[发明专利]一种道岔故障预测方法

权利要求书

1.一种道岔故障预测方法，其特征在于，包括以下步骤：

（1）：采集同一道岔连续N次正常动作曲线；

（２）：对每一条正常动作曲线提取代表性特征；代表性特征有10个，具体为：T₁为道岔解锁阶段的电流最大值，T₂为该电流值对应的时间；T₃为道岔解锁阶段电流回落过程中电流最小值，T₄为该电流值对应的时间；T₅为道岔转换阶段的电流众数值，T₆为该电流值对应的时刻；T₇为道岔从转换阶段进入锁闭阶段时刻对应电流值，T₈为该电流值对应的时刻；T₉为道岔动作结束点时刻对应的电流值，T₁₀为该电流值对应的时间；

（３）：对N条正常动作曲线提取的代表性特征中的同类特征分别建立预测模型；

（４）：基于步骤（３）预测模型分别计算道岔第Y次动作时每类特征的特征值，其中Y>N；

（５）：基于预测模型所得每类特征的特征值得到道岔第Y次动作的预测曲线；

（６）：对步骤（５）得到的道岔第Y次动作预测曲线进行故障诊断，判断是否故障。

2.根据权利要求1所述的道岔故障预测方法，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或图像，或为纸质文件中的道岔动作曲线数据或图像。

3.根据权利要求1所述的道岔故障预测方法，其特征在于，步骤（1）所述的采集同一道岔连续N次正常动作曲线，具体如下：

（1a）：从微机监测系统中采集同一道岔连续M次动作曲线，其中M>N；

（1b）：去除故障曲线，保留正常曲线；

（1c）：按照时间顺序曲线标记为{曲线1，曲线2，曲线3…曲线N}。

4.根据权利要求1所述的道岔故障预测方法，其特征在于，步骤（３）中所述建立的预测模型为BP神经网络，具体步骤如下：

（3a）：分别对道岔N次正常动作曲线的每类特征的数据进行归一化处理，利用如下公式：

其中，x_min为数据序列中的最小数；x_max为数据序列中的最大数；

（3b）：分别选取每类特征的特征值作为模型输入样本；

（3c）：构建三层BP神经网络模型，确定输入层、隐含层及输出层神经元个数；

（3d）：给输入层、隐含层及输出层各连接权值分别赋值，确定所构建的BP神经网络模型的目标误差、学习率、训练次数、误差函数及隐含层与输出层的激活函数；

（3e）根据步骤（3d）设置，BP神经网络模型得到预测数据；

（3f）：根据BP神经网络模型的实际数据、预测数据、误差函数对输出层的各神经元偏导数、隐含层到输出层的连接权值、隐含层的输出误差函数对隐含层的各神经元偏导数及隐含层各神经元的输出，修正连接权值，计算相对误差Ｅ，采用如下公式：

其中，Y_pred(t)为BP神经网络输出值，Y_real(t)为实际值；

（3g）：当相对误差达到预设精度或训练次数大于设定最大次数，此次预测结束，得到特征的预测值，否则重复步骤（3e）到（3g）。

5.根据权利要求1所述的道岔故障预测方法，其特征在于，步骤（５）所述的基于预测模型所得特征值得到道岔第Y次动作的预测曲线，具体如下：

（5a）：基于道岔曲线10类特征各自的预测值，按照（T₁,T₂）、（T₃,T₄）、（T₅,T₆）、（T₇,T₈）（T₉,T₁₀）方式组成5个特征点，与原点（0,0）组成曲线拟合的基础点；

（5b）：基于最小二乘法原理，采用拟合函数进行曲线拟合，得到道岔第Y次动作的预测曲线。