CN115047313B - 基于oc-svm和dnn的zpw-2000r轨道电路故障诊断方法及装置 - Google Patents
基于oc-svm和dnn的zpw-2000r轨道电路故障诊断方法及装置 Download PDFInfo
- Publication number
- CN115047313B CN115047313B CN202210621985.4A CN202210621985A CN115047313B CN 115047313 B CN115047313 B CN 115047313B CN 202210621985 A CN202210621985 A CN 202210621985A CN 115047313 B CN115047313 B CN 115047313B
- Authority
- CN
- China
- Prior art keywords
- data
- circuit signal
- section
- track circuit
- signal data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
- G01R31/2836—Fault-finding or characterising
- G01R31/2843—In-circuit-testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供一种基于OC‑SVM和DNN的ZPW‑2000R轨道电路故障诊断方法及装置。该方法包括：获取当前时刻被监测区段的轨道电路信号数据；识别区段类型并对轨道电路信号数据进行预处理；采用OC‑SVM预测模型对预处理后的轨道电路信号数据进行预测，判断轨道电路信号数据属于正常数据还是属于新颖数据；若属于正常数据，则将轨道电路信号数据直接发送至DNN预测模型进行故障分类预测；若属于新颖数据，则继续检测下一时刻轨道电路信号数据，若从当前时刻起连续一定时间段内所采集的每条轨道电路信号数据均为新颖数据，则将当前时刻对应的轨道电路信号数据增加至训练数据集中，并为其设置新的故障标签；使用新的训练数据集训练得到新的OC‑SVM预测模型和新的DNN预测模型。
Description
技术领域
本发明涉及轨道电路技术领域，尤其涉及一种基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断方法及装置。
背景技术
轨道电路是铁路列车安全运行的重要组成部分。现有的轨道电路因元器件多、外部环境因素复杂，导致轨道电路故障种类繁多，且当前对于轨道电路故障的诊断还是依靠人工经验，这导致故障发生后的检修时间长、流程繁琐、人工工作量大等问题，极大影响了列车的正常运行。
随着人工智能技术的发展，众多机器学习的算法在各个领域展现了较好的效果，也有一些学者将智能算法引入到轨道电路故障诊断的研究当中。但当前对于轨道电路故障诊断的研究，大多是运用神经网络方法或其它机器学习方法对一些故障类型数据样本进行有监督学习，这种方法需要大量有标签的故障数据进行算法训练方可运行，一旦遇到未知的或全新的故障则模型无法进行识别，导致模型无法应用于实际的工作场景。
发明内容
为了解决未知或全新故障的自动识别问题，本发明提供一种基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断方法及装置。
一方面，本发明提供一种基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断方法，该方法包括：
步骤1：获取当前时刻被监测区段的轨道电路信号数据；
步骤2：识别被监测区段的区段类型并按照所述区段类型对应的数据预处理方式对所述轨道电路信号数据进行数据预处理；
步骤3：采用训练好的OC-SVM预测模型对预处理后的所述轨道电路信号数据进行预测，根据预测结果判断所述轨道电路信号数据属于正常数据还是属于新颖数据；
步骤4：若所述轨道电路信号数据属于正常数据，则将所述轨道电路信号数据直接发送至DNN预测模型进行故障分类预测；
步骤5：若所述轨道电路信号数据属于新颖数据，则继续检测下一时刻被监测区段的轨道电路信号数据，若从当前时刻起连续一定时间段内所采集的每条轨道电路信号数据均为新颖数据，则将当前时刻对应的所述轨道电路信号数据增加至训练数据集中，并为其设置新的故障标签；
步骤6：使用新的训练数据集训练得到新的OC-SVM预测模型和新的DNN预测模型以进行后续轨道电路信号数据的检测。
进一步地，所述区段类型包括无后方区段、无前方区段、中间区段和无前方无后方区段。
进一步地，步骤2具体包括：
若被监测区段为无后方区段，则将被监测区段的轨道电路信号数据与其前方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
若被监测区段为无前方区段，则将被监测区段的轨道电路信号数据与其后方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
