故障诊断方法、装置、设备和存储介质与流程
本发明涉及算法的技术领域，特别是涉及了一种故障诊断方法、装置、设备和存储介质。
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，会造成严重的事故。
目前铁路部门为防止事故发生，采用基于机器学习算法的预测模型对道岔故障进行诊断，例如，采用神经网络算法对预测模型的道岔故障进行诊断，需要利用专业知识对大量历史数据进行人工标记，安排专业人员每天查看道岔电气特性曲线，通过与正常运行的道岔监测数据做对比，来识别道岔故障。
这种道岔动作故障诊断的方式，需要大量的人力和物力，并且容易出现对道岔动作故障的误判和漏判，严重影响故障诊断的效率。
技术实现要素：
基于此，有必要针对故障诊断的效率低的问题，提供一种故障诊断方法、装置、设备和存储介质。
第一方面，一种故障诊断方法，所述方法包括：
获取所述道岔动作电流数据对应的特征信息；所述道岔动作电流数据包括标记的道岔动作电流数据和无标记的道岔动作电流数据，所述特征信息用于表征所述道岔动作电流数据的属性；
根据所述标记的道岔动作电流数据对应的第一类别标号及所述标记的道岔动作电流数据的特征信息，获取分类模型；所述第一类别标号用于表示道岔动作的故障类型；
根据所述分类模型对所述无标记的道岔动作电流数据及所述无标记的道岔动作电流数据的特征信息进行处理，获取道岔动作的故障诊断结果。
在其中一个实施例中，所述根据所述分类模型对所述无标记的道岔动作电流数据及所述无标记的道岔动作电流数据的特征信息进行处理，获取道岔动作的故障诊断结果，包括：
根据所述分类模型对所述无标记的道岔动作电流数据及所述无标记的道岔动作电流数据的特征信息进行处理，确定所述无标记的道岔动作电流数据对应的第二类别标号；
根据所述第二类别标号，确定道岔动作的故障诊断结果。
在其中一个实施例中，所述根据所述分类模型对所述无标记的道岔动作电流数据及所述无标记的道岔动作电流数据的特征信息进行处理，确定所述无标记的道岔动作电流数据对应的第二类别标号，包括：
根据所述无标记的道岔动作电流数据创建第一样本数据集合；
采用所述分类模型，根据所述无标记的道岔动作电流数据的特征信息，对所述第一样本数据集合中的数据进行标记，获得所述第一样本数据集合中的每个数据的第三类别标号；
获取各所述第三类标号对应的第一概率；
将所述第一概率与第一预设阈值进行比较，获取比较结果；
根据所述比较结果确定所述无标记的道岔动作电流数据对应的第二类别标号。
在其中一个实施例中，所述根据所述比较结果确定所述无标记的道岔动作电流数据对应的第二类别标号，包括：
若所述比较结果为所述第一概率大于第一预设阈值，则确定所述第三类别标号为所述无标记的道岔动作电流数据对应的第二类别标号；
所述比较结果为所述第一概率不大于第一预设阈值，则返回执行采用所述分类模型，根据所述无标记的道岔动作电流数据的特征信息，对所述第一样本数据集合中的数据进行标记，获得所述第一样本数据集合中的每个数据的第三类别标号的步骤。
在其中一个实施例中，所述确定所述第三类别标号为所述无标记的道岔动作电流数据对应的第二类别标号之后，所述方法还包括：
将第一概率大于第一预设阈值的第三类别标号对应的数据添加至第二样本数据集合中；
根据所述第二样本数据集合和第三样本数据集合，更新所述分类模型；所述第三样本数据集合为根据所述标记的道岔动作电流数据构建的数据集合。
在其中一个实施例中，所述根获得所述第一样本数据集合中的每个数据的第三类别标号之后，所述方法还包括：
获取所述第一样本数据集合中的各第一数据与第二数据之间的欧式距离；所述第二数据为所述第三样本数据集合中与所述第一数据的类别标号相同的数据；
确定所述欧式距离最短的第一数据为目标数据；
所述获取各所述第三类标号对应的第一概率，包括：
获取所述目标数据的第三类标号对应的第一概率。
在其中一个实施例中，所述根据所述标记的道岔动作电流数据对应的第一类别标号及所述标记的道岔动作电流数据的特征信息，获取分类模型之前，所述方法还包括：
根据预设的特征选择方法，对所述特征信息进行降维处理，获得降维后的特征信息。
在其中一个实施例中，所述根据预设的特征选择方法，对所述特征信息进行降维处理，获得降维后的特征信息，包括：
根据所述特征信息与所述道岔动作的故障类型之间的相关性，对各所述特征信息进行量化，获取所述特征信息的量化值；
确定所述量化值小于第二预设阈值的特征信息为所述降维后的特征信息。
