基于多通道输入和1DCNN-LSTM的道岔转辙机故障诊断.pdf
《基于多通道输入和1DCNN-LSTM的道岔转辙机故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于多通道输入和1DCNN-LSTM的道岔转辙机故障诊断.pdf(9页珍藏版)》请在咨信网上搜索。
1、第45卷第11期2023年11月铁道学报JOURNALOFTHE CHINA RAILWAY SOCIETYVol.45No.11November2023文章编号:10 0 1-8 36 0(2 0 2 3)11-0 0 9 8-0 9基于多通道输人和1DCNN-LSTM的道岔转辙机故障诊断付雅婷1.2 3,温世明1-2.3,杨辉1-2.3,伍迎节4(1.华东交通大学电气与自动化工程学院,江西南昌330 0 13;2.华东交通大学江西省先进控制与优化重点实验室,江西南昌330 0 13;3.华东交通大学轨道交通基础设施性能监测与保障国家重点实验室,江西南昌330 0 13;4.中国铁路上海局集
2、团有限公司南京电务段,江苏南京2 10 0 11)摘要:针对三相交流道岔转辙机故障诊断问题,提出一种基于多通道输人和一维卷积神经网络(1DCNN)-长短期记忆神经网络(LSTM)的故障诊断方法。首先使用经验模态分解算法对动作功率信号进行分解,获得若干个尺度特征不同的固有模态函数信号;其次建立基于1DCNN和LSTM的组合故障诊断模型,使用1DCNN提取功率信号中的局部特征,使用LSTM选择性提取局部特征中的长距离特征;然后通过所建模型诊断出道岔转辙机的故障类型,并结合t-分布随机近邻嵌入展示诊断效果;最后与经典的诊断方法进行对比分析。对比实验结果表明:本方法在道岔转辙机故障诊断中具有较高的准确
3、性和稳定性,且具有较好的泛化性。关键词:道岔转辙机故障诊断;多通道输入;卷积神经网络;长短期记忆网络;t-分布随机近邻嵌入中图分类号:U284.92Fault Diagnosis of Switch Machine Based on Multi-channelFU Yating-2-3,WEN Shiming-23,YANG Huil-23,WU Yingjiea(1.School of Electrical and Automation Engineering,East China Jiaotong University,Nanchang 330013,China;2.Key Laborat
4、ory of Advanced Control and Optimization of Jiangxi Province,East China Jiaotong University,Nanchang 330013,China;3.State Key Laboratory of Performance Monitoring and Protecting of Rail Transit Infrastructure,East China Jiaotong University,Nanchang 330013,China;4.Nanjing Signal&Telecommunication Dep
5、ot,China Railway Shanghai Group Co.,Ltd.,Nanjing 210011,China)Abstract:Aiming at the problem of fault diagnosis of three-phase AC switch machines,a fault diagnosis method based onmulti-channel input and one-dimensional convolutional neural network(1DCNN)-long-short term memory(LSTM)net-work was prop
6、osed.Firstly,the action power signal was decomposed by empirical mode decomposition algorithm toobtain several intrinsic mode function signals with different scale characteristics.Secondly,a combined fault diagnosismodel was built based on the 1DCNN and the LSTM,which used 1DCNN to extract local fea
