基于深度学习的地铁信号故障诊断预测方法及系统与流程
本发明涉及轨道交通信号,具体为基于深度学习的地铁信号故障诊断预测方法及系统。
背景技术:
1、地铁信号系统是保障列车安全、高效运行的核心控制中枢,其运行状态直接决定轨道交通的运营安全与效率。在长期运行过程中,设备早期故障通常表现为微弱、非线性的异常特征,这些特征易被设备正常运行数据与环境噪声掩盖,难以被传统监测手段及时识别。
2、目前,基于深度学习的故障诊断预测技术已逐步应用于地铁信号领域,但现有技术方案仍存在明显缺陷:多数方案直接将原始采集数据输入深度学习模型,依赖模型自主提取故障特征,缺乏对早期微弱故障特征的前置提纯与强化处理。由于地铁信号系统的正常运行数据与噪声数据占比极高,传统深度学习模型易被海量常态数据淹没,无法有效捕捉早期故障的细微渐变特征,导致故障预测的提前量严重不足,往往只能在故障发生或临近发生时才能检测到异常,无法实现真正意义上的预测性维护。
3、同时,现有技术缺乏针对多维度信号数据的分层降噪与特征分离机制,无法区分正常波动与真实故障趋势,易出现误报、漏报问题;且深度学习模型的时序特征学习与实际故障物理特征脱节,难以准确识别早期故障的非线性演变规律,无法为运维人员提供可靠的超前维护依据,制约了地铁信号系统运维管理水平的提升。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足,本发明提供了基于深度学习的地铁信号故障诊断预测方法及系统,解决了上述背景技术提到的问题。
3、(二)技术方案
4、为实现以上目的,本发明通过以下技术方案予以实现:基于深度学习的地铁信号故障诊断预测方法,包括以下步骤:
5、第一步、多维度信号采集:
6、同步采集地铁信号系统的轨道电路电压信号、车载控制单元电流信号、联锁系统状态信号对应多维度运行数据,并生成原始信号数据集;
7、第二步、分层降噪预处理:
8、对原始信号数据集进行基础均值滤波降噪与局部波动平滑,剔除原始信号数据集中的显性噪声与正常波动干扰,同时保留原始信号数据集的时序变化趋势与微弱故障特征;
9、第三步、故障特征分离:
10、从降噪信号数据集中,选取地铁信号系统无任何故障隐患的纯正常运行时段数据,构建正常运行特征基准值,通过特征分离,分离出正常运行特征与包含早期微弱故障的混合特征;
11、第四步、故障特征加权强化:
12、通过动态加权运算,对混合特征中的早期微弱故障信号进行定向放大凸显;
13、第五步、故障趋势融合判定:
14、计算故障特征斜率,并按预设的影响权重融合得到综合基础趋势系数,再以固定时序窗口构建输入序列,模型学习故障非线性时序演变规律,输出故障趋势置信度,随之融合综合基础趋势系数与故障趋势置信度,得到综合故障趋势系数,判定故障发展趋势状态;
15、第六步、故障预测:
16、基于强化后的微弱故障特征值、深度学习模型输出的趋势置信度与综合故障趋势系数,并通过计算综合故障特征占比,预测故障发生的相对剩余尺度与故障等级。
17、作为本发明进一步的方案:联锁系统状态信号取值范围为0-1;
18、其中,0代表联锁开关处于正常闭合状态,1代表联锁开关处于正常断开状态,异常状态下取值偏离0-1区间。
19、作为本发明进一步的方案:基础均值滤波降噪方式如下:
20、设定滤波窗口长度为k,k为正奇数;从原始信号数据集中,并针对每一个时间节点t,取其前后各个时间节点的信号数据做均值计算,得到一级降噪信号数据集;其中,t=1、2、……t,t为预设的总采集时长对应的时间节点总数。
21、作为本发明进一步的方案:局部波动平滑方式如下:
22、在一级降噪信号数据集中,并针对每一个时间节点t,计算其与前一时间节点的信号差值;同时提取依据轨道电路电压信号、车载控制单元电流信号、联锁系统状态信号对应预设的波动平滑阈值;
