【学习】基于深度学习的铁路道岔转辙机故障诊断（1绪）

BEFORE

CNN:卷积神经网络
CNN-GRU(卷积门控循环单元)
ROC:一种曲线

FILE

ABSTRACT

基本描述

• 道岔是铁路设备的关键部件
• 转辙机同样是铁路设备的重要部件主要用来转换道岔

当前现状

• 目前我国铁路运行监测系统通过对转辙机进行定期检修和设天窗点维修的手段来保证转辙机安全可靠的运行
• 依靠人工的经验对转辙机进行故障识别,很容易因为经验问题带来对故障的漏判和错判从而危及行车安全。

key point

• 转辙机的油压信号是反映转辙机运行是否正常的一个重要特征和依据。
• 在转辙机转换过程的不同阶段油缸的压力会有不同的变化
• 在转辙机转换过程的不同阶段油缸的压力会有不同的变化
• 所以根据转辙机油压的变化并和正常情况进行对照可以判断出转辙机转换过程中是否出现了异常的情况。

CONCLUSION

• 以转辙机为研究对象
• 优势所在
  • 结合CNN对数据局部特征提取
  • RNN对时间序列数据处理
• 使用ROC模型评估指标对故障诊断模型进行评估
• 最终基于CNN-GRU模型开发了基于深度学习的道岔转辙机故障诊断系统

一、绪论

0. 当前主要的判别方法

信号检测系统-
通过特定设备传感器获取设备运行数据-
绘制实时的曲线-
判别设备目前的运行状况- 
1
2
3
4

常用到的数据

• 电流信号
• 电压信号
• 油压信号
• 位移信号

维修人员可以根据曲线特征分析和定位故障位置。

传感器时常失灵，需要人工排查到故障的传感器。

本文选取电液转辙机为研究对象，采集其转换道岔工作过程中的油压压力数据，对原始压力数据进行处理，用作转辙机故障诊断的实验数据。

1. 故障诊断研究现状

1.1 信号处理与特征提取

故障诊断的前提： 获取设备运行的信号并通过传感器传输

国外方法

• 用希尔罗伯特变换计算的瞬时均方根值作为故障标识符
• 基于信号分割的卷积神经网络方法
• 基于遗传算法的多特征选择机制

国内方法

• 基于最大无偏相关谱峭度法
• 信号处理方法，解决使用经验模态分解导致齿轮箱故障中出现分解度低的问题
• 二阶非对称随机共振方法
• 基于改进经验小波变换（IEWT）和改进分形网络（IFractalNet）的诊断方法
• 基于 Envelope 函数与包络阶次谱的变工况下滚动轴承故障诊断方法

1.2 基于知识推理方面

知识推理所使用的方法不需要认为提取特征

国外

• 基于数据和过程知识驱动技术的组合方法，提出一种用于故障检测和诊断（FDD）的新颖方法
• 一种动态贝叶斯网络（DBN）的故障诊断方法

国内

• 提出一种基于改进遗传算法的神经网络故障诊断方法
• 一种基于遗传算法优化 BP 神经网络动车组塞拉门故障预测方法

1.3 识别分类与智能决策方面

故障诊断系统目前正逐步走向智能化

• 专家系统
• 模糊集理论
• 人工神经网络
• 支持向量机
• 迁移学习

国内国外的研究方法

2. 铁路道岔转辙机故障诊断研究现状

转辙机在铁路系统中有着非常重要的作用，所以对转辙机进行故障诊断是非常必要的。近些年已经有很多的学者对道岔转辙机的故障诊断做了大量的研究工作。

国外

• 一种使用动态时间规整的诊断方法来管理 RPM运动持续时间的变化的方法
• 一种数据挖掘解决方案

国内

• 贝叶斯网络的复式交分道岔故障诊断的方法
• 使用 NNC 分类器来对道岔动作电流曲线进行智能故障识别
• 基于转辙机动作电流数据提出基于快速动态时间规划算法用于道岔故障智能诊断
• 遗传算法进行改进并与小波变换和神经网络相结合通过对转辙机的功率曲线分析实现对转辙机的故障诊断

随着深度学习的不断发展。深度学习的技术也开始在铁路道岔转辙机故障诊断领域得到广泛的应用

3. 研究现状分析

当前的研究过程

1. 先获取转辙机运行过程中的数据
2. 对这些数据进行预处理和特征提取
3. 使用识别和分类算法对故障进行诊断和分类

3.1 仍然存在的问题

1. 道岔转辙机的故障诊断研究参数单一
2. 故障诊断的研究方法任然是传统方法

3.2 本文针对存在问题的解决方案

1. 采取油压数据作为转辙机的故障数据
2. 采用深度学习的故障诊断方法
3. 开发出CNN-GRU的故障诊断系统，在提出的故障诊断模型基础上使用pyqt5开发故障诊断系统

3.3 深度学习解决问题的原理

1. CNN 可以自动提取特征，并且由于油压信号也是时间序列
   数据所以在使用 RNN 提取数据的时间序列特征。
2. RNN 当输入较长的时间序列时很难把
   较早的信息传递到后面，所以使用 GRU 提取油压信号的时序特征。
3. 结合 CNN 和 GRU 的优点搭建 CNN-GRU 故障诊断模型。使用油压信号数据对模型进行训练、测试以及优化。

实验表明提出的 CNN-GRU 故障诊断模型对转辙机具有良好的故障识别率

二、论文结构安排

CHAP1 绪论

• 分析当前的社会情况和现状
• 对课题研究背景和意义进行详细阐述
• 对国内外故障诊断方法，故障诊断研究成果进行简单描述

CHP2 道岔转辙机的介绍和故障分析

• 介绍转辙机的基本结构和转换锁闭器的基本结构
• 转辙机的液压系统
• 对常见故障进行分析
• 分析转辙机正常情况下的转换工作情况对五个阶段进行详细的分析
  • 对五类故障原因进行分析并给出五类故障的曲线

CHP3 CNN-GRU故障模型的设计

• 一维卷积神经网络
  • 卷积层
  • 激活函数
  • 池化层
  • 全连接层
  • 归一化操作
• GRU循环神经网络
  • RNN的基本结构
  • GRU的基本网络结构
• CNN-GRU网络结构故障诊断模型对转辙机进行故障诊断的可行性分析
• CNN-GRU故障诊断模型的网络结构，给出模型每一层的输出大小和模型主要层的网络结构图

CHP4 故障诊断实验结果与分析

• 画出实验所使用的数据集的曲线图
• 给出模型实验环境以及模型训练的初始参数
• 对比实验验证不同优化器诊断结果
  • ROC方法对故障诊断模型进行对比

CHP5 系统的设计和实现

• 对系统的架构进行设计
  • 数据层
  • 业务层
  • 表现层
• 对系统功能进行设计，给出系统流程图
• PYQT5搭建的故障诊断系统

CHP6 总结与展望

• 对全文工作内容和研究成果进行总结
• 分析了目前研究存在的不足
• 提出今后需要进一步提高和完善的地方

三、OHTER

PAGE1-12