在其中一个实施例中，所述根据预设的特征选择方法，对所述特征信息进行降维处理，获得降维后的特征信息，包括：
获取所述标记的道岔动作电流数据对应的第一类别标号；
根据所述标记的道岔动作电流数据、所述第一类别标号及所述无标记的道岔动作电流数据，获取投影矩阵；所述投影矩阵包括所述标记的道岔动作电流数据的聚类投影，和，所述标记的道岔动作电流数据与所述无标记道岔动作电流数据的几何结构；
根据所述投影矩阵，确定所述降维后的特征信息。
在其中一个实施例中，所述方法还包括：
采用标准差标准化方法对所述道岔动作电流数据进行归一化处理，获得归一化后的电流数据；
所述获取所述道岔动作电流数据对应的特征信息，包括：
获取所述归一化后的电流数据对应的特征信息。
第二方面，一种故障诊断的装置，所述装置包括：
第一获取模块，用于获取所述道岔动作电流数据对应的特征信息；所述道岔动作电流数据包括标记的道岔动作电流数据和无标记的道岔动作电流数据，所述特征信息用于表征所述道岔动作电流数据的属性；
第二获取模块，用于根据所述标记的道岔动作电流数据对应的第一类别标号及所述标记的道岔动作电流数据的特征信息，获取分类模型；所述第一类别标号用于表示道岔动作的故障类型；
第三获取模块，用于根据所述分类模型对所述无标记的道岔动作电流数据及所述无标记的道岔动作电流数据的特征信息进行处理，获取道岔动作的故障诊断结果。
第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取所述道岔动作电流数据对应的特征信息；所述道岔动作电流数据包括标记的道岔动作电流数据和无标记的道岔动作电流数据，所述特征信息用于表征所述道岔动作电流数据的属性；
根据所述标记的道岔动作电流数据对应的第一类别标号及所述标记的道岔动作电流数据的特征信息，获取分类模型；所述第一类别标号用于表示道岔动作的故障类型；
根据所述分类模型对所述无标记的道岔动作电流数据及所述无标记的道岔动作电流数据的特征信息进行处理，获取道岔动作的故障诊断结果。
第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取所述道岔动作电流数据对应的特征信息；所述道岔动作电流数据包括标记的道岔动作电流数据和无标记的道岔动作电流数据，所述特征信息用于表征所述道岔动作电流数据的属性；
根据所述标记的道岔动作电流数据对应的第一类别标号及所述标记的道岔动作电流数据的特征信息，获取分类模型；所述第一类别标号用于表示道岔动作的故障类型；
根据所述分类模型对所述无标记的道岔动作电流数据及所述无标记的道岔动作电流数据的特征信息进行处理，获取道岔动作的故障诊断结果。
上述故障诊断方法、装置、设备和存储介质，终端根据标记的道岔动作电流数据对应的第一类别标号及标记的道岔动作电流数据的特征信息，获取分类模型，进而根据分类模型对无标记的道岔动作电流数据及无标记的道岔动作电流数据的特征信息进行处理，获取道岔动作的故障诊断结果，因此，终端无需获得每一个道岔动作电流数据的标记，即可获得道岔动作的故障诊断结果，提高了道岔动作的故障诊断的效率。
附图说明
图1为一个实施例中道岔动作电流数据的曲线图；
图1a为一个实施例中道岔动作电流数据的曲线图；
图1b为一个实施例中道岔动作电流数据的曲线图；
图1c为一个实施例中道岔动作电流数据的曲线图；
图2为一个实施例中故障诊断方法的流程示意图；
图3为另一个实施例中的故障诊断方法的流程示意图；
图4为另一个实施例中的故障诊断方法的流程示意图；
图5为另一个实施例中的故障诊断方法的流程示意图；
图6为另一个实施例中的故障诊断方法的流程示意图；
图7为另一个实施例中的故障诊断方法的流程示意图；
图7a为一个实施例中的特征信息量化值的柱形图；
图8为另一个实施例中的故障诊断方法的流程示意图；
图8a为一个实施例中的投影矩阵的示意图；
图9为另一个实施例中的故障诊断方法的流程示意图；
图10为一个实施例提供的故障诊断装置的结构示意图；
图11为一个实施例提供的计算结设备的内部结构图。
具体实施方式
