基于機器學習的轉轍機故障智能診斷研究

張 勝,韓承桓,李孟嬌,李德威,孫 彤

(滄州交通學院,河北 滄州 061100)

轉轍機故障智能診斷技術的主要步驟是對轉轍機動作電流與功率曲線進行特征提取,利用分類算法實現故障診斷與分類[1-2]。目前,國內外學者對此也展開了諸多研究。文獻[3]提出基于Haar小波變換與卷積神經網絡相結合的方法,對轉轍機的動作功率曲線進行特征提取。文獻[4]通過人工選取S700K轉轍機的動作電流曲線故障時間點,建立故障特征矩陣,作為BP神經網絡的輸入,從而進行故障診斷。文獻[5]對轉轍機動作功率曲線進行小波分解,利用主成分分析法進行特征提取,對支持向量機參數使用改進灰狼優化算法,實現道岔故障識別。還有應用CDET/MPSO-SVM、灰關聯及隱馬爾科夫模型等方法進行道岔故障診斷的研究[6-8],實現了轉轍機智能故障診斷,為實現基于大數據的電務智能運維管理應用系統的研究與設計提供了理論基礎。

1 轉轍機正常工作狀態分析

以S700K交流電動轉轍機為例,正常轉換時的輸出功率曲線如圖1所示。

圖1 S700K轉轍機正常轉換功率曲線Fig.1 Normal conversion power curve of S700K switch machine

我國大部分微機監測系統數據采集周期約為40 ms,S700K轉轍機正常轉換一次的時間約為7 s,因此道岔每動作一次約采集175個時間序列數據。將常見的S700K型轉轍機牽引的道岔故障狀態歸為8類,如圖2所示。

圖2 S700K道岔故障動作功率曲線Fig.2 Fault action power curve of S700K switch

由轉轍機轉換過程及功率曲線分析可知,為了得到更全面的有效特征,可將轉轍機功率曲線按轉換過程分為I(I=5)個階段,即0～T1、T1～T2、T2～T3、T3～T4、T4～T5。設Ci為時段Ti內(i=1,2,3,4,5)采樣點的個數,Pi(c)為轉轍機動作時在第i段時的功率曲線,且Pi(c)可表示為{Pi(c)|c=1,2,…,Ci;i=1,2,…I}。

2 電流及功率特征提取

表1 時域特征統計量Fig.1 Statistics of time domain characteristics

3 建立CNN-LSTM模型

CNN-LSTM模型使用python 3.8開發平臺,采用TensorFlow深度學習框架搭建,包括三層卷積層(CNN)、池化層(MaxPoolld)、歸一化(BatchNormld)、激活操作(ReLU)、LSTM層、全連接層,整體結構如圖3所示。模型輸入矩陣的尺寸為256×175,175是轉轍機轉換時動作電流及功率曲線數據采樣點的長度,采集周期為40 ms,截取時間7 s的曲線。道岔的正常動作時間在6.5 s左右,不足7 s在曲線數據點后補零。如果故障時道岔動作時間超過7 s,則截取曲線前7 s數據。最后輸出9個節點,是8種類型故障及正常情況對應的概率值,故障診斷結果為輸出概率最大值對應的故障類型。

圖3 CNN-LSTM模型Fig.3 CNN-LSTM model

數據的預處理是從鐵路信號集中監測系統中得到轉轍機的電流及功率曲線數據,將數據集的80%作為訓練集,其余20%的數據作為測試集。對訓練數據集用特征量計算公式分別進行時域特征提取,并與初始數據結合,構建特征矩陣,作為CNN-LSTM模型的輸入。在CNN-LSTM模型中對CNN參數進行訓練,利用CNN進行特征提取,經過歸一化、池化等操作,把高維數據矩陣數據降維,得到低維矩陣,作為LSTM網絡層的故障識別系統輸入,用測試數據檢驗模型診斷故障的準確率,實現道岔故障診斷。

4 實驗與驗證

實驗利用訓練集對CNN-LSTM進行訓練,利用測試數據集檢驗該模型的故障診斷效果。表2為CNN-LSTM模型、LSTM模型及CNN模型進行故障診斷的損失率及準確率。由圖4、圖5可知,CNN-LSTM算法進行故障分類的準確率最高,約為93.32%,損失率最低,約為4.17%。其次為LSTM模型,CNN模型的故障診斷效果最不理想。與LSTM模型、CNN模型相比,CNN-LSTM模型算法穩定性較好,可以更加精確地診斷出故障類型,具有較好的故障診斷效果。

圖4 損失率Fig.4 Loss rate

圖5 準確率Fig.5 Accuracy rate

表2 模型損失率與準確率Tab.2 Loss and accuracy rate of the model

5 結論

針對轉轍機的故障分類及識別問題,將CNN與LSTM進行組合,對LSTM模型中的超參數進行優化,取得了較好的診斷效果。實驗結果表明,CNN-LSTM模型較LSTM、CNN模型在提高故障診斷準確率的同時,降低了模型損失率,且收斂速度得到提高,故而CNN-LSTM模型對道岔故障診斷具有更高的使用價值。