【读论文】基于深度学习的铁路道岔转辙机故障诊断（1绪）

已于 2022-11-08 17:00:23 修改
阅读量2k 收藏 13
点赞数
分类专栏： 读论文 文章标签： 深度学习 学习 神经网络
于 2022-10-28 09:09:32 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44943389/article/details/127564986
版权

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-

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

基于LSTM多时间序列特征提取的铁路道岔故障智能诊断方法
04-07
内容概要：本文详细介绍了利用长短期记忆模型（LSTM）结合神经网络进行铁路道岔故障诊断的方法。道岔作为铁路系统中的关键设备，其工作状态直接影响列车的安全运行。传统的故障诊断方法依赖于人工对比电流曲线，效率低且易受主观因素影响。文中提出了一种基于LSTM的自动化诊断方法，通过处理道岔动作电流的时间序列数据，自动提取特征并进行故障分类。具体实现包括使用双向LSTM捕捉时序依赖关系、引入残差连接避免深层网络退化、采用动态学习率调整策略提高模型泛化能力等。实验结果显示，该方法在训练集上达到100%准确率，在测试集上也保持了99.7%的高精度，成功应用于多个铁路局，显著提升了道岔故障预警的及时性和准确性。 适合人群：从事铁路系统维护、故障诊断的研究人员和技术人员，以及对时间序列数据分析感兴趣的开发者。 使用场景及目标：适用于铁路道岔的实时监测和故障预测，旨在提高铁路系统的安全性，减少因道岔故障引发的事故风险。通过自动化诊断替代传统人工巡检，降低人力成本，提高工作效率。 其他说明：该方法不仅提高了故障诊断的准确性和效率，还展示了在工业场景中应用深度学习技术的巨大潜力。未来有望进一步扩展到更多类型的铁路设备和其他行业，推动智能化运维的发展。
s700k道岔运行数据
04-22
s700k道岔运行数据
【读论文】基于深度学习的铁路道岔转辙机故障诊断（2INTRO）
weixin_44943389的博客
10-28 905
原始油压数据信号在采集过程中，易收到外界以及一起的影响，导致采集数据存在波动，本文采取一种方法对数据进行预处理。使用预处理后的数据作为故障模型训练和测试数据。采集仪的动作时间14s，采样频率是50HZ。转辙机转换过程分为5个阶段。使用采集设备采集油压数据。转辙机正常工作的压力曲线。论文使用的转辙机故障种类。
【读论文】基于深度学习的铁路道岔转辙机故障诊断（3DESIGN）
weixin_44943389的博客
10-28 435
卷积神经网络是一种以卷积的计算为基础通过自动提取输入数据的特征对数据进行分类的学习方法。卷积神经网络是神经网络算法的分支，是一种新型的深度学习思想。
ic读卡器设置工具_射频集成电路设计中所用到的设计工具和测试设备介绍
weixin_32673065的博客
12-25 625
射频集成电路设计中所用到的设计工具毫米波电路通常使用无源器件，这可能是波长的很大一部分, 因此在这些器件中传播的波具有相关的电场和磁场，这些电场和磁场决定了器件的终端负载特性以及对附近部件和元件的耦合效应。 这些特性必须量化，以实现设备建模、布局评估或新的结构设计。 为了获得场分布和相关的散射参数，有必要计算复杂电磁方程的解。 然而，随着仿真软件的使用，这一任务已经大大简化。 目前大部分工程师都能...
S700K道岔故障诊断数据txt及故障诊断算法
qq_36744350的博客
04-22 2924
针对不依赖先验知识和历史数据的数学模型方法，其优点在于能够快速的进行故障的诊断，并且其诊断精度高。
便携式转辙机软件故障诊断
03-06
根据6502 电气集中道岔控制电路原理，设计了一种基于Atmega16 处理器和电流传感器...测试结果表明：该测试仪能够完整地采集到转辙机工作时的信息， 且性能稳定， 可以帮助电务人员检验配线的正确与否以及诊断道岔故障。
基于深度学习集成的高速铁路信号设备故障诊断方法.pdf
08-18
