训练，得到神经网络的所有参数。神经网络结构如图9所示。 

最后利用得到的神经网络对实时监测的数据，作为输入，然后根据神经网络的输出就可以进行判断是否有故障，以及故障的类型。 

（2）反馈神经网络。 

根据现场技术人员已有的经验，可以知道一些故障，但是对故障产生的原因认识不全面，只能够了解产生故障的部分原因。这时候反馈神经网络的模型的作用就体现出来。 

反馈神经网络的结构如图5所示，假设有n个输入（I1,I2..,In），m个输出(o1,o2,..om)，通过反馈计算每个输入对不同类型故障输出结果的影响。 

R(I)+=(o_t-o_t-1)*(I_t-I_t-1)其中，o_t为t时刻的输出，I_t为t时刻的输入值，通过训练集的计算，就可以得到一个向量，记录了输入数据a与输出值o之间的相关度，然后去掉相关度小的输入数据，不断的进行计算，不断的去完善故障与特征的相关度，直到与故障相关的特征全部确定。这样最终剩下的数据均是与该故障相关的数据。 

输入数据除了已知的相关数据外，尽可能多的使用可能相关的监测数据作为输入特征。 

不仅可以根据已有的训练数据进行模型的训练，还可以根据得到的实时数据和状态，不断的去分析和挖掘故障与监测数据之间的关系，从而不断的改进模型。图5是反馈神经网络模型示意图。 

与前馈神经网络的最大却别在于，它不仅会利用历史监测数据进行学习，而且会利用实 时监测数据进行训练，当出现故障的时候，人工对故障进行标注，形成故障样本。图5中的反馈数据作为模型的数据，该模型就会自动的去学习和完善网络，以实现故障分析的能力。 

（3）自组织神经网络： 

随着铁路监测系统的不断发展，会有更多的监测数据产生，也可能会出现各类新的故障，为了能够对故障保障较强的识别能力，需要系统有自学习的能力，自组织神经网络通过自动寻找样本中内在的规律和本质属性，自组织、自适应的改变网络的参数与结果，从而具有新故障识别与分析的能力。 

自组织神经网络是无导师学习网络。它通过自动寻找样本中的内在规律和本质属性，自组织、自适应地改变网络参数与结构。如图6所示：该网络包括输入层和竞争层两层，在无导师学习的情况下，模型具有聚类能力，根据这个特点系统设计为将无故障聚为一类，有故障聚类，这样也可以对故障进行识别。 

聚类的目的是将相似的模式样本划归一类，而将不相似的分离开来，实现模式样本的类内相似性和类间分离性。 

这里将故障也作为一个特征进行聚类，特征具有时序性，因为故障本身具有一定的时序性，当一些采集点出现异常时，故障也才会随之产生。特征聚类算法设计思路： 

●以故障特征作为中心特征进行聚类，产生的聚类结果即为与该故障相关的特征； 

●对于每个中心点计算所有非故障特征与中心点的相似度，当相似度超过一定阈值的时候，该特征就聚为一类； 

●因为有些特征可能与多个故障相关，因此聚类的结果是可以交叉的，也就是一个特征可以属于多个中心点； 

●剩余未被分类的特征点直接选择与其相关度最大的中心点作为一类即可； 

相似度的计算公式为： 

C_it代表故障i（中心点）在t时刻的取值；F_jt代表特征j在t时刻的取值； 

$k=\frac{{\mathrm{\Σ}}_{t=1}^{t=l}{C}_{\mathrm{it}}-C_{\mathrm{it}-1}}{{\mathrm{\Σ}}_{t=1}^{t=l}{F}_{\mathrm{jt}}-F_{\mathrm{jt}-1}}$

