一种道岔故障预测方法与流程

本发明涉及轨道交通领域，具体涉及一种道岔故障预测方法。

背景技术：

道岔是列车从一股轨道转入或越过另一股轨道时必不可少的线路设备，是铁路轨道的一个重要组成部分，也是故障率最高的设备。一旦道岔发生故障，不能完成规定动作，轻则临时停车造成时间延误；重则车厢脱轨造成人员伤亡。

我国铁路运输作业频繁、运营环境多变易导致道岔故障，但现有道岔监测条件以及维修手段落后，这些情况极易造成行车突发事故或影响行车效率。目前铁路部门为防止事故发生，安排专业人员定期检查并维修道岔，需要大量的人力和物力，并且效率低下。现有技术中，还无法做到对道岔故障准确预测，也未提出快速有效的解决方案。所以基于所采集的道岔动作曲线以及故障信息等历史数据，采用科学方法预测道岔下一阶段工作状态及剩余寿命，在其故障之前及时发现并配合实施相应的维修保障措施。根据道岔故障预测信息为维修决策优化提供借鉴，合理调整维修间隔，减少“维修过剩”和“维修不足”，保证行车安全与乘客生命安全的重要举措。

技术实现要素：

本发明提供了一种道岔故障预测方法，实现对道岔下一阶段工作状态及剩余寿命的预测，优化维修决策，调整维修间隔，减少现有维修中“维修过剩”和“维修不足”的问题。

本发明提出的一种道岔故障预测方法，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位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为道岔动作结束点即此时刻电流值降为零，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（y>n）动作时每类特征的特征值；

（５）：基于预测模型所得每类特征的特征值得到道岔第y次动作的每类特征的预测曲线；

（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。

本发明中，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。

本发明中，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（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}。

本发明中，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，xmin为数据序列中的最小数；xmax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（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，ypred(t)为bp神经网络输出值，yreal(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）。

本发明中，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。

本发明中，步骤（６）中所述的对道岔第y次动作预测曲线进行故障诊断，判断是否故障，具体步骤为：

（6a）：选取道岔动作道岔正常动作模板曲线；

（6b）：设定预测曲线与道岔正常动作模板曲线总积累距离的阈值；

（6c）：采用动态时间规整算法计算预测曲线与正常的电流模板曲线的总积累距离；

（6d）：计算步骤（6c）所得总积累距离大于步骤（6b）所设定的阈值，则表示道岔第y次动作发生故障，反之，则表示不发生故障。

本发明中，步骤（6c）中所述动态时间规整算法计算曲线距离，具体步骤为：

（6c1）：道岔动作第y次预测曲线可表示为t={t（1），t（2），……，t（n），……，t（n）}，n为预测曲线时间序列的时序标号，n=1为预测曲线时间序列起点，n=n为预测曲线时间序列终点，t（n）为所述预测曲线时间序列的值；

（6c2）：道岔正常动作模板曲线可表示为r={r（1），r（2），……，r（m），……，r（m）}，m为正常动作模板曲线时间序列的时序标号，m=1为正常动作模板曲线时间序列起点，m=m为正常动作模板曲线时间序列终点，r（m）为所述正常动作模板曲线时间序列的值；

（6c3）：在横轴标出预测曲线时间序列的各个时序标号n，在纵轴标出代表正常动作模板曲线时间序列的各个时序标号m，通过这些时序标号的整数坐标画出一些纵横线可形成一个网络，所有格点依次为（1，1），……，（n，m），……，（n，m），搜索从（1，1）到（n，m）的最优路径；

（6c4）：当路径通过（n，m）后，下一个通过的格点只能是（n,m+1）、（n+1，m）、（n+1，m+1），选择（n，m）到下一格点的最小距离为最优路径，计算（1，1）到（n，m）的积累最小距离；

（6c5）：计算预测曲线时间序列t与正常动作模板曲线时间序列r之间的欧式距离；

（6c6）：起点（1，1）到终点（n，m）的总的积累距离为起点（1，1）到终点（n，m）的积累最小距离、预测曲线时间序列t与正常动作模板曲线时间序列r之间的欧式距离之和；

（6c7）：总的积累距离约小，表示预测曲线与正常动作模板曲线的相似度越高。

本发明的有益效果在于：道岔动作曲线以及故障信息等历史数据，采用科学方法预测道岔下一阶段工作状态及剩余寿命，判断是否会发生故障，根据道岔故障预测结果为维修决策优化提供借鉴，合理调整维修间隔，在其故障之前及时发现并配合实施相应的维修保障措施，减少“维修过剩”和“维修不足”等问题，减少道岔事故率，提高系统可靠性，保证行车安全。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的道岔故障预测方法的流程图；

图2是根据本发明实施例的第100条道岔正常动作电流曲线特征提取图；

图3是根据本发明实施例的道岔电流曲线特征t7的预测模型；

图4是根据本发明实施例的道岔动作第1001次动作预测电流曲线；

图5是根据本发明实施例的道岔动作第1100次动作预测电流曲线；

图6是道岔预测曲线故障诊断流程图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，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。

