本發(fā)明屬于軌道電路故障診斷，尤其涉及一種軌道電路故障診斷方法、裝置、設(shè)備、介質(zhì)及產(chǎn)品。

背景技術(shù)：

1、軌道電路安裝在車站與鐵路沿線，長期處于室外環(huán)境，容易受到外界環(huán)境的干擾，極大的增加了設(shè)備發(fā)生故障的可能性。其工作條件惡劣且多變，運營維護工作復(fù)雜，這些都給軌道電路故障的診斷與維護造成了諸多困難。目前，軌道電路設(shè)備的維護主要依靠現(xiàn)場檢修人員定期巡檢。然而，軌道電路設(shè)備數(shù)量眾多，使得檢修人員的工作量極為繁重；再考慮到設(shè)備本身構(gòu)造復(fù)雜，僅憑借檢修人員的現(xiàn)場維護經(jīng)驗來診斷軌道電路故障，不僅效率低下，而且可靠性難以保證。因此，如何高效地實現(xiàn)軌道電路設(shè)備故障的智能化診斷，對于提升列車運行效率和行車安全至關(guān)重要。

技術(shù)實現(xiàn)思路

1、本發(fā)明針對現(xiàn)有技術(shù)存在的不足，本發(fā)明提供了一種軌道電路故障診斷方法，包括：

2、基于主軌歷史出電壓曲線，提取若干故障類型電壓曲線和一條正常電壓曲線；

3、將故障類型電壓曲線和正常電壓曲線分段，對每個分段提取統(tǒng)計特征；

4、對統(tǒng)計特征進行相關(guān)性分析與特征篩選，采用主成分分析法降維得到特征數(shù)據(jù)集；

5、構(gòu)建故障分類模型，輸入特征數(shù)據(jù)集進行訓練；

6、從軌道電路實時故障電壓數(shù)據(jù)中提取特征數(shù)據(jù)，將特征數(shù)據(jù)輸入訓練好的故障分類模型進行故障診斷。

7、進一步地，所述故障類型，包括：列車慢行、分路特性不良、補償電容不良、塞釘松動、斷軌故障、調(diào)諧單元不良、衰耗盤不良。

8、進一步地，所述統(tǒng)計特征，包括：最大值、最小值、總和值、平均值、中位數(shù)、標準差、偏度、峰度。

9、進一步地，所述相關(guān)性分析，包括：采用皮爾遜相關(guān)系數(shù)進行相關(guān)性分析。

10、進一步地，所述構(gòu)建故障分類模型，包括：lstm層和全連接層。

11、進一步地，所述輸入特征數(shù)據(jù)集進行訓練，包括：利用softmax函數(shù)轉(zhuǎn)換輸出，以交叉熵函數(shù)為損失函數(shù)、隨機梯度下降為優(yōu)化器評估網(wǎng)絡(luò)性能，通過反向傳播算法依據(jù)損失函數(shù)結(jié)果更新網(wǎng)絡(luò)參數(shù)。

12、本發(fā)明還提供一種軌道電路故障診斷裝置，包括：

13、曲線數(shù)據(jù)提取模塊：用于基于主軌歷史出電壓曲線，提取若干故障類型電壓曲線和一條正常電壓曲線；

14、特征提取模塊：用于將故障類型電壓曲線和正常電壓曲線分段，對每個分段提取統(tǒng)計特征；

15、特征分析模塊：用于對統(tǒng)計特征進行相關(guān)性分析與特征篩選，采用主成分分析法降維得到特征數(shù)據(jù)集；

16、模型構(gòu)建模塊：用于構(gòu)建故障分類模型，輸入特征數(shù)據(jù)集進行訓練；

17、故障診斷模塊：用于從軌道電路實時故障電壓數(shù)據(jù)中提取特征數(shù)據(jù)，將特征數(shù)據(jù)輸入訓練好的故障分類模型進行故障診斷。

18、本發(fā)明提供一種計算機設(shè)備，計算機設(shè)備包括存儲器和處理器，存儲器存儲有計算機程序，計算機程序被處理器執(zhí)行時，使得處理器執(zhí)行所述的軌道電路故障診斷方法的步驟。

19、本發(fā)明提供一種計算機可讀存儲介質(zhì)，存儲有計算機程序，計算機程序被處理器執(zhí)行時，使得處理器執(zhí)行所述的軌道電路故障診斷方法的步驟。