$w={\mathrm{\Σ}}_{i=1}^l\mathrm{Log}\left(\frac{C_{\mathrm{it}}-C_{\mathrm{it}-1}}{F_{\mathrm{jt}}-F_{\mathrm{jt}-1}}\right)/k$

sim=1/w 

l表示训练集时间范围的最大值；n表示训练集的个数，当sim大于给定的阈值的时候，那么判断该特征j与故障i相似，属于同一个类别。 

聚类的结果即为故障Ci与该类别下的所有特征相关。 

（4）模型融合 

三种类型的神经网络分别对应三种不同类型的故障，反馈神经网络和自组织型神经网络，不仅是利用神经网络进行故障分析，而且还进行特征选择，因果关系挖掘。但是三种模型最终都是通过神经网络的形式对采集的监测数据进行分析预测。每种模型会有多个模型，这些模型虽然结构和初始值相同，但是通过不同的训练，得到的结果是不同的，也就是不同的模型。 

假设有N个模型，那对N个模型的输出进行编码，有故障的表示为1，无故障表示为0； 

N个模型的输出可以产生N的平方个状态，系统使用一张Hash表对二进制的状态进行映射，转换为显示的状态，如全0的时候就是无故障，一个1则表示一个故障。通过这种方式的融合，可以将不同的模型转换为一个统一的系统，以方便对数据进行各种处理。 

获取VSM格式的监测数据，然后使用不同的参数对该数据进行十倍交叉验证。以得到分类和泛华能力最好的模型以及参数。通过与实时分析组件的连接，将训练好的模型传输给分析组件。 

6、实时数据分析子系统 

实时监测数据也需要经历与历史监测数据类似的流程，最后将VSM格式的实时监测数据作为输入，输入到实时数据分析组件，通过计算就可以得到当前的系统是否存在特定的故障，以及该故障产生的原因。 

Claims (11)

1.一种基于神经网络自学习的故障识别方法，其步骤为：

1）监测和采集设定的轨道交通设备的各种监测量，并将采集到的监测数据转化为适于神经网络训练的样本数据；

2）根据故障类别对所述样本数据进行分类，得到每一故障类别对应的样本数据集；

3）根据每一故障类别分别设计一神经网络，然后利用该故障的样本数据集进行训练，得到该故障类别的识别模型；

4）将所有故障类别的识别模型融合为一个神经网络，对实时采集的监测数据进行故障识别。

2.如权利要求1所述的方法，其特征在于所述故障类别包括三类，其中第一类为已知的故障及其原因；第二类为部分已知的故障及其原因；第三类为未知的故障及其原因；对于第一类故障类别，通过前馈型神经网络建立该故障类别的识别模型；对于第二类故障类别，通过反馈型神经网络建立该故障类别的识别模型，并分析故障及原因；对于第三类故障类别，通过自组织神经网络建立该故障类别的识别模型，并分析故障及原因。

3.如权利要求2所述的方法，其特征在于所述前馈型神经网络包括三层：第一层是输入单元，第二层称为隐含层，第三层称为输出层；其中，隐含层对应的神经元节点输出模型为：Oj=f(∑Wij×Xi-qj)，输出层对应的神经元节点输出模型：Yk=f(∑Tjk×Oj-qk)，函数f(x)=1/(1+e^-x)，误差计算模型为：通过公式△Wij(n+1)=h×Ep×Oj+a×△Wij(n)调整网络各层的连接权重W；其中，h为学习因子，Ep为输出节点i的计算误差；Oj为输出节点j的计算输出，a-动量因子，Yk表示输出层的第k个节点，Tjk表示的是隐含层节点j与输出层节点k之间连接的权重，qk是正则因子；Wij为第i层第j个节点的权重，△Wij(n)为第n此迭代时第i层第j个节点的权重变化量，Xi为第i层的输入数据；tj为输出层节点j的预期值；oj为输出层节点j的实际值。

4.如权利要求2所述的方法，其特征在于所述反馈型神经网络包括三层：第一层是输入单元，第二层称为隐含层，第三层称为输出层；所述反馈型神经网络通过公式R(I)+=(o_t-o_t-1)*(I_t-I_t-1)计算输入数据I与输出值o之间的相关度R(I)，去掉相关度小于设定阈值的输入数据，最终剩下与故障相关的数据；其中，o_t为t时刻的输出，I_t为t时刻的输入值。