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，通常道岔动作的正常过程可以包括解锁过程、转换过程和闭锁过程。道岔动作的电流一般分为a相电流、b相电流和c相电流。正常的道岔动作的电流值变化根据其过程分为三个阶段，分别是解锁阶段、转换阶段和沟通表示阶段。如图1所示，解锁阶段，转辙机需要一个较大启动电流来完成内部解锁，同时带动外锁闭装置解锁道岔；转换阶段，由于转换的过程中没有较大的阻力，因此三相电流维持一个平稳的状态；沟通表示阶段，道岔控制电路被切断，同时道岔的表示电路被接通，因此，电流值会急剧下降，由于转辙机具有放缓的左右，因此，此阶段的电流曲线会形成一个小台阶。此阶段可以区别道岔的转换方向，当道岔从定位向反位转换，此时c相电流值直接回零，a相电流与b相电流形成构通标识回路；当道岔从反位向定位转换，此时b相电流直接回零，a相电流与c相电流构形成通表示回路。
常见的道岔动作故障包括空转故障、卡缺口故障和异常回操故障。其中：
空转故障是指在闭锁过程中，缓放区是没有电流台阶的出现，直到断相保护器自动切断电路，其对应的电流曲线如图1a所示，空转故障的动作时间比正常曲线的时间长。转辙机内部机械故障是造成空转故障的主要原因。
卡缺口故障是指在闭锁过程中，电路无法正常构通，电流值在转换阶段结束后直接回零点，其对应的电流曲线如图1b所示，电流曲线没有出现小台阶的现象。道岔检查柱没有落到表示杆缺口内，自动开闭器的动接点没有接触到位，是造成卡缺口故障的主要原因。
异常状态回操故障是指在转换过程中，回操的时间明显缩短，其对应的电流曲线如图1c所示，转换阶段的时间明显缩短。道岔在上次动作时发生了故障，没有转换到指定位置，本次操作时，道岔返回原位置，回操的时间就会明显缩短。异物卡入导致道岔锁闭时尖轨不能完全到位是造成异常状态回操故障的主要原因。
目前铁路部门为防止事故发生，采用基于机器学习算法的预测模型对道岔故障进行诊断，例如，采用神经网络算法对预测模型的道岔故障进行诊断，需要利用专业知识对大量历史数据进行人工标记，安排专业人员每天查看道岔电气特性曲线，通过与正常运行的道岔监测数据做对比，来识别道岔故障。然而这种道岔动作故障诊断的方式，需要大量的人力和物力，并且容易出现对道岔动作故障的误判和漏判，严重影响故障诊断的效率。本申请提供的故障诊断的方法、装置、设备和存储介质，旨在解决道岔动作故障诊断效率低的问题。
本实施例提供的评论回复方法，可以适用于故障诊断的终端中，故障诊断的终端可以为智能手机、平板电脑、笔记本电脑、台式电脑或个人数字助理等具有数据处理功能的电子设备，本实施例对故障诊断终端的具体形式不做限定。
需要说明的是，本发明实施例提供的故障诊断的方法，其执行主体可以是故障诊断的装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为故障诊断终端的部分或者全部。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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。
图2为一个实施例中故障诊断方法的流程示意图。本实施例涉及的是终端训练分类模型，进而根据该分类模型对无标记的道岔动作电流数据及其特征信息进行处理，获取道岔动作的故障诊断结果的具体过程，如图2所示，该方法包括以下步骤：
s101、获取道岔动作电流数据对应的特征信息；道岔动作电流数据包括标记的道岔动作电流数据和无标记的道岔动作电流数据，特征信息用于表征道岔动作电流数据的属性。
具体的，道岔动作电流数据可以是一组电流值，也可以是一条电流曲线，本申请实施例对此不做限制。标记的道岔动作电流数据为标记出故障类型的电流数据，例如，可以将正常的道岔动作标记为正常道岔动作，将空转故障的道岔动作标记为空转道岔动作，将卡缺口故障的道岔动作标记为卡接口道岔动作，将异常回操故障的道岔动作标记为异常回操道岔动作。特征信息可以用于表征道岔动作电流数据的属性，道岔动作电流数据的属性可以包括三相电流在道岔动作的解锁阶段、转换阶段和沟通表示阶段的最大值、最小值、平均值、方差、标准差、中位数、极差以及电流点的个数等，本申请实施例对此不做限制。例如，道岔动作每一相电流数据的特征信息如下向量表示：
其对应的总体的特征信息可以表示为：
feature＝[featurea,featureb,featurec]或feature＝[featurea,featurec,featureb]；
在具体的获取道岔动作电流数据对应的特征信息的过程中，其可以是通过调用历史的道岔动作电流数据，也可以是实时获取到超动作电流数据，本申请实施例对此不做限制。获取的道岔动作电流数据可以是标记过的道岔动作电流数据，也可以是无标记过的道岔动作电流数据，本申请实施例对此不做限制。