23、若其差值绝对值小于等于对应预设的波动平滑阈值,则将当前时间节点信号值替换为前一时间节点信号值,否则保留当前节点信号值;
24、局部波动平滑完成后,得到降噪信号数据集。
25、作为本发明进一步的方案:故障特征分离方式如下:
26、结合纯正常运行时段的时间节点数量,分别计算轨道电路电压信号、车载控制单元电流信号、联锁系统状态信号在纯正常运行时段的平均值,作为对应的正常运行特征基准值;
27、将在时间节点t经过平滑处理后的轨道电路电压信号、车载控制单元电流信号、联锁系统状态信号分别减去其对应的正常运行特征基准值,分别得到对应的差值,并将其差值绝对值记为电压差值cx(t)、电流差值cy(t)、联锁状态差值cz(t);
28、当cx(t)≤εx、cy(t)≤εy、cz(t)≤εz同时满足时,则该时间节点t为纯正常运行特征节点;
29、当任意一个差值满足cx(t)>εx、cy(t)>εy、cz(t)>εz时,该时间节点t为混合特征节点;
30、其中,εx,εy,εz分别为依据轨道电路电压信号、车载控制单元电流信号、联锁系统状态信号对应预设的故障特征差值阈值;
31、之后提取所有混合特征节点并形成混合特征数据集。
32、作为本发明进一步的方案:定向放大凸显方式如下:
33、根据混合特征数据集中混合特征的差值绝对值与其故障特征差值阈值的比值,然后加1,确定出各个信号数据的加权系数;
34、将混合特征数据集中混合特征的差值绝对值与对应加权系数相乘,得到强化后的微弱故障特征值;并将强化后的微弱故障特征值,组成早期微弱故障特征数据集。
35、作为本发明进一步的方案:故障趋势融合判定具体方式如下:
36、s1、综合基础趋势系数计算:
37、基于强化后的早期微弱故障特征数据集,具体针对轨道电路电压信号、车载控制单元电流信号、联锁系统状态信号对应强化后的微弱故障特征值,结合混合特征节点的时序间隔,分别计算相邻两个时间节点的变化率,即单类信号故障特征变化斜率;
38、根据轨道电路电压信号、车载控制单元电流信号、联锁系统状态信号对地铁信号故障预设的影响权重,将各类信号对应的故障特征变化斜率加权融合,确定出综合基础趋势系数,并记为k(q);
39、s2、故障趋势置信度输出:
40、将强化后的早期微弱故障特征数据集f与综合基础趋势系数k(q)结合,构建深度学习模型输入样本,并通过深度学习模型输出故障趋势置信度,并记为s(q);
41、s3、综合故障趋势系数确定:
42、将综合基础趋势系数与故障趋势置信度进行加权融合,确定出综合故障趋势系数,并记为k0(q);
43、当k0(q)>0时,判定为故障正向发展趋势;
44、当k0(q)=0时,判定为故障稳定潜伏趋势;
45、当k0(q)<0时,判定为无有效故障趋势。
46、作为本发明进一步的方案:综合基础趋势系数计算公式如下:
47、
48、式中:β1为依据轨道电路电压信号预设的影响权重;β2为依据车载控制单元电流信号预设的影响权重;β3为依据联锁系统状态信号预设的影响权重;kx(q)、ky(q)、kz(q)为第q个节点到第q+1个节点的轨道电路电压信号、车载控制单元电流信号和联锁系统状态信号分别对应故障特征变化斜率。
49、作为本发明进一步的方案:故障趋势置信度输出方式如下:
50、将强化后的早期微弱故障特征数据集,按固定时序窗口进行分段处理,形成深度学习模型的输入序列数据;将每个输入序列数据与对应的综合基础趋势系数k(q)绑定,共同输入深度学习模型;针对每一组输入序列数据,输出故障趋势置信度s(q)。
51、作为本发明进一步的方案:加权融合公式如下:
52、
53、式中:k0(q)为第q个节点的最终的综合故障趋势系数;γ为针对综合基础趋势系数对应预设的权重系数。
54、作为本发明进一步的方案:预测故障发生的故障等级判定方式如下:
55、通过:
56、