本文提出了一种基于深度学习集成的高速铁路信号设备故障诊断方法，该方法首先构建了两级信号道岔故障诊断类别，即根据信号道岔设备故障文本数据，结合专家经验，来构建相应的故障诊断类别。在构建故障诊断类别后，本...
基于机器学习的道岔故障诊断与预测研究综述.pdf
09-24
目前，机器学习在道岔故障检测和诊断领域的研究主要集中在以下几个方面：基于机器学习的道岔故障诊断算法研究、基于机器学习的道岔故障预测研究、基于机器学习的道岔健康管理研究等。 机器学习在道岔故障检测和诊断...
基于改进支持向量域描述的道岔转辙机运行状态异常检测.pdf
10-15
基于改进支持向量域描述的道岔转辙机运行状态异常检测是铁路信号系统中的一种关键技术。该技术的提出是为了解决铁路道岔转辙机缺乏大量异常样本来实施其运行状态异常检测的问题。通过改进支持向量域描述（SVDD）算法...
基于小样本的高速铁路接触网图像检测分析竞赛-ICIG数据集
08-02
基于小样本的高速铁路接触网图像检测分析竞赛-ICIG数据集
城市轨道客流时间序列数据集
04-07
城市轨道客流时间序列数据集
基于LSTM多时间序列特征提取与智能识别的道岔故障诊断方法研究与应用,DL00299-基于LSTM多时间序列特征提取的道岔故障诊断方法 道岔是保证列车安全运营的重要室外信号设备之一，道岔转过程的工作状
02-06
基于LSTM多时间序列特征提取与智能识别的道岔故障诊断方法研究与应用,DL00299-基于LSTM多时间序列特征提取的道岔故障诊断方法 道岔是保证列车安全运营的重要室外信号设备之一，道岔转过程的工作状态可以由道岔动作电流曲线的变化情况来反映。 对比正常道岔动作电流和道岔故障时的动作电流之间的差异，从中判断出道岔的电气特性、时间特性和机械特性，及时判断道岔的实时工作状态。 本文采用基于长短期记忆模型（long-short term memory，LSTM）结合传统神经网络的识别算法，从原始电流序列中自动提取出重要特征，根据特征来对道岔动作电流曲线进行智能故障识别。 实验结果表明，本文算法不会丢失电流曲线的有效信息，提高了准确率，训练集上的准确率为100%，在测试集上达到了99.7%准确率，能够满足铁路现场实际应用需要，对保障道岔的正常运行具有十分重要的现实意义。 ,关键词：DL00299；道岔故障诊断；LSTM；多时间序列；特征提取；电流曲线；电气特性；时间特性；机械特性；智能故障识别；高准确率。 关键词之间用分号分隔，如：DL00299;道岔故障诊断;LSTM;...;高准确率。,基
麻雀算法优化双向门控循环单元SSA-BiGRU的数据分类预测，多输入单输出模型附matlab实现
qq_59747472的博客
10-31 96
故障诊断一直是工业领域中的重要问题之一。随着技术的不断发展，人们对于提高设备运行效率和减少故障停机时间的需求也越来越迫切。因此，研究和开发高效准确的故障诊断算法成为了当前的热点之一。近年来，深度学习技术在故障诊断领域取得了显著的成果。其中，门控循环单元（GRU）作为一种常用的循环神经网络模型，具有较强的建模能力和对序列数据的处理能力，被广泛应用于故障诊断任务中。然而，传统的GRU模型在故障诊断中存在一些问题。例如，对于复杂的故障场景，传统的GRU模型往往难以准确地捕捉到故障特征。
故障诊断 | GRU门控循环单元故障诊断（Matlab）
m0_57702748的博客
03-02 998
在工业生产过程中，设备故障的及时发现和诊断对于确保生产安全和提高生产效率至关重要。传统的故障分类方法通常基于专家知识和经验规则，存在主观性强、泛化能力差等问题。随着深度学习技术的快速发展，基于深度学习的故障分类方法逐渐成为研究热点，其中门控循环单元（GRU）凭借其强大的时序建模能力和较好的泛化性能，在故障分类领域展现出良好的应用前景。GRU（Gated Recurrent Unit）是一种循环神经网络（RNN）的变体，由Cho等人于2014年提出。
故障诊断模型 | Maltab实现GRU门控循环单元故障诊断
算法如诗的博客
10-29 695
故障诊断模型 | Maltab实现GRU门控循环单元故障诊断
铁路轨道缺陷数据集，铁路铁轨道数据集，铁轨螺栓数据集
zhangyan的博客
07-22 1001
这是铁轨相关的 数据集