7、tures in the power signal,and LSTM to selectively extract long-distance features in local features.Finally,the fault type of the switch machine wasdiagnosed by the model,and the diagnosis effect was demonstrated by t-distributed stochastic neighbor embedding.Sim-ultaneously,the model was compared wi
8、th the classical diagnosis method.The results of the experiment show that thismethod has relatively high accuracy,stability as well as good generalization in fault diagnosis of switch machines.Key words:fault diagnosis of switch machine;multi-channel input;convolutional neural network;long-short ter
9、mmemory network;t-distributed stochastic neighbor embedding道岔转辙机作为铁路基础设施被应用于引导列车收稿日期:2 0 2 2-12-12;修回日期:2 0 2 3-0 1-2 8基金项目:国家自然科学基金(U203421152162048,6 2 0 0 3138):江西省技术创新引导类计划(2 0 2 0 3AEI009);辽宁省科学技术计划(2 0 2 2-KF-21-03)作者简介:付雅婷(19 8 8 一),女,江西南昌人,副教授,博士。E-mail:文献标志码:Adoi;10.3969/j.issn.1001-8360.20
10、23.11.012Input and 1DCNN-LSTM到达预定的路线,从而确保每列列车的平稳运行!然而,运输繁忙、客货运输密度大等工作环境常使道岔转辙机的动作杆、表示杆、齿轮等关键部件发生故障,影响列车的安全可靠运行。现有故障识别方式主要是利用集中监测系统实时监测转辙机动作时的工作电流和第11期工作功率,通过与正常动作时的参考数据进行对比来处理道岔隐患2。这种方式具有一定的人为主观因素,在复杂多变的工作环境下很难实现对转辙机故障的快速定位和及时维修。因此,研究道岔转辙机智能故障诊断对保障高速列车的安全可靠运行和降低维修成本具有重要意义,是适应新形势下铁路运维智能化发展的方向。近年来,国内外
11、专家学者在道岔转辙机智能故障诊断方面已经开展了一些研究,并取得了一定的成果。文献3提出模糊神经网络的道岔故障诊断,通过某种特征提取方法提取特征,采用前馈神经网络完成故障类型的诊断,但是该方法的特征提取方式过于复杂且需要人工整理得到特征向量集,在实际应用中很难对转辙机故障快速定位。文献4提出一种自生成故障样本的智能故障诊断方法,通过LeNet卷积神经网络有效检测道岔故障,但是该方法以图像的形式输入,消耗大量计算机资源,对设备硬件要求较高。文献5提出一种半监督学习算法的道岔故障诊断方法,采用支持向量机对道岔进行故障分类,但该方法需要提取分段特征的预处理,相对来说比较繁琐。文献6 提出一种基于深度学
12、习的道岔故障诊断方法,采用卷积神经网络-门控循环单元组合模型对道岔进行故障诊断,具有较好的诊断率,但该方法的数据为单通道输人,相比多通道输人不能全面挖掘信号的信息。上述文献主要是对信号在时域特征上和单通道输人上进行分析。虽然时域特征7 能从不同角度反映道岔转辙机的故障状态,但是转辙机的动作功率存在突变性,具有非线性非平稳的特点。单通道输人 是直接分析原始的功率信号,相对来说不能充分挖掘功率信号中的隐藏信息。考虑到经验模态分解(EmpiricalModeDecomposition,EM D)算法适用于非线性、非平稳的动作功率信号分析处理 1,能表达出不同频率的信息特征;一维卷积神经网络(One-