若被监测区段为中间区段，则将被监测区段的轨道电路信号数据与其前方和后方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
若被监测区段为无前方无后方区段，则直接删除所述轨道电路信号数据中特征值不为数字的数据项。
进一步地，所述OC-SVM预测模型的训练过程包括：
步骤A1：加载训练数据集，所述训练数据集中的每一条轨道电路信号数据作为均作为一个样本，每个样本均对应有一个故障标签；
步骤A2：将每个样本通过核函数映射到高维特征空间，并利用公式(1)在所述特征空间中求解最优超球体；
s.t.ωΤφ(χi)≥ρ-ξi
ξi≥0,i＝1,2,……,l (1)
其中，ω和ρ分别表示特征空间中分离超平面的法向量和偏移量；ξi表示第i个样本的松弛变量，v是控制离群点数量上限和全部支持向量数量下限的参数，l是样本数量，φ(χ)是将样本x映射到特征空间的函数；
步骤A3：利用Lagrange乘子法，得到公式(2)所示的分类决策函数，所述分类决策函数即为OC-SVM预测模型，若f(x)＝1，则表示样本x为正常数据，若f(x)＝-1，则表示样本x为新颖数据；
其中，κ(χi,χ)表示核函数；αi是样本xi对应的拉格朗日系数。
进一步地，所述DNN预测模型的训练过程包括：
步骤B1：加载训练数据集，所述训练数据集中的每一条轨道电路信号数据作为均作为一个样本，每个样本均对应有一个故障标签；
步骤B2：构建深度神经网络框架，设置网络参数，并随机初始化权重值w及偏置项b；其中，所述网络参数包括隐含层数量、每个隐含层中的节点数量和学习率；
步骤B3：设置梯度优化方法以及隐含层激活函数和输出层激活函数；
步骤B4：对所有样本均进行正向计算、反馈计算和参数更新，确定权重值w和偏置项b的最优数值，从而得到DNN预测模型。
另一方面，本发明提供一种基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断装置，包括：
数据采集模块，用于获取被监测区段的轨道电路信号数据；
数据预处理模块，用于识别被监测区段的区段类型并按照所述区段类型对应的数据预处理方式对所述轨道电路信号数据进行数据预处理；
新颖数据预测模块，用于采用训练好的OC-SVM预测模型对预处理后的所述轨道电路信号数据进行预测，根据预测结果判断所述轨道电路信号数据属于正常数据还是属于新颖数据；
故障分类模块，用于将属于正常数据的轨道电路信号数据直接发送至DNN预测模型进行故障分类预测；
训练数据集更新模块，用于将满足预设条件的当前时刻的轨道电路信号数据增加至训练数据集，并为其设置新的故障标签；所述预设条件包括：从当前时刻起连续一定时间段内所采集的每条轨道电路信号数据均为新颖数据；
模型训练模块，用于使用训练数据集训练得到OC-SVM预测模型和DNN预测模型。
进一步地，所述区段类型包括无后方区段、无前方区段、中间区段和无前方无后方区段。
进一步地，所述数据预处理模块具体用于：
若被监测区段为无后方区段，则将被监测区段的轨道电路信号数据与其前方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
若被监测区段为无前方区段，则将被监测区段的轨道电路信号数据与其后方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
若被监测区段为中间区段，则将被监测区段的轨道电路信号数据与其前方和后方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
若被监测区段为无前方无后方区段，则直接删除所述轨道电路信号数据中特征值不为数字的数据项。
进一步地，所述模型训练模块训练得到OC-SVM预测模型的过程包括：
步骤A1：加载训练数据集，所述训练数据集中的每一条轨道电路信号数据作为均作为一个样本，每个样本均对应有一个故障标签；
步骤A2：将每个样本通过核函数映射到高维特征空间，并利用公式(1)在所述特征空间中求解最优超球体；
s.t.ωΤφ(χi)≥ρ-ξi
ξi≥0,i＝1,2,……,l (1)
其中，ω和ρ分别表示特征空间中分离超平面的法向量和偏移量；ξi表示第i个样本的松弛变量，v是控制离群点数量上限和全部支持向量数量下限的参数，l是样本数量，φ(χ)是将样本x映射到特征空间的函数；
步骤A3：利用Lagrange乘子法，得到公式(2)所示的分类决策函数，所述分类决策函数即为OC-SVM预测模型，若f(x)＝1，则表示样本x为正常数据，若f(x)＝-1，则表示样本x为新颖数据；
其中，κ(χi,χ)表示核函数；αi是样本xi对应的拉格朗日系数。
进一步地，所述模型训练模块训练得到DNN预测模型的过程包括：
步骤B1：加载训练数据集，所述训练数据集中的每一条轨道电路信号数据作为均作为一个样本，每个样本均对应有一个故障标签；
步骤B2：构建深度神经网络框架，设置网络参数，并随机初始化权重值w及偏置项b；其中，所述网络参数包括隐含层数量、每个隐含层中的节点数量和学习率；