基于时空图卷积网络的高速列车调度列车延误预测
zuiyishihefang的博客
11-20 1542
1. 文章信息《Train Time Delay Prediction for High-Speed Train Dispatching Based on Spatio-Temporal Graph Convolutional Network》是2022年3月发表在IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTA TION SYSTEMS上的一篇文章。2. 摘...
STGCN时空图卷积网络:用于交通预测的深度学习框架
lwera的博客
09-28 6479
提出了一种新的深度学习架构——时空图卷积网络，用于交通预测任务。该架构包括几个时空卷积块，它们是图卷积层[Defferrard等人，2016]和卷积序列学习层的组合，以建模空间和时间依赖性。据我们所知，在交通研究中应用纯卷积结构同时从图结构时间序列中提取时空特征尚属首次。我们在两个真实世界的交通数据集上评估我们提出的模型。实验表明，该框架在具有多个预估长度和网络规模的预测任务中性能优于现有的基线。
道岔railsem19数据集
最新发布
02-10
### 关于道岔 RailSem19 数据集 #### 数据集描述 RailSem19 是一个专注于铁路基础设施特别是道岔区域的高分辨率图像数据集。此数据集旨在支持针对铁路场景下的语义分割研究，涵盖了不同天气条件和时间下拍摄的真实世界图片[^2]。 #### 获取途径 目前并没有直接提到 RailSem19 的官方下载链接。通常这类特定领域的小众数据集会由科研机构或企业内部发布并提供给合作方使用。建议联系相关学术单位或者查阅发表的相关论文获取更多信息以及合法渠道来获得该数据集。 #### 使用说明概览 对于如何利用 RailSem19 进行开发工作： - **环境准备**: 安装必要的软件库如 TensorFlow 或 PyTorch 来加载和处理图像文件。 - **读取数据**: 利用 Python 中 `PIL` 库或其他工具打开 `.png`, `.jpg` 等格式的输入图像，并将其转换成适合神经网络输入的形式。 - **标签解析**: 解析对应的标注文件（通常是 XML 文件），提取每张图片中的对象类别及其边界框坐标等信息。 - **预处理操作**: 对原始图像执行标准化、裁剪、翻转等一系列增强措施以增加样本多样性。 - **模型训练**: 将上述准备工作完成后得到的数据送入预先定义好的卷积神经网络架构中进行迭代优化直至收敛为止。 ```python import os from PIL import Image import xml.etree.ElementTree as ET def load_image(image_path): img = Image.open(image_path).convert('RGB') return img def parse_annotation(annotation_file): tree = ET.parse(annotation_file) root = tree.getroot() objects = [] for obj in root.findall('object'): name = obj.find('name').text bbox = obj.find('bndbox') xmin = int(bbox.find('xmin').text) ymin = int(bbox.find('ymin').text) xmax = int(bbox.find('xmax').text) ymax = int(bbox.find('ymax').text) objects.append({ 'label': name, 'bbox': (xmin, ymin, xmax, ymax), }) return objects ```
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

王摇摆

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值