文摘

投票是一个关键的基本基础设施在铁路信号系统中,具有很大的影响铁路系统的安全。目前,投票率故障诊断在中国进行手动;工程师有义务遵守信号并做出解决问题的决策。因此,故障诊断的精度完全取决于生产工程师的经验虽然大规模数据实时的投票率微机监控系统。本文旨在开发一个智能诊断方法对铁路投票率通过动态时间扭曲(DTW)。我们首先提取功能正常的投票率操作电流曲线和收集到的投票率正常化电流曲线。然后,五个典型故障参考曲线是确定通过微机监控系统,和DTW投票率电流曲线用于识别断层通过测试数据。基于相似数据分析结果表明,分析了五种投票率断层类型可以自动诊断的准确率为100%。最后,该方法的好处和未来的研究方向进行了讨论。

1。介绍

最近,世界各地的铁路系统经历了快速发展(1)货运和客运需求增加。据国家铁路局的中华人民共和国,中国铁路客货运输体积是25.35亿和33.58亿吨,分别在2015年(2]。因此,由于快速发展,铁路系统的维护已成为一个关键问题。问题,如缺乏相关经验的专业人员和铁路安全监控是新兴的重负荷的工作。

投票率(如图1),操作频率高,是铁路基础设施的核心组件,因为它是一个重要的设备移动的火车从一个轨道到另一个(3]。投票率失败造成了几个主要的铁路事故最近[4]。根据一个报告,超过100的投票失败事件发生在长沙通信和信号部门每年,这占所有故障的17.5%的信号设备包括投票率在过去的五年里(5]。

考虑到投票系统的重要性,微机监测系统(MMS)引入了实时监控投票率状态。MMS收集投票率操作电流和电压水平数据;然后工程师执行故障诊断分析基于显示的曲线。当前人工诊断系统不仅造成诊断效率低,但也增加了人力和资源需求(6]。此外,诊断的准确性主要取决于工程师们的主观经验,任何数据的误解可能会导致潜在的安全问题。因此,自动投票模式检测方法需要确定铁路故障或失败。

考虑到新兴的问题,不同的方法已经被利用在投票率故障诊断领域。赵投票率和陆研究了基于灰色关联分析的故障诊断系统(7]。罗伯茨等人使用单投机械设备(STME)来检测故障8]。神经网络和模糊理论([9- - - - - -13]),支持向量机(SVM)和改进的SVM ([6,14])也已申请投票率故障诊断。Atamuradov等人利用动态时间规整(DTW)和专家系统识别三个州包括一个健康的状态和两个失败国家人数(15]。Ardakani等人建立了健康评估投票率的主成分分析(PCA) (16]。

然而,上述方法有几个局限性有针对性的问题。例如,灰色相关分析需要选择合适的特征向量或参数难以确定故障类型的大规模以来连续搜索需要大空间,直到匹配特征向量或参数识别。此外,基于svm方法不能有效地处理大样本大小。和专家系统需要先验知识,这需要人力从有经验的人总结的规则根据多年的经验和知识。然而,很难构建一个完整的知识库由于更多的微机监控系统和各种环境和缺乏丰富的经验。此外,神经网络和模糊理论模型是基于开发的大型历史故障数据的大小,这是很难收集,模型训练过程需要耗费大量的时间优化模型参数。

最近,动态时间规整(DTW) [17),动态规划(DP)方法最初被用于孤立词识别区域,已成为流行。DTW计算参考数据和测试数据之间的距离从来没有训练,最大和最小的距离表示相似度(18- - - - - -20.]。和它的好处需要少量的错误引用数据,不需要选择特征向量,并要求有限的历史数据和先验知识。在这项研究中,介绍了DTW投票率进行故障诊断。

除了分析方法,各种数据在文献中已经使用,如投票率操作电流(21- - - - - -23),投票率操作能力(24),和来自传感器的数据25- - - - - -27]。大多数研究人员选择前两种MMS因为他们可以直接获得的数据。此外,来自传感器的数据需要安装额外的传感器,成本可能是高昂的。因此,在这项研究中,我们利用投票率操作当前数据分析因为当前数据可以直观地反映了投票率出错而电力数据不能。

传统诊断方法基于投票率操作当前数据的故障不处理当前曲线图像。投票率来自不同的厂家,不同的mms,多样化的铁路部门。因此,当前曲线的图片有很多干扰等噪声和网格可能严重影响诊断结果的准确性。通过归一化电流曲线(28),我们可以有效地去除图像中的噪声和诊断故障类型的投票率。