20、本發(fā)明提供一種計算機程序產(chǎn)品，包括計算機程序，所述計算機程序被處理器執(zhí)行以實現(xiàn)所述的軌道電路故障診斷方法。與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點：

21、1.通過合理的數(shù)據(jù)采集與分析策略，精準捕捉軌道電路故障時的電壓變化特征，獲取多類型的電壓曲線數(shù)據(jù)，為故障診斷提供有效依據(jù)；

22、2.利用特征提取與降維技術(shù)，深度挖掘數(shù)據(jù)內(nèi)在規(guī)律，構(gòu)建高質(zhì)量特征數(shù)據(jù)集，大幅提升數(shù)據(jù)處理效率與準確性；

23、3.借助精心構(gòu)建的故障分類模型，以lstm層和全連接層協(xié)作，結(jié)合softmax函數(shù)、交叉熵函數(shù)、優(yōu)化器及反向傳播算法，實現(xiàn)對軌道電路故障類型的精確判別與分類，有效提高軌道電路故障診斷的精準度、可靠性與智能化水平。

24、本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在說明書、權(quán)利要求書以及附圖中所指出的結(jié)構(gòu)來實現(xiàn)和獲得。

技術(shù)特征：

1.一種軌道電路故障診斷方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的軌道電路故障診斷方法，其特征在于，所述故障類型，包括：列車慢行、分路特性不良、補償電容不良、塞釘松動、斷軌故障、調(diào)諧單元不良、衰耗盤不良。

3.根據(jù)權(quán)利要求1所述的軌道電路故障診斷方法，其特征在于，所述統(tǒng)計特征，包括：最大值、最小值、總和值、平均值、中位數(shù)、標準差、偏度、峰度。

4.根據(jù)權(quán)利要求1所述的軌道電路故障診斷方法，其特征在于，所述相關(guān)性分析，包括：采用皮爾遜相關(guān)系數(shù)進行相關(guān)性分析。

5.根據(jù)權(quán)利要求1所述的軌道電路故障診斷方法，其特征在于，所述構(gòu)建故障分類模型，包括：lstm層和全連接層。

6.根據(jù)權(quán)利要求1所述的軌道電路故障診斷方法，其特征在于，所述輸入特征數(shù)據(jù)集進行訓練，包括：利用softmax函數(shù)轉(zhuǎn)換輸出，以交叉熵函數(shù)為損失函數(shù)、隨機梯度下降為優(yōu)化器評估網(wǎng)絡(luò)性能，通過反向傳播算法依據(jù)損失函數(shù)結(jié)果更新網(wǎng)絡(luò)參數(shù)。

7.一種軌道電路故障診斷裝置，其特征在于，包括：

8.一種計算機設(shè)備，計算機設(shè)備包括存儲器和處理器，存儲器存儲有計算機程序，其特征在于，計算機程序被處理器執(zhí)行時，使得處理器執(zhí)行權(quán)利要求1-6任一項所述的軌道電路故障診斷方法的步驟。

9.一種計算機可讀存儲介質(zhì)，存儲有計算機程序，其特征在于，計算機程序被處理器執(zhí)行時，使得處理器執(zhí)行權(quán)利要求1-6任一項所述的軌道電路故障診斷方法的步驟。

10.一種計算機程序產(chǎn)品，包括計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行以實現(xiàn)權(quán)利要求1-6中任一項所述的軌道電路故障診斷方法。

技術(shù)總結(jié)
本發(fā)明屬于軌道電路故障診斷技術(shù)領(lǐng)域，尤其涉及一種軌道電路故障診斷方法、裝置、設(shè)備、介質(zhì)及產(chǎn)品。包括：基于主軌歷史出電壓曲線，提取若干故障類型電壓曲線和一條正常電壓曲線；將故障類型電壓曲線和正常電壓曲線分段，對每個分段提取統(tǒng)計特征；對統(tǒng)計特征進行相關(guān)性分析與特征篩選，采用主成分分析法降維得到特征數(shù)據(jù)集；構(gòu)建故障分類模型，輸入特征數(shù)據(jù)集進行訓練；從軌道電路實時故障電壓數(shù)據(jù)中提取特征數(shù)據(jù)，將特征數(shù)據(jù)輸入訓練好的故障分類模型進行故障診斷。本發(fā)明有效提高軌道電路故障診斷的精準度、可靠性與智能化水平。

技術(shù)研發(fā)人員：林鉦圍,董英華,劉旸,趙浩森,楊曉東
受保護的技術(shù)使用者：北京全路通信信號研究設(shè)計院集團有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/24