13、dimensional Convo-lutional NeuralNetwork,1D C NN)在功率信号的卷积和池化操作过程中具有强大的特征学习能力,表现出更高的诊断精度10;长短期记忆神经网络(Long-ShortTermMemory,LST M)可以对功率数据信息进行选择性保留,深层挖掘内部信息。因此,本文提出一种基于多通道输人(Multi-channel Input,M C)和1DCNN-LSTM的道岔转辙机故障诊断方法(以下简称“MC-1DCNN-LSTM),主要对道岔转辙机动作时的工作功率进行诊断并完成故障分类,实现对转辙机故障的快速定位。首先利用EMD算法对功率信号进行不同频率
14、分解,通过方差贡献率筛选出最有效的3个固有模态函数(Intrinsic ModeFunction,I M F)信号作为多通付雅婷等:基于多通道输人和1DCNN-LSTM的道岔转辙机故障诊断F=9 950R.nm式中:n、n、R。分别为转辙机电机的转速、转换效率、等效力臂,其值均为常数,故工作拉力F与输出功率P呈线性关系。在道岔转换过程中,F的变化能反应出转辙机的运行状态,从而可以根据P的曲线变化来判断转辙机的工作状态,因此本文通过动作时的工作功率数据来对S700K转辙机的工作状态进行故障诊断。1.2正常动作功率状态S700K转辙机正常动作功率曲线见图1。1.5启动解锁转换锁闭缓放1.0MV本0
15、.500图1SS700K转辙机正常动作功率曲线由图1可知,S700K转辙机正常动作功率曲线共分为5个阶段:启动阶段、解锁阶段、转换阶段、锁闭阶段、缓放阶段。其中,启动阶段,机械解锁需要把锁闭块顶出,故功率曲线快速上升并达到峰值,机械解锁后功率值下降至稳定值;解锁阶段,动作杆移动6 0 mm时,外锁闭装置解锁完成;转换阶段,电机开始推动尖轨动作,尖轨与基本轨实现密贴后结束;锁闭阶段,尖轨与基本轨实现密贴,此时表示杆的缺口中已经插人了锁闭杆;缓放阶段,启动电流只剩下A、C两相电流,此时会出现“小台阶”。当曲线的功率值保持为0 kW时,道岔的整个转换过程就已全部完成。1.3故障动作功率状态通过相关调
16、查研究,本文选取S700K道岔转辙机99道输人;然后将多通道信号输人到1DCNN中进行局部特征提取,利用LSTM从已提取的局部特征中选择性提取长距离特征;最后利用所建模型诊断出故障的类型,通过对比损失值、准确率、混淆矩阵诊断效果和t-分布随机近邻嵌人(t-distributed Stochastic NeighborEmbedding,t-SNE)诊断效果,来评估模型的有效性。1道岔转辙机动作过程分析1.1输出功率与工作拉力的关系本文选取S700K道岔转辙机为研究对象。S700K道岔转辙机采用三相交流电动机,在道岔转换过程中输出功率P与工作拉力F之间的关系【12 为(1)12P345时间/s6
17、71005种常见的故障类型进行诊断,其相应的动作功率曲线见图2。2.5启动解锁转换锁闭缓放2.01.00.502.5启动、解锁2.01.00.501.5启动_解锁M/率1.00.50(c)转辙机内部和道岔连接部分发生故障1.5启动解锁转换1.00.50001.5启动解锁转换锁闭缓放1.00.5图2S700K转辙机常见故障动作功率曲线铁道学报2MC-1DCNN-LSTM模型为更好地挖掘功率数据中隐藏的故障信息和提高道岔故障诊断精度,本文提出的MC-1DCNN-LSTM模型具有以下特点:通过EMD算法分解动作功率信号,得到若干个IMF,其中仅有少数IMF与故障信息相关程度较高,将相关程度较高的IM
18、F信号作为多通道输人,可以更有效地关注重点故障信息;1DCNN具12345时间/s(a)电路二极管损坏转换12(b)动作杆被外来物卡死转换123456时间/s锁闭12(d)转辙机齿轮与齿轮块之间卡死2345时间/s(e)断相保护器发生故障第45卷67345时间/s34时间/s有局部连接和权值共享等特点,能自动提取输人的IMF信号数据特征,实现更高效的局部特征提取;将1DCNN提取到的局部特征输人到LSTM网络中,利用LSTM捕捉局部特征中的长距离特征,可以更进一步挖掘功率数据中的关联特征和提高故障诊断精度。2.1经验模态分解EMD作为一种自适应时频分析方法,有效地解决了基函数缺乏自适应的问题,
19、根据输人信号的局部特征信息可以自适应分解为若干个尺度特征不同的IMF677566信号,因此EMD算法非常适用于非线性、非平稳信号的分解,具有很明显的优势13-41本文通过EMD算法对动作功率数据进行自适应分解。假设待分解功率信号为P(t),先确定P(t)所有的局部极值点,再用三次样条插值法对所有极值点进行拟合得到上包络线g(t)和下包络线k(t),进而得到上下包络线的平均值m(t)为m(t)=6()+(c)2用P(t)减去m(t)得到第一个分量h(t)。h.(t)成为IMF需要满足2 个条件:极值点数和零点数必须相等或相差最多不能超过1个;上、下包络线相对时间轴局部对称。若不符合,则把h(t)