此外,在本研究点动ZD6投票率将目标由于其广泛的应用。操作电流曲线MMS的收集。我们将首先正常化最初的投票率操作电流曲线和确定投票率参考模板。然后,参考模板和测试样本之间的相似之处将通过DTW计算。每个投票率诊断结果将被记录,最后建议的方法的分类精度评价。

本文的其余部分组织如下。部分2提供正常的投票率操作电流曲线的意义,介绍了每个阶段的方法图像归一化法对投票率电流曲线。DTW和参考模板的方法和原则解释部分3。部分4提出了数值实验,结果真正的投票率操作电流曲线来诊断故障,紧随其后的是结论和讨论部分5。

2。数据准备

2.1。投票率操作电流曲线

如今,MMS是主要的方法来监测投票率在中国的状态。投票率操作电流曲线可以直观地反映电流变化的开关机。投票率的操作过程可以分为四个阶段:解锁,转换,锁定,缓慢释放12]。我们可以看到投票率操作电流曲线的特征图的不同阶段2:(1)第一阶段(解锁)(- - - - - -):运动开始于一个大的起动电流使曲线突然上升。投票率的操作系统,曲线显示了人数急剧下降,进入释放阶段。(2)第二阶段(转换)(- - - - - -):当前曲线是光滑的,因为投票率转换过程中运行平稳。(3)第三阶段(锁定)(- - - - - -):点移动到另一边的铁路和当前曲线锁定阶段完成时减少到零。(4)第四阶段(缓释)(- - - - - -):1 dqj继电器缓慢释放和当前保持在零持续缓慢释放阶段。

2.2。图像标准化

投票率操作电流曲线从不同的mms,收集不同的铁路部门和不同的环境中,可能会有很多干扰导致故障检测错误。过程是不可或缺的投票率操作电流曲线,提高故障诊断的准确性。我们需要去除图像中的噪声,干扰不会影响实验结果。我们使用以下过程去除噪声:(1)灰度变换:它是一种生产方法原始图像的每个像素的灰度值根据目标的条件。假设原始图像像素的灰度值 在哪里是原始图像像素的灰度值和横坐标,纵坐标。灰度增强表示为 和 图像阈值的功能。(2)二值化:灰度图像转换成二进制图像是一个二维数组 。像素的值设置为0,如果灰度值小于阈值 ;否则像素的值设置为1。图像阈值的功能 (3)噪声去除:第一步是找出目标区域包围轴通过的和二维数组的行和列。然后孤立像素从对象中删除地区开放操作包括腐蚀和膨胀。(4)细化:去噪图像可能有多个零像素在一个列中。和这种情况会导致这种现象时刻对应于一个数量的当前值的坐标变换。假设的价值像素是0,和价值在这一行 和的值是1像素。的行数th列像素的值为0 和其他人都设置为1。(5)坐标变换,坐标变换的目的是将曲线的坐标从RO 'C坐标系到“协调系统。我们假设这一点与协调 RO 'C坐标系中 在“协调系统。因此 点坐标 , , ,和为目标区域的边缘线位置和 , , , , ,和是由工程师决定。(6)规范化:正常化旨在缩放比例的数据,并将其在一个特定的间隔为了使算法普遍,因为数据来自完全不同的系统和制造商。它消除了影响不同的坐标。在一个图像为例,t的范围是0到5,另一个是0到8。相同类型的开关机在不同的工厂有不同的当前值但投票率操作电流曲线有相同的趋势。原始数据转换线性结果映射到的 。转换函数如下: 和归一化后是一个点。是原始数据。的最大价值。是最小值。

正常化过程如图3。所有的参考模板和测试样本必须被处理。

3所示。方法

3.1。动态时间规整(DTW)

在这项研究中,DTW被用来计算测试样本之间的相似性和参考模板,以诊断故障类型。DTW首先介绍了语音识别领域的识别类似声音的失真,这是一个灵活的基于距离的曲线比较模型已成功地应用于广泛的时间序列数据(17]。DTW是基于动态规划的思想(DP),它可以匹配不同长度的时间序列,避免不匹配的峰值曲线峰值点的横坐标,即使是不同的。在图4,顶线的峰值点 。是错误的仅仅考虑这一点将对应点在底部曲线。DTW可以识别点对应点然后计算两条线的距离。比较两个系列的相似性计算相似矩阵和搜索最优路径的最小累积距离。不是随意选择的道路。选中的路径必须从左下角开始和结束在右上角,如图5。假设网格点的路径 。如果路径通过这一点 ,下一个传递点只能是以下三种情况之一:(1) 。(2) 。(3) 。

路径从点(0,0)来匹配两个序列和 。所有点的距离计算时之前将累积达到每一个点。后到达终点 ,最优路径形成和累积距离最后的总距离。较低的累积时间序列之间的距离,相似性越高(14]。因此,最小累积距离的时间序列和是

