本發明涉及軌道交通領域，具體涉及一種道岔故障預測方法。

背景技術：

道岔是列車從一股軌道轉入或越過另一股軌道時必不可少的線路設備，是鐵路軌道的一個重要組成部分，也是故障率最高的設備。一旦道岔發生故障，不能完成規定動作，輕則臨時停車造成時間延誤；重則車廂脫軌造成人員傷亡。

我國鐵路運輸作業頻繁、運營環境多變易導致道岔故障，但現有道岔監測條件以及維修手段落后，這些情況極易造成行車突發事故或影響行車效率。目前鐵路部門為防止事故發生，安排專業人員定期檢查并維修道岔，需要大量的人力和物力，并且效率低下。現有技術中，還無法做到對道岔故障準確預測，也未提出快速有效的解決方案。所以基于所采集的道岔動作曲線以及故障信息等歷史數據，采用科學方法預測道岔下一階段工作狀態及剩余壽命，在其故障之前及時發現并配合實施相應的維修保障措施。根據道岔故障預測信息為維修決策優化提供借鑒，合理調整維修間隔，減少“維修過剩”和“維修不足”，保證行車安全與乘客生命安全的重要舉措。

技術實現要素：

本發明提供了一種道岔故障預測方法，實現對道岔下一階段工作狀態及剩余壽命的預測，優化維修決策，調整維修間隔，減少現有維修中“維修過剩”和“維修不足”的問題。

本發明提出的一種道岔故障預測方法，包括以下步驟：

（１）：采集同一道岔連續n次正常動作曲線；

（２）：對每一條正常動作曲線提取代表性特征；代表性特征有10個，具體為：t1為道岔解鎖階段的電流最大值，t2為該電流值對應的時間；t3為道岔解鎖階段電流回落過程中電流最小值，t4位該電流值對應的時間；t5為道岔轉換階段的電流眾數值，t6為該電流值對應的時刻；t7為道岔從轉換階段進入鎖閉階段時刻對應電流值，t8為該電流值對應的時刻；t9為道岔動作結束點即此時刻電流值降為零，t10為該電流值對應的時間；

（３）：對n條正常動作曲線提取的代表性特征中的同類特征分別建立預測模型；

（４）：基于步驟（３）預測模型分別計算道岔第y次（y>n）動作時每類特征的特征值；

（５）：基于預測模型所得每類特征的特征值得到道岔第y次動作的每類特征的預測曲線；

（６）：對步驟（５）得到的道岔第y次動作預測曲線進行故障診斷，判斷是否故障。

本發明中，步驟（１）中所述的采集同一道岔連續n次正常動作曲線為從微機監測系統中提取的道岔動作曲線數據或圖像，或為紙質文件中的道岔動作曲線數據或圖像。

本發明中，步驟（１）所述的采集同一道岔連續n次正常動作曲線，具體如下：

（1a）：從微機監測系統中采集同一道岔連續m次動作曲線（m>n）；

（1b）：去除故障曲線，保留正常曲線；

（1c）：按照時間順序曲線標記為{曲線1，曲線2，曲線3…曲線n}。

本發明中，步驟（３）中所述建立的預測模型為bp神經網絡，具體步驟如下：

（3a）：分別對道岔n次正常動作曲線的每類特征的數據進行歸一化處理，利用如下公式：

其中，xmin為數據序列中的最小數；xmax為數據序列中的最大數；

（3b）：分別選取每類特征的特征值作為模型輸入樣本；

（3c）：構建三層bp神經網絡模型，確定輸入層、隱含層及輸出層神經元個數；

（3d）：給輸入層、隱含層及輸出層各連接權值分別賦值，確定所構建的bp神經網絡模型的目標誤差、學習率、訓練次數、誤差函數及隱含層與輸出層的激活函數；

（3e）根據（3d）設置，bp神經網絡模型得到預測數據；

（3f）：根據bp神經網絡模型的實際數據、預測數據、誤差函數對輸出層的各神經元偏導數、隱含層到輸出層的連接權值、隱含層的輸出誤差函數對隱含層的各神經元偏導數及隱含層各神經元的輸出，修正連接權值，計算相對誤差ｅ，采用如下公式：