步骤B3：设置梯度优化方法以及隐含层激活函数和输出层激活函数；
步骤B4：对所有样本均进行正向计算、反馈计算和参数更新，确定权重值w和偏置项b的最优数值，从而得到DNN预测模型。
本发明的有益效果：
针对当前轨道电路故障种类繁多，高质量标签数据难以获取的问题，本发明提供的基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断方法及装置，运用OC-SVM对ZPW-2000R轨道电路所采集的48个监测数据进行单分类识别，用以收集不同故障类型的信号数据；然后再利用DNN方法对收集的故障数据进行训练，以便对已知的故障数据进行自动分类。利用ZPW-2000R轨道电路数据对本发明方法进行了大量实验，实验结果表明，本发明提出的故障诊断方法能够有效对新颖故障数据进行自动收集，并能够准确检测出故障类型。
附图说明
图1为本发明实施例提供的基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断方法的流程示意图；
图2为本发明实施例提供的区段类型示意图；
图3为本发明实施例提供的深度神经网络训练过程示意图；
图4为本发明实施例提供的基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，本发明实施例提供一种基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断方法，包括以下步骤：
S101：获取当前时刻被监测区段的轨道电路信号数据；
S102：识别被监测区段的区段类型并按照所述区段类型对应的数据预处理方式对所述轨道电路信号数据进行数据预处理；
具体地，由于不同类型车站不同位置的不同区段，因室外轨旁采用不同的器材构成不同的电路结构，因此不同区段类型的特征属性有差异，需进行差异化处理。所述区段类型包括无后方区段、无前方区段、中间区段和无前方无后方区段四大类。其中，(1)无后方区段：正向无后方区段数据(邻站管辖不能获取)，如图2中的a、e、c、g区段；(2)无前方区段：正向无前方区段数据(邻站管辖不能获取)，如图2中的d、h、b、f区段；(3)中间区段：后方、前方区段数据完整；(4)无前方无后方区段：正向无前方且无后方区段数据，如图2中的站内区段。
作为一种可实施方式，按照区段类型对应的数据预处理方式对轨道电路信号数据进行数据预处理，具体包括：
若被监测区段为无后方区段，则将被监测区段的轨道电路信号数据与其前方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
例如，若被监测区段为图1中1485BG区段，则需要将1485BG、1485AG两个区段的轨道电路信号数据进行合并，然后删除其中特征值不为数字的数据项，以便后续输入至OC-SVM预测模型中进行处理。
若被监测区段为无前方区段，则将被监测区段的轨道电路信号数据与其后方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
例如，被监测区段为图1中1510AG区段，则需要将1510AG、1510BG两个区段的轨道电路信号数据进行合并，然后删除其中特征值不为数字的数据项，以便后续输入至OC-SVM预测模型中进行处理。
若被监测区段为中间区段，则将被监测区段的轨道电路信号数据与其前方和后方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
例如，被监测区段为图1中1505AG区段，则需要将1505AG、1505BG、1525BG三个区段的轨道电路信号数据进行合并，然后删除其中特征值不为数字的数据项，以便后续输入至OC-SVM预测模型中进行处理。
若被监测区段为无前方无后方区段，则直接删除所述轨道电路信号数据中特征值不为数字的数据项。
S103：采用训练好的OC-SVM预测模型对预处理后的所述轨道电路信号数据进行预测，根据预测结果判断所述轨道电路信号数据属于正常数据还是属于新颖数据；
具体地，OC-SVM预测模型的预测结果包括两种决策值(例如1和-1)，假设决策值1对应的预测结果表示轨道电路信号数据属于正常数据，决策值-1对应的预测结果表示轨道电路信号数据属于新颖数据，如此，若当前时刻预处理后的轨道电路信号数据输入至OC-SVM预测模型之后的决策值为1，表示该轨道电路信号数据为正常数据，反之为新颖数据。
S104：若所述轨道电路信号数据属于正常数据，则将所述轨道电路信号数据直接发送至DNN预测模型进行故障分类预测；
具体地，所述轨道电路信号数据输入至DNN预测模型进行正向计算后即可得到其对应的故障类别。
S105：若所述轨道电路信号数据属于新颖数据，则继续检测下一时刻被监测区段的轨道电路信号数据，若从当前时刻起连续一定时间段内所采集的每条轨道电路信号数据均为新颖数据，则将当前时刻对应的所述轨道电路信号数据增加至训练数据集中，并为其设置新的故障标签；
作为一种可实施方式，若从当前时刻起连续十个采样时刻所采集的每条轨道电路信号数据均为新颖数据，则将当前时刻对应的所述轨道电路信号数据增加至训练数据集中，并为其设置新的故障标签。