s102、根据标记的道岔动作电流数据对应的第一类别标号及标记的道岔动作电流数据的特征信息，获取分类模型；第一类别标号用于表示道岔动作的故障类型。
具体的，第一类别标号可以用于表示道岔动作的故障类型，可以是表示标记的道岔动作的故障类型，其可以数字、文字、英文代码等，本申请实施例对此不做限制。以第一类别标号为数字为例，道岔动作正常的电流数据的第一类别标号为0；道岔动作的故障是空转故障的电流数据的第一类别标号为1；道岔动作的故障是卡接口故障的电流数据的第一类别标号为2；道岔动作的故障是异常回操故障的电流数据的第一类别标号为3。
上述分类模型可以是一个数学模型，可以用于将道岔动作分为正常的道岔动作和故障的道岔动作，进一步地，可以对障的道岔动作进行故障类型划分。分类模型可以是根据预设的规则进行故障类型进行分类的分类模型，也可以是根据固定的训练样本集合对故障类型进行学习得到的模型，还可以是根据训练样本集合获取道岔动作电流的标记，进而根据道岔动作电流的标记更新该训练样本集合，获得新的训练样本集合，再根据新的训练样本集合来对故障类型进行学习得到的模型，本申请实施例对此不做限制。例如，可以采用高斯朴素贝叶斯方法构建预测模型获得的分类模型，该分类模型利用少量的标记的道岔动作电流数据和部分无标记的道岔动作电流数据来训练高斯朴素贝叶斯分类器，获得分类模型。
s103、根据分类模型对无标记的道岔动作电流数据及无标记的道岔动作电流数据的特征信息进行处理，获取道岔动作的故障诊断结果。
具体的，故障诊断结果可以用于表示道岔动作是否出现故障以及故障时的道岔动作的故障类型，其可以是确定道岔动作为何种故障类型，也可以是表示道岔动作属于某一种故障类型的概率。本申请实施例对此不做限制。在上述s102的基础上，获得分类模型后，采用该分类模型，对无标记的电流数据及其特征信息进行处理，获得道岔动作的故障诊断结果。其可以是将无标记的电流数据及其特征信息直接通过分类模型进行分类，获得该无标记道岔动作的故障诊断结果；也可以是先将无标记的电流数据的特征信息进行降维处理，减少特征信息的个数，获得新的特征信息，再根据无标记的电流数据及新的特征信息，通过分类模型进行分类，获得该无标记道岔动作的故障诊断结果；本申请实施例对此不做限制。
上述故障诊断方法，终端根据标记的道岔动作电流数据对应的第一类别标号及标记的道岔动作电流数据的特征信息，获取分类模型，进而根据分类模型对无标记的道岔动作电流数据及无标记的道岔动作电流数据的特征信息进行处理，获取道岔动作的故障诊断结果，因此，终端无需获得每一个道岔动作电流数据的标记，即可获得道岔动作的故障诊断结果，提高了道岔动作的故障诊断的效率。
图3为另一个实施例中的故障诊断方法的流程示意图。如图3所示，s103“根据分类模型对无标记的道岔动作电流数据及无标记的道岔动作电流数据的特征信息进行处理，获取道岔动作的故障诊断结果”一种可能的实现方式包括：
s201、根据分类模型对无标记的道岔动作电流数据及无标记的道岔动作电流数据的特征信息进行处理，确定无标记的道岔动作电流数据对应的第二类别标号。
其中，第二类别类型可以用于表示无标记的道岔动作的故障类型，其可以数字、文字、英文代码等，本申请实施例对此不做限制。在上述实施例的基础上，获得分类模型后，采用该分类模型，对无标记的电流数据及其特征信息进行处理，获得无标记的道岔动作电流数据对应的第二类别标号。其可以是无标记的电流数据及其特征信息直接通过分类模型对其进行分类，获得第二类型标记；也可以是先将无标记的电流数据的特征信息进行归一化处理，获取归一化处理后的新的特征信息，再根据无标记的电流数据及新的特征信息，通过分类模型进行分类，获得第二类型标记；本申请实施例对此不做限制。
例如，若第二类型标记为数字标识，假设为0、1、2和3。获取了分类模型后，分类模型为预设规则为三相电流在道岔动作的沟通表示阶段时的电流大于0.5a对应的第二类型标记为1,，将无标记的电流数据及其特征信息，通过分类模型对其进行分类，获得沟通表示阶段时的电流大于0.5a的无标记道岔动作电流数据的第二类型标记为1。
s202、根据第二类别标号，确定道岔动作的故障诊断结果。
具体的，由于第二类别标号可以用于表示无标记的道岔动作的故障类型，根据第二类别标号，确定道岔动作的故障类型，即为故障诊断结果。例如，第二类别标号为数字标识，假设为0、1、2和3。其中第二类别标号为0时，对应道岔动作为正常的道岔动作；第二类别标号为1时，对应道岔动作为空转故障的道岔动作；第二类别标号为2时，对应道岔动作为卡接口故障的道岔动作；第二类别标号为3时，对应道岔动作为异常回操故障的道岔动作。