在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例1

在本实施例中提供了一种道岔故障预测方法，图1是根据本发明实施例的故障预测方法的流程图，如图1所示，该流程图包括如下步骤：

步骤s11，采集同一道岔连续n次正常动作曲线；

步骤s12，对每一条动作曲线提取代表性特征；

步骤s13，对n条曲线的同类特征分别建立预测模型；

步骤s14，基于预测模型分别计算道岔第y次（y>n）动作时每类特征的值；

步骤s15，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；

步骤s16，对道岔第y次动作预测曲线进行故障诊断，判断是否故障。

通过上述步骤，基于所采集的同一道岔连续多次正常动作曲线采用科学方法得到道岔下一阶段故障预测结果以及剩余寿命预测，相比于现有技术中，通过够工作人员定期检修带来的高成本和低效率，上述步骤减少了现有技术中“维修过剩”和“维修不足”的情况，并根据预测结果合理调整维修间隔，在故障之前及时预测并配合实施相应的维修保障措施，降低道岔事故率，提高行车安全。

下面结合一个具体的可选实施例进行说明。

（一）从微机监测系统中采集同一道岔连续多次动作电流曲线，去除故障曲线，保留正常曲线，按照时间顺序多组曲线标记为{曲线1，曲线2，曲线3…曲线1000}。

（二）如图2所示，为第100条道岔动作正常电流曲线，对该动作曲线提取10个代表性特征并得到其相应的值，分别为：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位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为道岔动作结束点即此时刻电流值降为零，t10为该电流值对应的时间，同理依次对另外999条道岔动作正常电流曲线进行特征提取，最后获得的特征数据如下，其中n=1000。

（三）：基于bp神经网络对所提取10个曲线特征分别建立预测模型，选取道岔曲线t7为例建立预测模型，具体步骤如下：

(1)对曲线特征t7所对应的1000个特征值进行归一化处理，并将其作为模型输入样本；

（2）构建三层bp神经网络模型，设定输入层神经元个数为10，隐含层神经元个数为8，输出层神经元个数为1；

（3）对各连接权值赋值，均为0.5，目标误差设为0.0001，学习效率设为0.01，网络训练次数设为10000次；

（4）隐含层的激活函数采用tan-sigmoid传递函数，输出层的激活函数采用线性传递函数；误差函数采用；

（5）根据bp神经网络期望输出、实际输出、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，计算相对误差采用如下公式：

其中，ypred(t)为bp神经网络输出值，yreal(t)为实际值；

(6)计算相对误差值为0.032664，此时训练次数大于10000，模型预测结束；

（7）获得道岔第1001次动作时特征t7的预测值为1.587；

（8）重复步骤（1）到（7），依次获得道岔第1001次动作时其他9个特征的预测值,10个特征的值分别为4.732、0.4、1.506、1.1、1.323、4.1、1.587、6.9、0、8.8。

（四）根据所获得的道岔第1001次动作时10个特征的预测值，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；基于最小二乘法原理，采用多项式拟合函数进行曲线拟合，根据拟合结果不断调整拟合函数中多项式次数的值，，选取最佳的拟合结果，得到道岔第1001次动作的预测曲线，如图4所示。

（五）按照上边步骤三到四，依次预测得到第1100次的预测曲线如图5所示。

（六）选择道岔正常动作第1条电流曲线为模板曲线，设定预测曲线与模板曲线总积累距离的阈值为35。

（七）采用动态时间规整算法计算道岔动作第1001次预测曲线与道岔正常动作第1条电流曲线的总积累距离，步骤如下：

（1）取道岔动作第1001次预测曲线，可表示为t={t（1），t（2），……，t（116）}，t（1）=0，t（2）=0.4325，……，t（116）=0.09189；

（2）道岔正常动作第1条电流曲线可表示为r={r（1），r（2），……，r（214）}，r（1）=0，r（2）=0.22356，……，r（144）=0.01029；

（3）在横轴标出道岔动作第1001次预测曲线时间序列的各个时序标号116，在纵轴标出模板曲线时间序列的各个时序标号214，通过这些时序标号的整数坐标画出一些纵横线可形成一个网络，所有格点依次为（1，1），……，（116，214），搜索（1，1）到（116，214）的最优路径；

（4）：路径通过（1，1）后，下一个通过的格点只能是（1,2）、（2，1）、（2，2），计算可得（1，1）到（116，214）的积累最小距离为17.7823；

（5）：计算可得待识别曲线时间序列t与正常代表曲线时间序列r之间的欧式距离为1.2834；

（6）：起点（1，1）到终点（116，214）的总的积累距离为13.0657，道岔第1001次动作预测曲线与模板曲线的总积累距离为18.0657。

（八）按照步骤（七）采用同样的方法，以此计算得到道岔第1001次动作预测曲线与模板曲线的总积累距离为94.6732；

（九）道岔第1001次动作预测曲线与模板曲线的总积累距离小于阈值，预测道岔第1001次动作不发生故障；道岔第1100次预测曲线与模板曲线的总积累距离大于阈值，预测道岔第1100次动作会发生故障。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。