DTW算法比较测试样本与参考模板直接不需要知道大量的先验知识和历史数据。它是一种实用的故障诊断的方法,因为该算法只需要几个参考模板来诊断故障。

3.2。确认参考模板

总共5 ZD6投票率故障类型电流曲线被选为参考模板,如图6。

图6(一)介绍了断层,投票率突然停止运行后开始。可以看出,转换时间短和锁线消失了。有几个潜在的原因:开关机的动作电流太小。(开关机性能很差。()的自闭电路1 dqj有缺点1 dqj吸收后不能继续。投票率干扰曲线在图的结束6 (b)稳定在一个相对较高的值。原因是有异物开关铁路和股票之间的铁路或开关机的故障电流太小了。图6 (c)显示当前曲线时启动电路断开。这条曲线的趋势几乎是直没有抛物线下行趋势和当前的价值保持在一个较高的值。这次失败是由于定子和转子的混线。超过锁定电流曲线(如图6 (d))突然上涨锁定部分。原因可能是紧张的投票率调整,肮脏的滑块,滑块缺乏石油,铁路股票的横向移动,等等。图6 (e)显示了自动执行机构的故障不灵活。这个锁的故障电流曲线是超过正常的曲线和当前值更大。原因是投票率已经锁定和几个轴自动执行机构动作不灵活的由于缺乏石油。原因如下:自动执行机构操作变得异常,一开始不能断开的连接。

4所示。性能分析

在这项研究中,共有260个电流曲线测试来验证提出的分析方法的准确性。每个测试样本与6预选的参考模板包括一个正常的模板和5错模板通过DTW算法。小测试样本和参考模板之间的距离显示更大的相似性。作为一个例子,显示当前曲线之间的距离为10测试样品和6种参考模板如表所示1。系统故障识别结果如表所示2。

从表1,我们可以在每一行找到最小值。这意味着这条曲线非常相似的参考模板最小的数字。因此,曲线()和()表明投票率干扰。曲线()和()表示,投票率突然停止运行后开始。启动电路断开对应曲线()和()。超过锁定电流曲线()和()。曲线()和()表明,自动执行机构不灵活。我们已经证实在现实实验,我们所有的故障识别结果是正确的。

表2展示了系统的诊断结果。每种类型的故障有52曲线和正常的曲线是0 260测试样品。

表3提出了系统诊断结果的准确性5种错误,达到了100%的准确率,同时,在15),故障检测的分类精度降低噪音水平的增加。在这项研究中,图像归一化过程是用来避免噪音和其他干扰的影响结果,和DTW方案可以大大提高诊断效率和准确性不使用其他算法,规则,或先验知识。

5。讨论和结论

在这项研究中,我们已经开发了一个基于DTW的自动故障诊断方法方案铁路消防衣。首先,所有捕获的投票率电流曲线MMS是规范化的,正常和故障被确定参考模板。然后,总共260投票率电流曲线,从未受过训练的比较与6参考模板通过DTW计划。通过寻求最小累积测试样品和参考模板之间的距离,确定了各种故障类型。分析结果表明,投票率缺点可以通过该方法自动诊断的准确率达到了100% 5典型故障电流曲线。我们的计划可以避免事故造成new-joined或缺乏经验的技术人员的错误和节省了许多的人力和物力提高铁路安全。

在一项研究15),DTW也用于分析类似的问题;然而,曲线的分析结果表明,噪声对结果的准确性有很大影响,和系统的准确性降低噪音水平增加。这进一步降低了系统的可靠性,甚至可能导致意外事故发生,因为故障误分类。与之前的研究不同的是,在这项研究中,一个曲线归一化过程被用来消除噪声的影响。此外,Atamuradov et al。15)使用了一些规则来诊断投票率失败。然而,基于规则的系统缺乏灵活性,因为从不同的mms数据可能有内置的异质性。在这项研究中,研究结果表明,开发的方法可以诊断多种类型的投票率缺点即使电流曲线的值波动,投票率的操作时间是不同的。此外,DTW不需要特征向量的选择,历史数据,或先验知识,有利于实时诊断。

我们的下一个工作将会调查其他算法(如集群算法或流形学习或深度学习)认识到未定义类型的投票率的错。此外,大数据以来学习问题也将调查收集到的电流或电压曲线数据规模非常大。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究支持中国国家重点研发项目(2016 yfb1200402),中国国家自然科学基金(61703308和61703308)和轨道交通控制与安全国家重点实验室(合同编号。RCS2017K003),北京交通大学。