例如，从t时刻起，OC-SVM预测模型连续输出的10次决策值均为-1，则认为t时刻对应的轨道电路信号数据增加至训练数据集中，并为其设置新的故障标签。
S106：使用新的训练数据集训练得到新的OC-SVM预测模型和新的DNN预测模型以进行后续轨道电路信号数据的检测。
在上述实施例的基础上，所述OC-SVM预测模型的训练过程包括：
步骤A1：加载训练数据集，所述训练数据集中的每一条轨道电路信号数据作为均作为一个样本，每个样本均对应有一个故障标签；
步骤A2：将每个样本通过核函数映射到高维特征空间，并利用公式(1)在所述特征空间中求解最优超球体；
s.t.ωΤφ(χi)≥ρ-ξi
ξi≥0,i＝1,2,……,l (1)
其中，ω和ρ分别表示特征空间中分离超平面的法向量和偏移量；ξi表示第i个样本的松弛变量，v是控制离群点数量上限和全部支持向量数量下限的参数，l是样本数量，φ(χ)是将样本x映射到特征空间的函数；
步骤A3：利用Lagrange乘子法，得到公式(2)所示的分类决策函数，所述分类决策函数即为OC-SVM预测模型，若f(x)＝1，则表示样本x为正常数据，若f(x)＝-1，则表示样本x为新颖数据；
其中，κ(χi,χ)表示核函数，代替了特征空间中内积计算；αi是样本xi对应的拉格朗日系数。
作为一种可实施方式，如图3所示，所述DNN预测模型的训练过程包括：
步骤B1：加载训练数据集，所述训练数据集中的每一条轨道电路信号数据作为均作为一个样本，每个样本均对应有一个故障标签；
步骤B2：构建深度神经网络框架，设置网络参数，并随机初始化权重值w及偏置项b；其中，所述网络参数包括隐含层数量、每个隐含层中的节点数量和学习率；
例如，隐含层数为2，隐含层节点数为20，学习率为0.01。
步骤B3：设置梯度优化方法以及隐含层激活函数和输出层激活函数；
例如，梯度优化方法为Admin算法，隐含层激活函数为tanh函数，输出层激活函数为sigmoid函数。
步骤B4：对所有样本均进行正向计算、反馈计算和参数更新，确定权重值w和偏置项b的最优数值，从而得到DNN预测模型。
实施例2
如图4所示，本发明实施例提供一种基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断装置，包括：数据采集模块、数据预处理模块、新颖数据预测模块、故障分类模块、训练数据集更新模块和模型训练模块。其中：
数据采集模块用于获取被监测区段的轨道电路信号数据；数据预处理模块用于识别被监测区段的区段类型并按照所述区段类型对应的数据预处理方式对所述轨道电路信号数据进行数据预处理；新颖数据预测模块用于采用训练好的OC-SVM预测模型对预处理后的所述轨道电路信号数据进行预测，根据预测结果判断所述轨道电路信号数据属于正常数据还是属于新颖数据；故障分类模块用于将属于正常数据的轨道电路信号数据直接发送至DNN预测模型进行故障分类预测；训练数据集更新模块用于将满足预设条件的当前时刻的轨道电路信号数据增加至训练数据集，并为其设置新的故障标签；所述预设条件包括：从当前时刻起连续一定时间段内所采集的每条轨道电路信号数据均为新颖数据；模型训练模块用于使用训练数据集训练得到OC-SVM预测模型和DNN预测模型。
作为一种可实施方式，所述区段类型包括无后方区段、无前方区段、中间区段和无前方无后方区段。
作为一种可实施方式，所述数据预处理模块具体用于：
若被监测区段为无后方区段，则将被监测区段的轨道电路信号数据与其前方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
若被监测区段为无前方区段，则将被监测区段的轨道电路信号数据与其后方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
若被监测区段为中间区段，则将被监测区段的轨道电路信号数据与其前方和后方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
若被监测区段为无前方无后方区段，则直接删除所述轨道电路信号数据中特征值不为数字的数据项。
作为一种可实施方式，所述模型训练模块训练得到OC-SVM预测模型的过程包括：
步骤A1：加载训练数据集，所述训练数据集中的每一条轨道电路信号数据作为均作为一个样本，每个样本均对应有一个故障标签；
步骤A2：将每个样本通过核函数映射到高维特征空间，并利用公式(1)在所述特征空间中求解最优超球体实现训练数据与坐标原点(即新颖数据)的最大分离；
s.t.ωΤφ(χi)≥ρ-ξi
ξi≥0,i＝1,2,……,l (1)
其中，ω和ρ分别表示特征空间中分离超平面的法向量和偏移量；ξi表示第i个样本的松弛变量，v是控制离群点数量上限和全部支持向量数量下限的参数，l是样本数量，φ(χ)是将样本x映射到特征空间的函数；
步骤A3：利用Lagrange乘子法，得到公式(2)所示的分类决策函数，所述分类决策函数即为OC-SVM预测模型，若f(x)＝1，则表示样本x为正常数据，若f(x)＝-1，则表示样本x为新颖数据；