上述故障诊断方法，终端根据分类模型对无标记的道岔动作电流数据及无标记的道岔动作电流数据的特征信息进行处理，确定无标记的道岔动作电流数据对应的第二类别标号，并根据第二类别标号，确定道岔动作的故障诊断结果。本实施例中，终端根据分类模型确定无标记的道岔动作电流数据对应的第二类别标号，并根据该第二类别标号，确定道岔动作的故障诊断结果，因此，终端无需获得每一个道岔动作电流数据的标记，即可获得道岔动作的故障诊断结果，提高了道岔动作的故障诊断的效率。
图4为另一个实施例中的故障诊断方法的流程示意图。如图4所示，s201“根据分类模型对无标记的道岔动作电流数据及无标记的道岔动作电流数据的特征信息进行处理，确定无标记的道岔动作电流数据对应的第二类别标号”一种可能的实现方式包括：
s301、根据无标记的道岔动作电流数据创建第一样本数据集合。
具体的，第一样本数据集合可以是多个无标记的道岔动作电流数据的集合，其可以是全部的无标记道岔动作电流数据，也可以是部分的无标记道岔动作电流数据，本申请实施例对此不做限制。由于道岔动作电流数据可以包括三相电流，第一样本数据集合可以将三相电流的数据分别集合，也可以将三相电流的数据共同集合，本申请实施例对此不做限制。
s302、采用分类模型，根据无标记的道岔动作电流数据的特征信息，对第一样本数据集合中的数据进行标记，获得第一样本数据集合中的每个数据的第三类别标号。
具体的，第三类别标号可以用于表示第一样本数据集合中无标记的道岔动作的故障类型，其中，第一样本数据集合中的各无标记的道岔动作可以对应至少一个第三类别标号。例如，第一样本数据集合中的无标记的道岔动作1、道岔动作2和道岔动作3分别对应了1个、2个和3个第三类别标号，其中道岔动作1对应的第三类别标号为0，道岔动作2对应的第三类别标号为1、2，道岔动作3对应的第三类别标号为0、1、3。
在具体的获得第一样本数据集合中的每个数据的第三类别标号时，在上述实施例的基础上，获得分类模型，采用该分类模型，根据无标记的道岔动作电流数据的特征信息，对第一样本数据集合中的数据进行标记，获得第一样本数据集合中的每个数据的第三类别标号。其可以是获取第一样本数据集合中一个数据的所有第三类别标号，再获得另一个数据的所有第三类别标号；还可以是获取第一样本数据集合中每一个数据的一个第三类别标号，再获取每一个数据的另一个第三类别标号；本申请实施例对此不做限制。
s303、获取各第三类标号对应的第一概率。
具体的，第一概率可以用于表示样本数据属于各第三类别标号的概率，可以是样本数据属于一个第三类别标号的概率，也可以是属于多个第三类别标号的概率，本申请实施例对此不做限制。其可以是直接获取样本数据属于各第三类别标号的概率，也可以是通过获得各样本数据被误标记为一个第三类别标号后的期望损失，来获得该样本数据属于各第三类别标号的概率。例如，第一样本数据集合中的样本数据有n种可能的类别标记，即y＝{c1,c2,…,cn}，λij表示将实际标记为cj的样本误分类为ci所产生的误判损失。基于后验概率p(cj|x),可获得将样本x分类ci所产生的期望损失，即在样本数据x上的“条件风险”为：
进而通过寻找一个判定准侧，使得第一样本数据集合中的每个样本数据选择条件风险最小的类别标号。由于误判损失λij可以写为：
此时，条件风险可以表示为：
r(c|x)＝1-p(c|x)
进而根据条件风险的概率(r(c|x))来获取该样本数据属于第三类别标号的第一概率为f(r(c|x))。
s304、将第一概率与第一预设阈值进行比较，获取比较结果。
具体的，第一预设阈值可以是用户根据经验设置的一个概率值，也可以是通过机器学习获得的一个概率值，本申请实施例对此不做限制。其可以是一个固定的数值，也可以是根据机器学习的结果不断调整的数值，本申请实施例对此不做限制。比较结果可以是表示第一概率与第一预设阈值之间的大小关系，可以是第一概率大于第一预设阈值，也可以是第一概率小于第一预设阈值，还可以是第一概率等于第一预设阈值，本申请实施例对此不做限制。