其中，ypred(t)為bp神經網絡輸出值，yreal(t)為實際值；

（3g）：當相對誤差達到預設精度或訓練次數大于設定最大次數，此次預測結束，得到特征的預測值，否則重復步驟（3e）到（3g）。

本發明中，步驟（５）所述的基于預測模型所得特征值得到道岔第y次動作的預測曲線，具體如下：

（5a）：基于道岔曲線10類特征各自的預測值，按照（t1,t2）、（t3,t4）、（t5,t6）、（t7,t8）（t9,t10）方式組成5個特征點，與原點（0,0）組成曲線擬合的基礎點；

（5b）：基于最小二乘法原理，采用擬合函數進行曲線擬合，得到道岔第y次動作的預測曲線。

本發明中，步驟（６）中所述的對道岔第y次動作預測曲線進行故障診斷，判斷是否故障，具體步驟為：

（6a）：選取道岔動作道岔正常動作模板曲線；

（6b）：設定預測曲線與道岔正常動作模板曲線總積累距離的閾值；

（6c）：采用動態時間規整算法計算預測曲線與正常的電流模板曲線的總積累距離；

（6d）：計算步驟（6c）所得總積累距離大于步驟（6b）所設定的閾值，則表示道岔第y次動作發生故障，反之，則表示不發生故障。

本發明中，步驟（6c）中所述動態時間規整算法計算曲線距離，具體步驟為：

（6c1）：道岔動作第y次預測曲線可表示為t={t（1），t（2），……，t（n），……，t（n）}，n為預測曲線時間序列的時序標號，n=1為預測曲線時間序列起點，n=n為預測曲線時間序列終點，t（n）為所述預測曲線時間序列的值；

（6c2）：道岔正常動作模板曲線可表示為r={r（1），r（2），……，r（m），……，r（m）}，m為正常動作模板曲線時間序列的時序標號，m=1為正常動作模板曲線時間序列起點，m=m為正常動作模板曲線時間序列終點，r（m）為所述正常動作模板曲線時間序列的值；

（6c3）：在橫軸標出預測曲線時間序列的各個時序標號n，在縱軸標出代表正常動作模板曲線時間序列的各個時序標號m，通過這些時序標號的整數坐標畫出一些縱橫線可形成一個網絡，所有格點依次為（1，1），……，（n，m），……，（n，m），搜索從（1，1）到（n，m）的最優路徑；

（6c4）：當路徑通過（n，m）后，下一個通過的格點只能是（n,m+1）、（n+1，m）、（n+1，m+1），選擇（n，m）到下一格點的最小距離為最優路徑，計算（1，1）到（n，m）的積累最小距離；

（6c5）：計算預測曲線時間序列t與正常動作模板曲線時間序列r之間的歐式距離；

（6c6）：起點（1，1）到終點（n，m）的總的積累距離為起點（1，1）到終點（n，m）的積累最小距離、預測曲線時間序列t與正常動作模板曲線時間序列r之間的歐式距離之和；

（6c7）：總的積累距離約小，表示預測曲線與正常動作模板曲線的相似度越高。

本發明的有益效果在于：道岔動作曲線以及故障信息等歷史數據，采用科學方法預測道岔下一階段工作狀態及剩余壽命，判斷是否會發生故障，根據道岔故障預測結果為維修決策優化提供借鑒，合理調整維修間隔，在其故障之前及時發現并配合實施相應的維修保障措施，減少“維修過剩”和“維修不足”等問題，減少道岔事故率，提高系統可靠性，保證行車安全。

附圖說明

為了更清楚地說明本發明具體實施方式或現有技術中的技術方案，下面將對具體實施方式或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發明的一些實施方式，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1是根據本發明實施例的道岔故障預測方法的流程圖；