20、作为待分解信号重复以上步骤直至满足IMF条件。此时第一个IMF信号记为c,(t),残余分量ri(t)为ri(t)=P(t)-c(t)将(t)作为待分解信号重复以上步骤,直至r,(t)成为单调函数,即EMD分解结束。则功率信号P(t)可表达为P(t):2.2一维卷积神经网络1DCNN适用于分析具有固定长度周期的一维信号,能从其中自动学习特征,并具有局部连接和权值共享等特点,极大程度上降低了故障诊断模型的复杂程度,从而可以节省计算机资源,实现更高效的故障诊断。1DCNN151网络通常由输人层、卷积层、池化层、全连接层和输出层构成,其结构见图3。(2)(3)Ec,(t)+r,(t)(4)第11期HF
21、f=sigmoid(wrhi-1,x,+br)动作功率信号Fj=sigmoid(w,ht-1,x,+b,)G,=tanh(o,ht-1,x,+b,)c,=Ff*Cc-I+Fi*G,样本输入卷积层池化层卷积层池化层全连接层输出层F=sigmoid(o。h r-1,x,+b.)图3一维卷积神经网络结构h,=F*tanhc,式中:i,。为对应的权重矩阵;brb,b,b。考虑到信号微机监测系统监测的动作功率信号为为对应的偏置向量;,、h,为t时刻的输人;ht-1为t-1一维信号,故本文将功率信号分解得到的IMF信号作时刻的输出;C,vCt-1为对应时刻的内部状态值;F、F、为1DCNN16网络的输人,
22、对其进行特征提取。F为对应门状态的输出;G,为t时刻状态记忆的候卷积层是对功率数据特征提取的关键,具体运算为选值。X=f(ZX-1*0+b)(5)式中:x,为第h层第i个输出;xi-为第h1层第j个输出;为第h层对应的卷积核;b为第h层偏置;*为卷积符号;为激活函数。池化层是在对数据降维的同时保留最大信息量,本文选择最大池化的方式,具体运算为M(i)=(j-1)U+1kjU式中:M(i)为经过d(h)最大池化后传给第h层对应神经元的值;q-(k)为第h1层第i个特征矢量中第k个神经元的激活值;U为池化范围的宽度。2.3长短期记忆网络LSTM是循环神经网络的一个变种,有效解决了循环神经网络遇到的
23、梯度消失和梯度爆炸的问题,非常适用于处理与时间序列相关的问题,使故障诊断模型更具优势。LSTM17将1DCNN所提取的局部特征向量作为输人,学习其内部的特征变化规律并提取出长距离特征向量,从而挖掘功率信号内部的关联特征,进一步提高模型的诊断精度。LSTM的传输状态通过3个门结构来控制,分别是遗忘门、输入门和输出门。LSTM网络结构见图4,各变量具体表达为18-9 1编号0123453.2多通道输入构建多通道输人将具有代表性的挑选样本输人到特征图的多个通道内,多个通道融合后的特征图能够充分挖掘数据的有效信息2 0。通过2.1节中的EMD算法付雅婷等:基于多通道输人和1DCNN-LSTM的道岔转辙
24、机故障诊断G遗忘门。输入门tanhmax(6)表1S700K转辙机6 种状态样本状况状态样本长度正常运行1350表示电路二极管损坏1350动作杆被外来物卡死1350转辙机内部和道岔连接部分发生故障1350转辙机齿轮和齿轮块之间卡死1x350断相保护器发生故障1350对动作功率数据进行自适应分解,可以得到对应的IMF信号,本文仅给出动作杆被外来物卡死的功率信号分解,见图5。由图5可知,共有5层IMF信号,考虑到不同层对101(7)(8)(9)(10)(11)(12)htanhFfFX图4LSTM网络结构3实验结果与分析3.1数据采集实验平台为某电务器材公司提供的S700K转辙机故障模拟平台,共设
25、置5种常见转辙机故障,分别采集转辙机正常运行,以及表示电路二极管损坏、动作杆被外来物卡死、转辙机内部和道岔连接部分发生故障、转辙机齿轮与齿轮块之间卡死、断相保护器发生故障,共6 种状态下的动作功率数据,转辙机转换时间为7s,采样间隔为0.0 2 s,每个样本长度为350,每个状态下的样本量为150 0 组,6 种状态下的样本总量为9000组,各种状态样本状况见表1。训练集/组验证集/组900300900300900300900300900300900300输出门。测试集/组300300300300300300102M/率0.0250-0.0250MV率虹0.50-0.500.10-0.100.
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 通道 输入 DCNN LSTM 道岔 转辙机 故障诊断
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。