[发明专利]一种转辙机故障诊断方法

说明书

本发明公开了一种转辙机故障诊断方法，包括以下步骤：S1，采集转辙机拉力数据，构建转辙机拉力数据集；S2，将数据集进行归一化处理，并使用独热编码添加标签；S3，将数据集按照一定比例划分为训练集、验证集和测试集；S4，搭建1DCNN‑LSTM模型并将各个参数初始化；S5，通过训练集对1DCNN‑LSTM模型进行训练，并结合验证集调节相应参数；S6，使用测试集验证训练好的模型。本发明通过将对空间特征提取的一维卷积神经网络和对时间特征提取的长短期记忆网络两种不同网络结构进行组合，弥补了单独构建模型时的缺陷，整合了传统的信号降噪、特征提取和故障分类等流程，实现点到点、端到端的智能诊断，能够快速、准确地进行故障诊断，使得整个过程简单化。

技术领域

本发明属于转辙机故障诊断技术领域，尤其涉及一种转辙机故障诊断方法。

背景技术

随着中国城市轨道交通行业的快速发展，全国地铁运营总里程超过8708公里，日均乘客人流量与日俱增，相关运营设备使用频次逐渐增加，发生故障隐患的概率也逐步提高，其中转辙机作为道岔设备的核心控制部件，对列车的安全运行有着直接的影响。当前对转辙机的健康管理主要通过以传统人工为主的周期性巡检和信号状态监测的方式，这对从业人员作业能力要求较高，通常在故障发生后需要迅速赶到现场开展维修，过剩的工作量具有一定滞后性和低效性，还会造成由于人工经验引起的故障诊断偏差。从设备采集的故障诊断信息来说，目前对于转辙机故障诊断的研究对象大多基于电流和功率曲线，间接分析转辙机动作过程，不能真实地表现转辙机实际动作时的转换力。

当前对转辙机的健康管理主要通过以传统人工为主的周期性巡检、故障发生后维修和采集工作信号以监测分析设备工作状态的方式，其中定期巡检周期按照频次分为日检、月检、季检和年检，通过检修人员携带万用表、转辙机测试仪等设备，综合评估设备设施故障的可能性、设备设施安全程度、设备设施故障影响范围及检修容错率等要素，遵循严谨、有序的工作流程，对其工作状态安全把控，从而降低因维修和管理不当导致安全事故发生的频率，该检修方式对从业人员作业能力要求较高，通常在故障发生后维修人员需要迅速赶到现场开展作业，具有一定滞后性，定期预防与事后维修二者相辅相成，一定程度上保证设备正常运转，但会产生设备检修过剩或维修时候不当所造成的人力、物力损失。为提高作业人员检修效率，减少周期性过剩工作量，通过增设转辙机监控设备，使用传感器捕获转辙机动作时的电压、电流、牵引力等主要信号，值班人员通过微机监测系统观察实际工作曲线与标准曲线对比分析，从而判断相应设备大致工作状态，人工实现对转辙机的状态检测和故障预警，但对人工分析能力要求较高，同时相关曲线具有相似不易区分、微小变化难以发现的局限性。因此，当前养护结合的检修模式不能满足日益增长的设备保障需求，需要在提高工作效率、降低误判率、降低人工成本的同时，利用智能化技术找到平衡安全运营与高效检修的突破口。

发明内容

针对现有技术不足，本发明的目的在于提供一种转辙机故障诊断方法，以一维卷积神经网络和长短期记忆网络结合的组合算法搭建故障诊断1DCNN-LSTM模型，实现“端到端”的诊断方式，有效提取和诊断原始信号，满足现场维修工作的要求，以解决背景技术中提出的问题。

本发明提供如下技术方案：

一种转辙机故障诊断方法，包括以下步骤：

S1，采集转辙机拉力数据，构建转辙机拉力数据集；

S2，将数据集进行归一化处理，并使用独热编码添加标签；

S3，将数据集按照一定比例划分为训练集、验证集和测试集；

S4，搭建1DCNN-LSTM模型并将各个参数初始化；

S5，通过训练集对1DCNN-LSTM模型进行训练，并结合验证集调节相应参数；

S6，使用测试集验证训练好的模型，并计算模型的故障诊断准确率。