[发明专利]一种轨道交通设备故障诊断方法

说明书

本发明提供一种轨道交通设备故障诊断方法，包括：基于目标轨道交通设备的运行信息，利用基于所述目标轨道交通设备的典型故障输入输出信号训练获取的神经网络故障诊断模型，获取故障诊断结果或者预测结果。本发明基于多传感器信息融合技术，利用人工智能神经网络，建立了智能故障预报和诊断模型，可以为交通设备检修维护提供依据，从而降低企业成本，实现按需检修和维护。

技术领域

本发明涉及人工智能技术领域，更具体地，涉及一种轨道交通设备故障诊断方法。

背景技术

经济的飞速发展带来电力、石化、航空航天、交通运输等各行业大量设备的更新和系统复杂程度的提高。为了保障安全，避免不必要的经济损失，需要对这些设备进行管理与维护。

利用设备智能故障诊断技术，可以有效进行设备的按需维护，动态预测设备使用寿命；可以快速诊断已发生故障的设备故障类型，做到快速维修，减少停机时间，提高生产效率。并且能够在保证安全的情况下，有效降低企业成本。

另外，如果在早期给出设备的运行状态，就能实现故障的预测，降低故障发生率，从而可以大大提高设备的运行质量。

许多故障诊断技术可以用于轨道交通设备的智能监控系统，如采用多个通用传感器，通过故障信息数据的处理，快速识别可能产生故障的类别和部位，通过预报，实现设备的按需维护等。

但是，目前的故障诊断方法或者预测方法都不能对未知的或者未发生的故障做到有效识别或者精准识别，所采用的样本数量少，从而无法真正做到智能诊断或者智能预测，对于故障的及时发现和高效维护起不到有益的作用。

发明内容

为了克服上述问题或者至少部分地解决上述问题，本发明提供一种轨道交通设备故障诊断方法，用以有效进行目标轨道交通设备的智能故障诊断或预测，实现设备故障的技术发现和高效维护。

本发明提供一种轨道交通设备故障诊断方法，包括：基于目标轨道交通设备的运行信号，利用基于所述目标轨道交通设备的典型故障输入输出信号训练获取的神经网络故障诊断模型，获取故障诊断结果或者预测结果。

进一步的，在基于所述目标轨道交通设备的运行信号，获取所述故障诊断结果或者预测结果的步骤之前，所述方法还包括：基于所述目标轨道交通设备的所有特征量信号采集点和所有典型故障类型，构建初始神经网络模型；提取所述目标轨道交通设备的振动信号频谱中的待诊断故障样本，以每种故障类型对应的各频段上的谱峰能量值作为故障特征量，形成训练样本；利用所述训练样本训练所述初始神经网络模型，获取所述神经网络故障诊断模型。

其中，所述运行信号为设备振动信号的频谱向量，所述设备振动信号的频谱向量表示设备的振动信号在不同波段上的相对能量。

其中，所述神经网络故障诊断模型采用RBF神经网络，所述RBF神经网络为单隐层RBF神经网络，所述RBF神经网络的隐层单元的转移函数是关于中心对称的径向基函数。

其中，所述RBF神经网络的单隐层的神经元传递函数采用S型正切函数tansig，输出层的神经元函数采用S型函数logsig。

进一步的，在基于所述目标轨道交通设备的运行信号，获取所述故障诊断结果或者预测结果的步骤之前，所述方法还包括：读取所述目标轨道交通设备的振动信号，并将所述振动信号与其对应的故障或正常标签作为振动时序数据；对所述振动时序数据进行L2正则化处理，并将处理结果填充至矩阵中，形成矩阵组；对所述矩阵组进行初次卷积处理，并利用激活函数对初次卷积结果进行激活；对激活后的初次卷积结果进行下采样，并对下采样结果进行再次卷积处理，压缩所述振动时序数据的时间维度。

进一步的，所述方法还包括：将压缩后的所述振动时序数据输入所述RBF神经网络，经所述RBF神经网络的全连接层对整个网络进行细微特征提取；经过softmax层对网络输出进行处理，将网络输出定为故障与正常及二者的可能概率。