圖2是根據本發明實施例的第100條道岔正常動作電流曲線特征提取圖；

圖3是根據本發明實施例的道岔電流曲線特征t7的預測模型；

圖4是根據本發明實施例的道岔動作第1001次動作預測電流曲線；

圖5是根據本發明實施例的道岔動作第1100次動作預測電流曲線；

圖6是道岔預測曲線故障診斷流程圖。

具體實施方式

下面將結合附圖對本發明的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

在本發明的描述中，需要說明的是，術語“第一”、“第二”、“第三”僅用于描述目的，而不能理解為指示或暗示相對重要性。

此外，下面所描述的本發明不同實施方式中所涉及的技術特征只要彼此之間未構成沖突就可以相互結合。

實施例1

在本實施例中提供了一種道岔故障預測方法，圖1是根據本發明實施例的故障預測方法的流程圖，如圖1所示，該流程圖包括如下步驟：

步驟s11，采集同一道岔連續n次正常動作曲線；

步驟s12，對每一條動作曲線提取代表性特征；

步驟s13，對n條曲線的同類特征分別建立預測模型；

步驟s14，基于預測模型分別計算道岔第y次（y>n）動作時每類特征的值；

步驟s15，基于預測模型所得特征值得到道岔第y次動作的預測曲線；

步驟s16，對道岔第y次動作預測曲線進行故障診斷，判斷是否故障。

通過上述步驟，基于所采集的同一道岔連續多次正常動作曲線采用科學方法得到道岔下一階段故障預測結果以及剩余壽命預測，相比于現有技術中，通過夠工作人員定期檢修帶來的高成本和低效率，上述步驟減少了現有技術中“維修過剩”和“維修不足”的情況，并根據預測結果合理調整維修間隔，在故障之前及時預測并配合實施相應的維修保障措施，降低道岔事故率，提高行車安全。

下面結合一個具體的可選實施例進行說明。

（一）從微機監測系統中采集同一道岔連續多次動作電流曲線，去除故障曲線，保留正常曲線，按照時間順序多組曲線標記為{曲線1，曲線2，曲線3…曲線1000}。

（二）如圖2所示，為第100條道岔動作正常電流曲線，對該動作曲線提取10個代表性特征并得到其相應的值，分別為：t1為道岔解鎖階段的電流最大值，t2為該電流值對應的時間；t3為道岔解鎖階段電流回落過程中電流最小值，t4位該電流值對應的時間；t5為道岔轉換階段的電流眾數值，t6為該電流值對應的時刻；t7為道岔從轉換階段進入鎖閉階段時刻對應電流值，t8為該電流值對應的時刻，t9為道岔動作結束點即此時刻電流值降為零，t10為該電流值對應的時間，同理依次對另外999條道岔動作正常電流曲線進行特征提取，最后獲得的特征數據如下，其中n=1000。

（三）：基于bp神經網絡對所提取10個曲線特征分別建立預測模型，選取道岔曲線t7為例建立預測模型，具體步驟如下：

(1)對曲線特征t7所對應的1000個特征值進行歸一化處理，并將其作為模型輸入樣本；

（2）構建三層bp神經網絡模型，設定輸入層神經元個數為10，隱含層神經元個數為8，輸出層神經元個數為1；

（3）對各連接權值賦值，均為0.5，目標誤差設為0.0001，學習效率設為0.01，網絡訓練次數設為10000次；

（4）隱含層的激活函數采用tan-sigmoid傳遞函數，輸出層的激活函數采用線性傳遞函數；誤差函數采用；

（5）根據bp神經網絡期望輸出、實際輸出、誤差函數對輸出層的各神經元偏導數、隱含層到輸出層的連接權值、隱含層的輸出誤差函數對隱含層的各神經元偏導數及隱含層各神經元的輸出，修正連接權值，計算相對誤差采用如下公式：

其中，ypred(t)為bp神經網絡輸出值，yreal(t)為實際值；

(6)計算相對誤差值為0.032664，此時訓練次數大于10000，模型預測結束；

（7）獲得道岔第1001次動作時特征t7的預測值為1.587；

（8）重復步驟（1）到（7），依次獲得道岔第1001次動作時其他9個特征的預測值,10個特征的值分別為4.732、0.4、1.506、1.1、1.323、4.1、1.587、6.9、0、8.8。