例如，在上述实施例的基础上，获得的样本数据x的第一概率为样本数据x属于第三样本类别标号为0的概率为5％,样本数据x属于第三样本类别标号为1的概率为3％,样本数据x属于第三样本类别标号为2的概率为4％,样本数据x属于第三样本类别标号为3的概率为95％,若根据用户经验设置的第一预设阈值为93％，则比较结果为样本数据x属于第三样本类别标号为0的概率小于第一预设阈值，样本数据x属于第三样本类别标号为1的概率小于第一预设阈值，样本数据x属于第三样本类别标号为2的概率小于第一预设阈值,样本数据x属于第三样本类别标号为3的概率大于第一预设阈值。
s305、根据比较结果确定无标记的道岔动作电流数据对应的第二类别标号。
例如，若比较结果为第一概率大于第一预设阈值，则可以确定该比较结果对应的无标记的道岔电流数据对应第三类别标号为第二类别标号。再例如，比较结果为样本数据x属于第三样本类别标号为0的概率小于第一预设阈值，样本数据x属于第三样本类别标号为1的概率小于第一预设阈值，样本数据x属于第三样本类别标号为2的概率小于第一预设阈值,样本数据x属于第三样本类别标号为3的概率大于第一预设阈值。根据该比较结果确定为样本数据x对应的无标记的道岔动作电流数据对应的第二类别标号为3。
可选地，若比较结果为所述第一概率大于第一预设阈值，则确定所述第三类别标号为所述无标记的道岔动作电流数据对应的第二类别标号。
可选地，若比较结果为所述第一概率不大于第一预设阈值，则返回执行采用分类模型，根据无标记的道岔动作电流数据的特征信息，对第一样本数据集合中的数据进行标记，获得第一样本数据集合中的每个数据的第三类别标号的步骤。
上述故障诊断方法，终端根据第三类别标号对应的第一概率与第一预设阈值之间比较结果，确定无标记道岔动作电流数据对应的第二类别标号，进而确定道岔动作的故障诊断结果，因此，终端无需获得每一个道岔动作电流数据的标记，即可获得道岔动作的故障诊断结果，提高了道岔动作的故障诊断的效率。
图5为另一个实施例中的故障诊断方法的流程示意图。本实施例涉及的根据新的标记道岔动作电流数据及其特征信息来更新分类模型的具体过程，如图5所示，在确定所述第三类别标号为所述无标记的道岔动作电流数据对应的第二类别标号之后，该方法包括：
s401、将第一概率大于第一预设阈值的第三类别标号对应的数据添加至第二样本数据集合中。
具体地，第一概率大于第一预设阈值的第三类别标号对应的数据可以包括道岔动作电流数据及其对应的第二类别标号。例如，在上述实施例的基础上，若比较结果为样本数据x属于第三样本类别标号为0的概率小于第一预设阈值，样本数据x属于第三样本类别标号为1的概率小于第一预设阈值，样本数据x属于第三样本类别标号为2的概率小于第一预设阈值,样本数据x属于第三样本类别标号为3的概率大于第一预设阈值。根据该比较结果将该样本数据x及其对应的第二类别标号3加入第二样本数据集合中。
s402、根据第二样本数据集合和第三样本数据集合，更新分类模型；第三样本数据集合为根据标记的道岔动作电流数据构建的数据集合。
具体的，第三样本数据集合可以包括全部的标记的道岔动作电流数据，也可以包括部分标记的道岔动作电流数据，本申请实施例对此不做限制。在上述实施例的基础上，可以是采用统计学方式直接根据第二样本数据集合和第三样本数据集合中的样本数据，更新该分类模型，也可以是采用机器学习方式通过对第二样本数据集合和第三样本数据集合中的样本数据更新分类模型。
上述故障诊断方法，由于更新后的分类模型是根据更多的标记的道岔动作电流数据获得的，因此，采用该分类模型对对无标记的道岔动作电流数据及无标记的道岔动作电流数据的特征信息进行处理，可以获得更加准确的道岔动作的故障诊断结果，进一步提升了道岔动作的故障诊断结果的效率。
图6为另一个实施例中的故障诊断方法的流程示意图。本实施例涉及的是终端获得目标数据的第三类别标号对应的第一概率的具体过程，如图6所示，该方法包括：
s501、获取第一样本数据集合中的各第一数据与第二数据之间的欧式距离；第二数据为第三样本数据集合中与第一数据的类别标号相同的数据。
具体的，第二数据的类别标号为一个确定的类别标号，第一数据的类别标号可以是多个类别标号，可以将第一数据和第二数据投影到三维空间中，第一数据和第二数据之间存在几何结构，根据该几何结构可以获得第一数据和第二数据欧式距离。
s502、确定欧式距离最短的第一数据为目标数据。
具体的，在s502的基础上，获取第一数据和第二数据之间的欧式距离，由于无标记的道岔动作电流数据可以为多个数据，因此会有多个第一数据对应一个第二数据，确定其中欧式距离最短的第一数据为目标数据。
s503、获取目标数据的第三类标号对应的第一概率。