其中，κ(χi,χ)表示核函数，代替了特征空间中内积计算；αi是样本xi对应的拉格朗日系数。
作为一种可实施方式，所述模型训练模块训练得到DNN预测模型的过程包括：
步骤B1：加载训练数据集，所述训练数据集中的每一条轨道电路信号数据作为均作为一个样本，每个样本均对应有一个故障标签；
步骤B2：构建深度神经网络框架，设置网络参数，并随机初始化权重值w及偏置项b；其中，所述网络参数包括隐含层数量、每个隐含层中的节点数量和学习率；
步骤B3：设置梯度优化方法以及隐含层激活函数和输出层激活函数；
步骤B4：对所有样本均进行正向计算、反馈计算和参数更新，确定权重值w和偏置项b的最优数值，从而得到DNN预测模型。
需要说明的是，本发明实施例提供的轨道电路故障诊断装置是为了实现上述方法实施例的，其功能具体可参考上述方法实施例，此处不再赘述。
针对当前轨道电路故障种类繁多，高质量标签数据难以获取的问题，本发明提供的基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断方法及装置，运用OC-SVM对ZPW-2000R轨道电路所采集的48个监测数据进行单分类识别，用以收集不同故障类型的信号数据；然后再利用DNN方法对收集的故障数据进行训练，以便对已知的故障数据进行自动分类。
此外，利用ZPW-2000R轨道电路数据对本发明方法进行了大量实验，实验结果表明，本发明提出的故障诊断方法能够有效对新颖故障数据进行自动收集，并能够准确检测出故障类型。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断方法，其特征在于，包括：
步骤1：获取当前时刻被监测区段的轨道电路信号数据；
步骤2：识别被监测区段的区段类型并按照所述区段类型对应的数据预处理方式对所述轨道电路信号数据进行数据预处理；
步骤3：采用训练好的OC-SVM预测模型对预处理后的所述轨道电路信号数据进行预测，根据预测结果判断所述轨道电路信号数据属于正常数据还是属于新颖数据；所述OC-SVM预测模型的训练过程包括：
步骤A1：加载训练数据集，所述训练数据集中的每一条轨道电路信号数据作为均作为一个样本，每个样本均对应有一个故障标签；
步骤A2：将每个样本通过核函数映射到高维特征空间，并利用公式(1)在所述特征空间中求解最优超球体；
s.t.ωΤφ(χi)≥ρ-ξi
ξi≥0,i＝1,2,……,l (1)
其中，ω和ρ分别表示特征空间中分离超平面的法向量和偏移量；ξi表示第i个样本的松弛变量，ν是控制离群点数量上限和全部支持向量数量下限的参数，l是样本数量，φ(χ)是将样本x映射到特征空间的函数；
步骤A3：利用Lagrange乘子法，得到公式(2)所示的分类决策函数，所述分类决策函数即为OC-SVM预测模型，若f(x)＝1，则表示样本x为正常数据，若f(x)＝-1，则表示样本x为新颖数据；
其中，κ(χi,χ)表示核函数；αi是样本xi对应的拉格朗日系数；
步骤4：若所述轨道电路信号数据属于正常数据，则将所述轨道电路信号数据直接发送至DNN预测模型进行故障分类预测；
步骤5：若所述轨道电路信号数据属于新颖数据，则继续检测下一时刻被监测区段的轨道电路信号数据，若从当前时刻起连续一定时间段内所采集的每条轨道电路信号数据均为新颖数据，则将当前时刻对应的所述轨道电路信号数据增加至训练数据集中，并为其设置新的故障标签；
步骤6：使用新的训练数据集训练得到新的OC-SVM预测模型和新的DNN预测模型以进行后续轨道电路信号数据的检测。
2.根据权利要求1所述的基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断方法，其特征在于，所述区段类型包括无后方区段、无前方区段、中间区段和无前方无后方区段。
3.根据权利要求2所述的基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断方法，其特征在于，步骤2具体包括：
若被监测区段为无后方区段，则将被监测区段的轨道电路信号数据与其前方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
若被监测区段为无前方区段，则将被监测区段的轨道电路信号数据与其后方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
若被监测区段为中间区段，则将被监测区段的轨道电路信号数据与其前方和后方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
若被监测区段为无前方无后方区段，则直接删除所述轨道电路信号数据中特征值不为数字的数据项；
其中，κ(χi,χ)表示核函数；αi是样本xi对应的拉格朗日系数。
4.根据权利要求1所述的基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断方法，所述DNN预测模型的训练过程包括：