（四）根據所獲得的道岔第1001次動作時10個特征的預測值，按照（t1,t2）、（t3,t4）、（t5,t6）、（t7,t8）（t9,t10）方式組成5個特征點，與原點（0,0）組成曲線擬合的基礎點；基于最小二乘法原理，采用多項式擬合函數進行曲線擬合，根據擬合結果不斷調整擬合函數中多項式次數的值，，選取最佳的擬合結果，得到道岔第1001次動作的預測曲線，如圖4所示。

（五）按照上邊步驟三到四，依次預測得到第1100次的預測曲線如圖5所示。

（六）選擇道岔正常動作第1條電流曲線為模板曲線，設定預測曲線與模板曲線總積累距離的閾值為35。

（七）采用動態時間規整算法計算道岔動作第1001次預測曲線與道岔正常動作第1條電流曲線的總積累距離，步驟如下：

（1）取道岔動作第1001次預測曲線，可表示為t={t（1），t（2），……，t（116）}，t（1）=0，t（2）=0.4325，……，t（116）=0.09189；

（2）道岔正常動作第1條電流曲線可表示為r={r（1），r（2），……，r（214）}，r（1）=0，r（2）=0.22356，……，r（144）=0.01029；

（3）在橫軸標出道岔動作第1001次預測曲線時間序列的各個時序標號116，在縱軸標出模板曲線時間序列的各個時序標號214，通過這些時序標號的整數坐標畫出一些縱橫線可形成一個網絡，所有格點依次為（1，1），……，（116，214），搜索（1，1）到（116，214）的最優路徑；

（4）：路徑通過（1，1）后，下一個通過的格點只能是（1,2）、（2，1）、（2，2），計算可得（1，1）到（116，214）的積累最小距離為17.7823；

（5）：計算可得待識別曲線時間序列t與正常代表曲線時間序列r之間的歐式距離為1.2834；

（6）：起點（1，1）到終點（116，214）的總的積累距離為13.0657，道岔第1001次動作預測曲線與模板曲線的總積累距離為18.0657。

（八）按照步驟（七）采用同樣的方法，以此計算得到道岔第1001次動作預測曲線與模板曲線的總積累距離為94.6732；

（九）道岔第1001次動作預測曲線與模板曲線的總積累距離小于閾值，預測道岔第1001次動作不發生故障；道岔第1100次預測曲線與模板曲線的總積累距離大于閾值，預測道岔第1100次動作會發生故障。

本領域內的技術人員應明白，本發明的實施例可提供為方法、系統、或計算機程序產品。因此，本發明可采用完全硬件實施例、完全軟件實施例、或結合軟件和硬件方面的實施例的形式。而且，本發明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質（包括但不限于磁盤存儲器、cd-rom、光學存儲器等）上實施的計算機程序產品的形式。

本發明是參照根據本發明實施例的方法、設備（系統）、和計算機程序產品的流程圖和／或方框圖來描述的。應理解可由計算機程序指令實現流程圖和／或方框圖中的每一流程和／或方框、以及流程圖和／或方框圖中的流程和／或方框的結合。可提供這些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器，使得通過計算機或其他可編程數據處理設備的處理器執行的指令產生用于實現在流程圖一個流程或多個流程和／或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機程序指令也可存儲在能引導計算機或其他可編程數據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的制造品，該指令裝置實現在流程圖一個流程或多個流程和／或方框圖一個方框或多個方框中指定的功能。

這些計算機程序指令也可裝載到計算機或其他可編程數據處理設備上，使得在計算機或其他可編程設備上執行一系列操作步驟以產生計算機實現的處理，從而在計算機或其他可編程設備上執行的指令提供用于實現在流程圖一個流程或多個流程和／或方框圖一個方框或多個方框中指定的功能的步驟。

顯然，上述實施例僅僅是為清楚地說明所作的舉例，而并非對實施方式的限定。對于所屬領域的普通技術人員來說，在上述說明的基礎上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。而由此所引伸出的顯而易見的變化或變動仍處于本發明創造的保護范圍之中。