具体的，在s502的基础上，在确定了目标数据后，假设该目标数据对应了4个第三类别标号，分为为0、1、2、3。分别获取第三类别标号0的第一概率、第三类别标号1的第一概率、第三类别标号2的第一概率和第三类别标号3的第一概率。
上述故障诊断的方法，终端通过获取与第二数据的欧式距离最近的第一数据对应的第一概率，减少了第三类别标号对应的第一概率个数，再根据减少的第一概率与第一预设阈值之间比较结果，确定无标记道岔动作电流数据对应的第二类别标号，进而确定道岔动作的故障诊断结果，使得终端可以通过更少的比较结果获得故障诊断结果，进一步提高了道岔动作的故障诊断的效率。
可选地，终端在根据标记的道岔动作电流数据对应的第一类别标号及标记的道岔动作电流数据的特征信息，获取分类模型之前，还可以根据预设的特征选择方法，对特征信息进行降维处理。下面通过图7-8来详细说明终端是如何对特征信息进行降维。
图7为另一个实施例中的故障诊断方法的流程示意图。本实施例涉及的是终端通过特征信息与故障类型之间的相关性对特征信息进行降维的具体过程。如图7所示，该方法包括：
s601、根据特征信息与道岔动作的故障类型之间的相关性，对各特征信息进行量化，获取特征信息的量化值。
具体的，各特征信息对应的故障类型存在着相关性，例如，在空转故障的道岔动作中，在沟通表示阶段，该段电流的最大值、最小值、平均值均大于正常的道岔动作对应的电流的最大值、最小值、平均值，因此可以通过其中一个特征信息，假设是平均值来确定道岔动作的故障类型。
在获取特征信息的量化值时，可以通过卡方验证，来获取每个特征信息与故障类型的相关性的量化值。例如，通过卡方验证，计算各个特征信息的量化值p，获得的各个特征信息的p值以柱形图的形式表示，如图7a所示。其中，横坐标表示各特征的序号，纵坐标表示p值。
s602、确定量化值小于第二预设阈值的特征信息为降维后的特征信息。
具体的，第二预设阈值可以是用户根据经验设置的一个数值，也可以是通过机器学习获得的一个数值，量化值小于第二预设阈值的特征信息，表示该特征信息与故障类型的相关性越高，因此确定量化值小于第二预设阈值的特征信息为降维后的特征信息。例如，用户根据经验设置第二预设阈值为0.001，在上述实施例基础上获得的特征信息的量化值p值，确定p值小于0.001的特征信息，可以认该特征信息与故障类型相关性很高相关。根据图7a中的结果，得到序号为：15、39、63、23、71、32、8、56、29、5、53、26、50、30、2、6、54的特征信息为降维后的特征信息。以表格的形式给出它们的含义，如下表所示：
上述故障诊断方法，终端通过特征信息与故障类型的相关性，减少了特征信息的个数，降低了分类模型对特征信息处理的数据量，进而降低了终端处理的时间，获得道岔动作的故障诊断结果，进一步地提升了道岔动作的故障诊断结果的效率。
可选地，终端还可以通过由标记的道岔动作电流数据、第一类别标号及无标记的道岔动作电流数据确定的投影矩阵来对特征信息进行降维处理，如图8所示，该方法包括：
s701、获取标记的道岔动作电流数据对应的第一类别标号。
具体的，标记的道岔动作电流数据可以是确定了故障类型的道岔动作电流数据，因此标记的道岔动作电流数据对应一个确定的第一类别标号。例如，标记的道岔动作电流数据为正常的道岔动作电流数据，则该标记的道岔动作电流数据对应的第一类别标号可以为0。
s702、根据标记的道岔动作电流数据、第一类别标号及无标记的道岔动作电流数据，获取投影矩阵；投影矩阵包括标记的道岔动作电流数据的聚类投影，和，标记的道岔动作电流数据与无标记道岔动作电流数据的几何结构。
具体的，投影矩阵可以是数据在三维空间中的表示方法，其可以包括标记的道岔动作电流数据的聚类投影，标记的道岔动作电流数据与无标记道岔动作电流数据的几何结构。该聚类投影可以表示标识的道岔动作电流数据在三维空间中的位置信息。例如，将300条道岔动作电流数据进行标记，其中属于第0类标记的动作电流数据为240条，属于第1、2、3类标记的数据分别为20条，
在具体获取投影矩阵的过程中，可以通过半监督判别分析获得投影矩阵，利用标记的电流数据和无标记电流数据去构造一个包含数据集邻域信息的图，如图8a所示，该图提供了一个相对于数据流形局部几何的离散的近似值。假设，一个标记的训练样本集
目标函数也可以分解成三个部分，各部分表示为：
s703、根据投影矩阵，确定降维后的特征信息。
具体的，在s702的基础上，获取投影矩阵后，根据各特征信息在投影矩阵上的几何位置，确定降维后的特征信息，其可以是确定与标记的特征信息在欧式距离最近的特征信息为降维后的特征信息，也可以是确定距离标记的特征信息预设的范围内的特征信息为降维后的特征信息，本申请实施例对此不做限制。