步骤B1：加载训练数据集，所述训练数据集中的每一条轨道电路信号数据作为均作为一个样本，每个样本均对应有一个故障标签；
步骤B2：构建深度神经网络框架，设置网络参数，并随机初始化权重值w及偏置项b；其中，所述网络参数包括隐含层数量、每个隐含层中的节点数量和学习率；
步骤B3：设置梯度优化方法以及隐含层激活函数和输出层激活函数；
步骤B4：对所有样本均进行正向计算、反馈计算和参数更新，确定权重值w和偏置项b的最优数值，从而得到DNN预测模型。
5.基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断装置，其特征在于，包括：
数据采集模块，用于获取被监测区段的轨道电路信号数据；
数据预处理模块，用于识别被监测区段的区段类型并按照所述区段类型对应的数据预处理方式对所述轨道电路信号数据进行数据预处理；
新颖数据预测模块，用于采用训练好的OC-SVM预测模型对预处理后的所述轨道电路信号数据进行预测，根据预测结果判断所述轨道电路信号数据属于正常数据还是属于新颖数据；
故障分类模块，用于将属于正常数据的轨道电路信号数据直接发送至DNN预测模型进行故障分类预测；
训练数据集更新模块，用于将满足预设条件的当前时刻的轨道电路信号数据增加至训练数据集，并为其设置新的故障标签；所述预设条件包括：从当前时刻起连续一定时间段内所采集的每条轨道电路信号数据均为新颖数据；
模型训练模块，用于使用训练数据集训练得到OC-SVM预测模型和DNN预测模型；所述模型训练模块训练得到OC-SVM预测模型的过程包括：
步骤A1：加载训练数据集，所述训练数据集中的每一条轨道电路信号数据作为均作为一个样本，每个样本均对应有一个故障标签；
步骤A2：将每个样本通过核函数映射到高维特征空间，并利用公式(1)在所述特征空间中求解最优超球体；
s.t.ωΤφ(χi)≥ρ-ξi
ξi≥0,i＝1,2,……,l (1)
其中，ω和ρ分别表示特征空间中分离超平面的法向量和偏移量；ξi表示第i个样本的松弛变量，ν是控制离群点数量上限和全部支持向量数量下限的参数，l是样本数量，φ(χ)是将样本x映射到特征空间的函数；
步骤A3：利用Lagrange乘子法，得到公式(2)所示的分类决策函数，所述分类决策函数即为OC-SVM预测模型，若f(x)＝1，则表示样本x为正常数据，若f(x)＝-1，则表示样本x为新颖数据；
其中，κ(χi,χ)表示核函数；αi是样本xi对应的拉格朗日系数。
6.根据权利要求5所述的基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断装置，其特征在于，所述区段类型包括无后方区段、无前方区段、中间区段和无前方无后方区段。
7.根据权利要求6所述的基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断装置，其特征在于，所述数据预处理模块具体用于：
若被监测区段为无后方区段，则将被监测区段的轨道电路信号数据与其前方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
若被监测区段为无前方区段，则将被监测区段的轨道电路信号数据与其后方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
若被监测区段为中间区段，则将被监测区段的轨道电路信号数据与其前方和后方区段的轨道电路信号数据进行合并，并删除其中特征值不为数字的数据项；
若被监测区段为无前方无后方区段，则直接删除所述轨道电路信号数据中特征值不为数字的数据项。
8.根据权利要求5所述的基于OC-SVM和DNN的ZPW-2000R轨道电路故障诊断装置，其特征在于，所述模型训练模块训练得到DNN预测模型的过程包括：
步骤B1：加载训练数据集，所述训练数据集中的每一条轨道电路信号数据作为均作为一个样本，每个样本均对应有一个故障标签；
步骤B2：构建深度神经网络框架，设置网络参数，并随机初始化权重值w及偏置项b；其中，所述网络参数包括隐含层数量、每个隐含层中的节点数量和学习率；
步骤B3：设置梯度优化方法以及隐含层激活函数和输出层激活函数；
步骤B4：对所有样本均进行正向计算、反馈计算和参数更新，确定权重值w和偏置项b的最优数值，从而得到DNN预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210621985.4A CN115047313B (zh) | 2022-06-02 | 2022-06-02 | 基于oc-svm和dnn的zpw-2000r轨道电路故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210621985.4A CN115047313B (zh) | 2022-06-02 | 2022-06-02 | 基于oc-svm和dnn的zpw-2000r轨道电路故障诊断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115047313A CN115047313A (zh) | 2022-09-13 |