5.如权利要求2所述的方法，其特征在于所述自组织神经网络包括输入层和竞争层两层；所述自组织神经网络以故障特征作为中心特征对属于该故障类别的样本数据集进行聚类，其中对每一中心特征，计算所有非故障特征与中心特征的相似度，当相似度超过一定阈值的时候，将该特征就聚为一类，最后得到与第三类故障类别相关的特征；其中，相似度的计算公式为sim=1/w， $w={\mathrm{\Σ}}_{i=1}^l\mathrm{Log}\left(\frac{C_{\mathrm{it}}-C_{\mathrm{it}-1}}{F_{\mathrm{jt}}-F_{\mathrm{jt}-1}}\right)/k,k=\frac{{\mathrm{\Σ}}_{t=1}^{t=l}{C}_{\mathrm{it}}-C_{\mathrm{it}}-}{{\mathrm{\Σ}}_{t=1}^{t=l}{F}_{\mathrm{jt}}-F_{\mathrm{jt}}-1},$ C_it代表中心特征i在t时刻的取值；F_jt代表特征j在t时刻的取值，n为样本数据集中样本总数，l表示训练集时间范围的最大值。

6.如权利要求1～5任一所述的方法，其特征在于根据监测数据的连续性和相关性对所述监测数据进行过滤，其方法为：首先对Va、Vb进行归一化，将其取值范围归一化为相同的取值范围；然后利用公式计算Va、Vb之间的相关性，如果计算结果小于设定阈值，则Va、Vb属于冗余特征，去掉Vb、Va中的一个监测数据；其中，Va,Vb分别代表采集点a、b的监测数据。

7.如权利要求6所述的方法，其特征在于所述监测数据包括布尔量、模拟量，对所述监测数据进行归一化处理；其中，对于布尔量监测数据，将对应的数据归一化为-1、1两个值；对于包含正负数的模拟量监测数据，通过公式y=x/|max|将数据规划到[-1,1]区间；对于仅包含正数的模拟量监测数据，通过公式y=2*(x-min)/(max-min)–1将数据归一化到[-1,1]区间，y为归一化后的数据，x为监测数据，max为监测数据最大值，min为监测数据最小值。

8.如权利要求1～5任一所述的方法，其特征在于将所有故障类别的识别模型融合为一个神经网络的方法为：对N个模型的输出进行编码，有故障的表示为1，无故障表示为0；然后使用一张Hash表对所有模型二进制的状态进行映射，转换为显示的状态；其中，每一故障类别的识别模型包括一个或多个模型，N为模型总数。

9.一种基于神经网络自学习的故障识别系统，其特征在于包括数据采集子系统、模型训练子系统、实时数据分析子系统；其中，

所述数据采集子系统，用于监测和采集设定的轨道交通设备的各种监测量，并将采集到的监测数据转化为适于神经网络训练的样本数据；并且根据故障类别对所述样本数据进行分类，得到每一故障类别对应的样本数据集；

模型训练子系统，用于根据每一故障类别分别设计一神经网络，然后利用该故障的样本数据集进行训练，得到该故障类别的识别模型，并且将所有故障类别的识别模型融合为一个神经网络；

实时数据分析子系统，用于根据融合后的神经网络对实时采集的监测数据进行故障识别。

10.如权利要求9所述的系统，其特征在于还包括一特征选择子系统，用于根据监测数据的连续性和相关性对所述监测数据进行过滤，所述特征选择子系统首先对Va、Vb进行归一化，将其取值范围归一化为相同的取值范围；然后利用公式计算Va、Vb之间的相关性，如果计算结果小于设定阈值，则Va、Vb属于冗余特征，去掉Vb、Va中的一个监测数据；其中，Va,Vb分别代表采集点a、b的监测数据。

11.如权利要求9所述的系统，其特征在于所述故障类别包括三类，其中第一类为已知的故障及其原因；第二类为部分已知的故障及其原因；第三类为未知的故障及其原因；对于第一类故障类别，通过前馈型神经网络建立该故障类别的识别模型；对于第二类故障类别，通过反馈型神经网络建立该故障类别的识别模型，并分析故障及原因；对于第三类故障类别，通过自组织神经网络建立该故障类别的识别模型，并分析故障及原因。