57、计算当前强化后的微弱故障特征值与故障临界特征值的比例p(q);
58、式中:fx(q),fy(q),fz(q)分别为轨道电路电压信号、车载控制单元电流信号、联锁系统状态信号对应第q个节点强化后的微弱故障特征值;lx、ly、lz分别为针对轨道电路电压信号、车载控制单元电流信号、联锁系统状态信号对应预设各自的故障临界特征值;
59、当p(q)≤30%,则判定为一级早期故障;
60、当30%<p(q)≤60%,则判定为二级中期故障;
61、当60%<p(q)<100%,则判定为三级临近故障;
62、当p(q)≥100%,则判定为已发生的显性故障。
63、作为本发明进一步的方案:在故障呈正向发展趋势时,预测故障发生的相对剩余尺度的计算方式如下:
64、
65、计算出预测故障达到临界值的相对剩余尺度ts,指代为当前故障按当前趋势发展,到达故障临界状态所需的相对时间长度。
66、基于深度学习的地铁信号故障诊断预测系统,该系统用于执行基于深度学习的地铁信号故障诊断预测方法,该系统包括:
67、数据采集模块:用于同步采集地铁信号系统的轨道电路电压信号、车载控制单元电流信号、联锁系统状态信号对应多维度运行数据,并生成原始信号数据集;
68、分层降噪模块:将原始信号数据集通过基础均值滤波降噪与局部波动平滑两级降噪处理,并保留原始信号数据集的时序变化趋势与微弱故障特征;
69、特征分离模块:从降噪信号数据集中,选取地铁信号系统无任何故障隐患的纯正常运行时段数据,构建正常运行特征基准值,随之通过特征分离,分离出包含早期微弱故障的混合特征数据集。
70、加权强化模块:基于混合特征数据集,通过动态加权运算,对混合特征中的早期微弱故障信号进行定向放大凸显;
71、趋势判定模块:通过计算故障特征斜率,并按预设的影响权重融合得到综合基础趋势系数,再以固定时序窗口构建输入序列,模型学习故障非线性时序演变规律,输出故障趋势置信度,随之融合综合基础趋势系数与故障趋势置信度,得到综合故障趋势系数,判定故障发展趋势状态;
72、分级预测模块:基于强化后的微弱故障特征值、深度学习模型输出的趋势置信度与综合故障趋势系数,并通过计算综合故障特征占比,预测故障发生的相对剩余尺度与故障等级。
73、(三)有益效果
74、本发明提供了基于深度学习的地铁信号故障诊断预测方法及系统。与现有技术相比,具备以下有益效果:
75、本发明可同步采集轨道电路电压、车载控制单元电流、联锁系统状态三类多维度信号,实现数据时序对齐与连续完整采集,完整保留正常运行数据、早期微弱故障隐患与环境噪声,为后续故障诊断与预测提供全面、可靠的数据基础,避免因数据缺失或错位导致诊断偏差。
76、本发明采用基础均值滤波与局部波动平滑两级分层降噪,既能高效剔除显性噪声与正常波动干扰,又能精准保留信号时序变化趋势与早期微弱故障特征,解决传统降噪易丢失故障细节的问题,让微弱故障隐患在预处理阶段不被掩盖,提升后续特征提取的准确性。
77、本发明通过构建正常运行特征基准值实现故障特征精准分离,再经动态加权运算定向放大微弱故障信号,让早期潜伏故障特征更突出,有效解决地铁信号早期故障特征微弱、难以识别的痛点,大幅提升故障早期发现能力,降低故障漏检率。
78、本发明将故障特征斜率计算与深度学习时序建模深度融合,既能提取故障显性变化趋势,又能挖掘隐性时序演变规律,实现离散特征到连续趋势的转化,准确区分正常波动与真实故障渐变,让故障趋势判定更科学、贴合地铁信号实际运行规律。
79、本发明可实现多级故障等级划分与故障剩余时长精准推算,输出早期隐患、中期发展、临近故障等分级结果,为运维提供明确决策依据,便于提前制定计划性维护或紧急抢修方案,从被动抢修转为主动预判防控,保障地铁运营安全与效率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com