| CN115047313B true CN115047313B (zh) | 2024-04-26 |
Family
ID=83158856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210621985.4A Active CN115047313B (zh) | 2022-06-02 | 2022-06-02 | 基于oc-svm和dnn的zpw-2000r轨道电路故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115047313B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520817B (zh) * | 2023-07-05 | 2023-08-29 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5483170A (en) * | 1993-08-24 | 1996-01-09 | New Mexico State University Technology Transfer Corp. | Integrated circuit fault testing implementing voltage supply rail pulsing and corresponding instantaneous current response analysis |
| CN103714348A (zh) * | 2014-01-09 | 2014-04-09 | 北京泰乐德信息技术有限公司 | 一种基于决策树的轨道交通故障诊断方法和系统 |
| CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN110286668A (zh) * | 2019-07-15 | 2019-09-27 | 广东毓秀科技有限公司 | 一种基于大数据的轨交信号系统vim板卡故障预测方法 |
| CN110852365A (zh) * | 2019-10-31 | 2020-02-28 | 北京交通大学 | 一种zpw-2000a型无绝缘轨道电路故障诊断方法 |
| CN111626416A (zh) * | 2020-04-24 | 2020-09-04 | 黑龙江瑞兴科技股份有限公司 | 基于深度卷积神经网络的轨道电路故障自动诊断方法 |
| CN112949715A (zh) * | 2013-12-31 | 2021-06-11 | 北京泰乐德信息技术有限公司 | 一种基于svm的轨道交通故障诊断方法 |
| CN113139335A (zh) * | 2021-04-09 | 2021-07-20 | 郑州宥新算法智能科技有限公司 | 一种基于bp神经网络的轨道电路故障智能诊断方法 |
| CN114462475A (zh) * | 2021-12-21 | 2022-05-10 | 南京邮电大学 | 一种基于单分类算法的无监督机器异常声检测方法和装置 |
-
2022
- 2022-06-02 CN CN202210621985.4A patent/CN115047313B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5483170A (en) * | 1993-08-24 | 1996-01-09 | New Mexico State University Technology Transfer Corp. | Integrated circuit fault testing implementing voltage supply rail pulsing and corresponding instantaneous current response analysis |
| CN112949715A (zh) * | 2013-12-31 | 2021-06-11 | 北京泰乐德信息技术有限公司 | 一种基于svm的轨道交通故障诊断方法 |
| CN103714348A (zh) * | 2014-01-09 | 2014-04-09 | 北京泰乐德信息技术有限公司 | 一种基于决策树的轨道交通故障诊断方法和系统 |
| CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN110286668A (zh) * | 2019-07-15 | 2019-09-27 | 广东毓秀科技有限公司 | 一种基于大数据的轨交信号系统vim板卡故障预测方法 |
| CN110852365A (zh) * | 2019-10-31 | 2020-02-28 | 北京交通大学 | 一种zpw-2000a型无绝缘轨道电路故障诊断方法 |
| CN111626416A (zh) * | 2020-04-24 | 2020-09-04 | 黑龙江瑞兴科技股份有限公司 | 基于深度卷积神经网络的轨道电路故障自动诊断方法 |