上述故障诊断方法，终端通过投影矩阵减少了特征信息的个数，降低了分类模型对特征信息处理的数据量，进而降低了终端处理的时间，获得道岔动作的故障诊断结果，进一步地提升了道岔动作的故障诊断结果的效率。
图9为另一个实施例中的故障诊断方法的流程示意图。本实施例涉及的是终端获取归一化后的电流数据对应的特征信息的具体过程，如图9所示，该方法包括：
s801、采用标准差标准化方法对道岔动作电流数据进行归一化处理，获得归一化后的电流数据。
具体的，标准差标准化方法可以是根据原始数据的均值和标准差将数据进行标准化，经过标准差标准化处理的数据符合正态分布，使经过标准化的数据的均值为1，方差为0。具体的步骤可以包括：a、求出各特征的算数平均值μ和标准差σ；b、根据公式
s802、获取归一化后的电流数据对应的特征信息。
具体的，在获取了归一化后的电流数据，根据该电流数据，分别获取其在三相电流在道岔动作的解锁阶段、转换阶段和沟通表示阶段的最大值、最小值、平均值、方差、标准差、中位数、极差以及电流点的个数，即为归一化后的特征信息。
上述故障诊断方法，终端采用分类模型对无标记的道岔动作电流数据及归一化后的特征信息进行处理，获取道岔动作的故障诊断结果，因此，终端处理数据更加简单，使得终端采用分类模型处理特征信息的效率提高，进而提高了道岔动作的故障诊断效率。
应该理解的是，虽然图2-9的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-9中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行。
图10为一个实施例提供的故障诊断装置的结构示意图。如图10所示，该故障诊断装置，包括：第一获取模块10、第二获取模块20和第三获取模块30，其中：
第一获取模块10，用于获取所述道岔动作电流数据对应的特征信息；所述道岔动作电流数据包括标记的道岔动作电流数据和无标记的道岔动作电流数据，所述特征信息用于表征所述道岔动作电流数据的属性；
第二获取模块20，用于根据所述标记的道岔动作电流数据对应的第一类别标号及所述标记的道岔动作电流数据的特征信息，获取分类模型；所述第一类别标号用于表示道岔动作的故障类型；
第三获取模块30，用于根据所述分类模型对所述无标记的道岔动作电流数据及所述无标记的道岔动作电流数据的特征信息进行处理，获取道岔动作的故障诊断结果。
本发明实施例提供的故障诊断装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于一种故障诊断装置的具体限定可以参见上文中对于故障诊断方法的限定，在此不再赘述。上述故障诊断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备被处理器执行时以实现一种评论回复方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取所述道岔动作电流数据对应的特征信息；所述道岔动作电流数据包括标记的道岔动作电流数据和无标记的道岔动作电流数据，所述特征信息用于表征所述道岔动作电流数据的属性；
根据所述标记的道岔动作电流数据对应的第一类别标号及所述标记的道岔动作电流数据的特征信息，获取分类模型；所述第一类别标号用于表示道岔动作的故障类型；
根据所述分类模型对所述无标记的道岔动作电流数据及所述无标记的道岔动作电流数据的特征信息进行处理，获取道岔动作的故障诊断结果。
本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取所述道岔动作电流数据对应的特征信息；所述道岔动作电流数据包括标记的道岔动作电流数据和无标记的道岔动作电流数据，所述特征信息用于表征所述道岔动作电流数据的属性；
根据所述标记的道岔动作电流数据对应的第一类别标号及所述标记的道岔动作电流数据的特征信息，获取分类模型；所述第一类别标号用于表示道岔动作的故障类型；
根据所述分类模型对所述无标记的道岔动作电流数据及所述无标记的道岔动作电流数据的特征信息进行处理，获取道岔动作的故障诊断结果。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
- 还没有人留言评论。精彩留言会获得点赞！