[發明專利]鐵路道岔故障的智能檢測方法

在審

• 申請號: 201910857428.0
• 申請日: 2019-09-11
• 公開（公告）號: CN110596490A
• 公開（公告）日: 2019-12-20
• 發明（設計）人: 可婷;呂慧;張立東;劉寅立;李敏
• 申請（專利權）人: 天津科技大學
• 主分類號: G01R31/00
• 分類號: G01R31/00;G06N20/10
• 代理公司: 12223 天津耀達律師事務所
• 代理人: 侯力

1.一種鐵路道岔故障的智能檢測方法，其特征在于，包括如下步驟：

步驟1、從鐵路部門的微機監測系統中獲取鐵路道岔動作電流離散值；

步驟2、對所獲離散值進行規范化處理及特征選擇；

步驟3、構設訓練集、驗證集和測試集；

步驟4、根據得到的訓練集和驗證集，學習分類器；

步驟5、利用測試集，確定分類器的識別效果和泛化能力，并預測新的道岔工作是否故障，一旦發生故障及時報警。

2.根據權利要求1所述的鐵路道岔故障的智能檢測方法，其特征在于，步驟1所述獲取鐵路道岔動作電流離散值的具體步驟如下：

步驟1.1 將道岔動作的電流離散值及動作時間記錄在數據庫中；

步驟1.2 以時間為坐標系的橫軸，離散電流值為縱軸，畫出隨時間變化時，道岔電流值得變化曲線；

步驟1.3 記錄道岔動作的電流離散值數量。

3.根據權利要求1所述的鐵路道岔故障的智能檢測方法，其特征在于，步驟2所述對所獲離散值進行規范化處理及特征選擇，包括如下步驟：

步驟2.1 對所有道岔電流離散值實施以最大數量為特征維數的缺失值補零操作；

步驟2.2 步驟2.1得到的維數相同的數據為高維小樣本數據，并且是稀疏數據，為避免過擬合現象發生，利用主成分分析法進行特征選擇和提取。

4.根據權利要求1所述的鐵路道岔故障的智能檢測方法，其特征在于，步驟3所述的構設訓練集、驗證集和測試集的具體步驟如下：

步驟3.1 設定故障道岔為正類樣本，正常工作道岔為負類樣本，形成兩分類學習問題；

步驟3.2 由于故障道岔數量遠遠小于正常工作道岔的數量，故步驟3.1所述的兩分類學習問題更進一步設定為基于不均衡問題的兩分類學習問題；

步驟3.3 將步驟3.1所構設的樣本隨機選取80％作為訓練集用于訓練模型，20％作為測試集，用于測試模型；

步驟3.4 采取十折交叉驗證方法，將訓練集隨機分為十份，其中九份為新的訓練集，一份為驗證集。

5.根據權利要求4所述的鐵路道岔故障的智能檢測方法，其特征在于，步驟4所述的學習分類器的具體步驟如下：

步驟4.1 針對正類樣本設置更高的錯分懲罰參數，對負類樣本設置較低的錯分懲罰參數，以此構建偏置支持向量機模型；

步驟4.2 在步驟4.1構建的模型中，選取高斯徑向基核作為模型的核函數；

步驟4.3 利用網格搜索法，對步驟4.1建立的模型中的核參數及懲罰參數，在步驟3.4中得到的驗證集上進行參數尋優；

步驟4.4 利用SMO算法求解步驟4.1構建的偏置支持向量機模型，確定最終的鐵路故障識別分類器。

6.根據權利要求5所述的鐵路道岔故障的智能檢測方法，其特征在于，步驟5所述的利用測試集，確定分類器的識別效果和泛化能力的具體步驟如下：

步驟5.1 由于更加關注故障道岔的準確、及時識別，該方法設置了道岔故障識別性能指標，包括：設計查全率、查準率和F值評價標準，做到真正意義的衡量識別系統的性能；

步驟5.2 在測試集上，計算步驟5.1的評價指標值，確定分類器的分類性能。

7.根據權利要求6所述的鐵路道岔故障的智能檢測方法，其特征在于，步驟4.3所述的參數尋優策略的步驟如下：

步驟4.3.1 設定核參數和懲罰參數在(2^-8,2^-7,…,2^-8)取值，在新的訓練集上循環迭代每個取值，并在驗證集上計算步驟5.1中的查全率、查準率和F值；

步驟4.3.2 選取F值最高所對應的核參數及懲罰參數，并最終確定模型，得到最終的分類器。

8.根據權利要求6所述的鐵路道岔故障的智能檢測方法，其特征在于，利用步驟5.2得到的最終分類器，能夠預測測試集數據的類別屬性，同時也能夠判斷任何新的道岔工作是否故障，一旦發生故障及時報警。

9.根據權利要求1-8任一項所述的鐵路道岔故障的智能檢測方法，其特征在于，隨著時間、氣候環境、季節交替等外界因素的變化，道岔設備也會發生變化，因此，不定期的實施以上鐵路道岔故障的智能檢測，以此通過最新的道岔電流數據進行重新訓練、學習分類器，以保證分類器具有強的泛化能力和自學習能力。