| CN113139335A (zh) * | 2021-04-09 | 2021-07-20 | 郑州宥新算法智能科技有限公司 | 一种基于bp神经网络的轨道电路故障智能诊断方法 |
| CN114462475A (zh) * | 2021-12-21 | 2022-05-10 | 南京邮电大学 | 一种基于单分类算法的无监督机器异常声检测方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 基于人工智能的ZPW-2000A轨道电路 故障诊断方法研究;文武臣;《铁路通信信号工程技术》;20211025;第第18卷卷(第第10期期);第34-38页 * |
| 基于卷积神经网络的ZPW-2000R轨道电路智能故障诊断方法;卢皎，等;《工业工程》;20210831;第第24卷卷(第第4期期);第128-134页 * |
| 基于深度学习的无绝缘轨道电路故障诊断研究;谢旭旭，等;《铁道学报》;20200630;第第42卷卷(第第6期期);第79-85页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115047313A (zh) | 2022-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111914873B (zh) | 一种两阶段云服务器无监督异常预测方法 | |
| CN112784965B (zh) | 面向云环境下大规模多元时间序列数据异常检测方法 | |
| CN108197648B (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
| CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
| CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
| KR102627062B1 (ko) | 비정상 장비 트레이스 검출 및 분류 | |
| CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
| US20200012944A1 (en) | Method and system for detecting switch degradation and failures | |
| CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
| CN117923331B (zh) | 一种基于吊车吊装的负荷控制系统及方法 | |
| CN115047313B (zh) | 基于oc-svm和dnn的zpw-2000r轨道电路故障诊断方法及装置 | |
| CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| CN117708669A (zh) | 一种基于多源数据的自适应概率神经网络高压电缆状态评估方法 | |
| CN114398992A (zh) | 一种基于无监督域适应的智能故障诊断方法 | |
| CN116305614A (zh) | 一种基于残差卷积神经网络和lstm的滚动轴承剩余使用寿命预测方法 | |
| Liu et al. | Failure classified method for diesel generators based long short-term memory approach | |
| CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
| Kolev et al. | ARFA: automated real-time flight data analysis using evolving clustering, classifiers and recursive density estimation | |
| CN117804811B (zh) | 注意力机制深度神经网络港机装备健康诊断系统及方法 | |
| CN117077870B (zh) | 一种基于人工智能的水资源数字化管理方法 | |
| CN118296370A (zh) | 基于神经网络的列车故障预测方法及系统 | |
| CN117639256A (zh) | 一种基于变电站事故告警的设备状态感知方法及终端 | |
| CN117520942A (zh) | 一种基于双线性卷积神经网络的故障诊断方法及装置 | |
| CN114330089B (zh) | 一种稀土元素含量变化预测方法及系统 | |
| CN116702990A (zh) | 基于多层长短期记忆模型的设备剩余寿命预测方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |