一种列车电流曲线特征提取及故障诊断方法与流程

本发明涉及轨道交通，尤其是涉及一种列车电流曲线特征提取及故障诊断方法。

背景技术：

1、城市轨道交通作为现代城市的重要交通方式，在缓解交通拥堵、减少环境污染等方面发挥着越来越重要的作用。集电靴是城市轨道车辆的关键部件之一，其通过与第三轨物理接触实现电流传递，并为列车提供牵引动力。集电靴的安全可靠运行直接影响城市轨道交通的正常运营。

2、在实际运行过程中，集电靴易发生脱靴、异常电弧等故障，这些故障会导致列车供电中断，不仅降低列车运营效率，还会威胁行车安全。因此，实时在线监测集电靴的运行状态，及时诊断和预警脱靴故障，对保障城市轨道交通的安全和可靠运行具有重要意义。

3、传统的城市轨道车辆集电靴故障诊断主要依赖于人工巡检和定期检修，存在响应速度慢、人力成本高、检测不及时等问题，难以满足城市轨道交通高密度、高频次运营的需求，亟需一种实时、高效、智能化的集电靴故障在线诊断技术。目前已有基于图像处理的集电靴视频监控技术、基于电弧光谱分析的接触状态评估技术、基于电流或加速度信号的脱靴检测技术等等相关研究，然而这些方法普遍存在实时性不足、可靠性较低、算法复杂等不足，难以实际落地应用。

4、集电靴的实时电流信号蕴含丰富的状态信息，通过对电流信号进行特征提取和智能分析，可以实现集电靴故障的早期诊断和预警。但是，受城市轨道交通复杂环境和运行工况的影响，集电靴实时电流信号呈现出非平稳、多尺度、强噪声等复杂特点，传统的信号处理方法难以准确提取故障特征。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种列车电流曲线特征提取及故障诊断方法，结合cnn和lstm神经网络算法，充分挖掘集电靴电流环输出电流信号中的故障特征信息，实现集电靴脱靴故障的实时在线诊断，有利于提升城市轨道交通系统的安全性、可靠性和运营效率。

2、本发明的目的可以通过以下技术方案来实现：一种列车电流曲线特征提取及故障诊断方法，包括以下步骤：

3、s1、采集集电靴与第三轨接触运行时输出的原始电流时间序列并进行预处理；

4、s2、将预处理后的电流时间序列按滑动窗格的方式进行采样、重排和标定，构建靴轨状态标签样本数据集；

5、s3、构建基于cnn和lstm的融合故障诊断网络；

6、s4、使用样本数据集训练特征提取和故障诊断模型并优化；

7、s5、部署故障诊断模型，输入集电靴实时电流数据并输出脱靴故障诊断结果。

8、本发明中，所述步骤s1中采集集电靴与第三轨接触运行时输出的原始电流序列为四个电流环输出的4维电流数据，矩阵表示为其中，为采集器第1次采集到的电流特征向量，为第i次采样得到的电流特征向量，为最后1次采样得到的电流特征向量；

9、进一步地，步骤s1中针对原始电流时间序列预处理具体步骤包括：

10、s11、缺失值补充：使用线性插值方法对缺失值进行补充，公式表示为：

11、

12、其中，x0为缺失值前一个数值，x1为缺失值后一个数值，wa为该空缺缺失数值的个数，μ为该空缺补充缺失值的排序。

13、s12、滤波去噪：使用移动平均滤波方法对补全后的电流时间序列进行平滑滤波，设滑动窗口宽度为(2w+1)，则对第i次采集的电流特征向量平滑处理公式为：

14、

15、s13、归一化处理：使用min-max归一化方法对滤波后每个特征维度电流值进行归一化处理并映射到区间[0,1]范围内：

16、

17、其中，表示归一化后第i次采集的第c个特征维度的电流值。

18、本发明中，所述步骤s2中将预处理后的电流时间序列按按滑动窗格方式进行采样、重排和标定具体为：

19、采样：设滑动窗格宽度为i2，滑窗时间步长为t，在电流时间序列中取连续的电流数据构成包含某时刻强时空特征的矩阵样本，则在第(j+t2)次采样数据为：

20、

21、重排：首先对每个电流环输出的i2个电流值依次排列成t×t尺寸的矩阵，然后将4个电流环矩阵堆叠成t×t×4的样本张量，经重排后的电流样本空间可表示为r∈rt×t×4。

22、标定：根据既定规则或相关标准对重排后的样本数据进行标定，状态标签根据具体故障分类分别编号为0，1，2，…，n，即得到用于模型训练的样本数据集。

23、本发明中，所述步骤s3中cnn和lstm融合故障诊断网络具体包括：

24、输入层：用于输入经预处理后的样本数据，模型训练时输入数据形状为(batch,t,t,4),表示模型训练时一个批次的样本数据，batch是批次大小，表示一次训练或推理时样本数量。

25、cnn层：用于对输入样本进行卷积，提取电流数据空间特征，包括第一卷积层、第一池化层、第二卷积层、第二池化层和展平层，每一层的特征图可以表示为其中展平层将第二池化层输出的三维特征图展平成长度(w×h×d)的一维特征向量序列

26、双向lstm层：用于提取电流数据的时序依赖关系，包括两个独立的lstm层，前向lstm层和后向lstm层，前向lstm层按时间步的顺序处理输入序列，后向lstm按时间步的逆序处理输入序列。每个lstm层由多个cell构成，每个cell的计算流程如下：

27、ft＝σ(wf·[h(t-1),pt]+bf)

28、it＝σ(wf·[h(t-1),pt]+bi)

29、

30、ot＝σ(wo·[h(t-1),pt]+bo)

31、ht＝ot*tanh(ct)

32、其中，输入pt为cnn层提取的某一时刻特征向量，输出ht为包含当前时刻之前全流程时序依赖关系编码，ct为记录时序依赖的隐藏状态，σ表示sigmoid激活函数tanh表示激活函数运算“·”表示矩阵乘法，运算“*”表示矩阵逐元素相乘，参数w为权重矩阵，参数b为偏置项。

33、注意力机制层：用于使网络聚焦于关键的时间步，抑制无效信息，计算过程如下：

34、et＝vttanh(whht+wqq+bh)

35、

36、其中，q为查询向量，v为注意力向量，wh为权重矩阵，et为当前隐藏状态与查询向量的相关性，bh为偏置项，αt为当前隐藏状态重要性权重，c为输入隐藏序列的权重加和，突出当前时序关系中的重要特征信息。

37、全连接层：接收注意力机制层输出的c和ht并作为其输入，执行运算yt＝relu(wy·[c,ht]+by)，relu(x)＝max(0,x)为激活函数，同时对隐藏单元数进行适当降维处理。

38、输出层：执行运算输出故障类别概率分布，为激活函数，n为故障类别数。

39、本发明中，所述步骤s4中特征提取和故障诊断模型训练具体包括以下步骤：

40、s41、cnn和lstm融合故障诊断网络构建；

41、s42、数据集划分：将标注样本数据集按照一定比例划分为训练集、验证集和测试集；

42、s43、模型训练与优化：使用训练集进行模型训练，迭代过程使用交叉熵损失函数衡量模型故障诊断效果，使用adam优化算法更新模型可训练参数；

43、s44、模型评估：在每个训练epoch结束时使用验证集评估模型性能，根据性能指标(准确率、f1值等)和损失函数的变化情况进行超参数调优，调优方法使用随即搜索。模型训练完成后在测试集上评估训练完成的模型泛化能力。

44、本发明中，所述步骤s5中模型部署与故障诊断过程，具体包括：

45、s51、将训练好的cnn-lstm融合故障诊断模型部署到列车车载监测设备中；

46、s52、设备实时采集集电靴四个电流环输出的电流数据，并按与数据预处理相同的方法构建特征输入样本；

47、s53、模型对输入样本进行在线推理，并输出脱靴故障诊断结果及置信度；

48、s54、进一步地，诊断结果可实时显示在驾驶室显示屏，当发生故障时还可通过声光报警提醒司机采取应急措施。

49、与现有技术相比，本发明具有以下优点：

50、(1)提出了一种新颖的集电靴实时电流曲线特征提取方法。利用机器学习算法,特别是基于深度学习的cnn-lstm神经网络模型，对集电靴实时电流数据进行自动特征提取和智能分析，克服了传统信号处理方法面临的非平稳、多尺度、强噪声等挑战，实现对集电靴脱靴故障的实时高精度诊断，大幅提高故障检测的及时性和可靠性，保障行车安全。

51、(2)实现了集电靴故障诊断的智能化和自动化。通过cnn-lstm神经网络模型，可以自动、连续地对集电靴实时电流数据进行分析和诊断，无需人工干预。这种智能化诊断方法可以大幅减少人力投入，降低运营维护成本。同时，基于大数据和深度学习的智能算法，其诊断性能可以随着数据的不断积累和模型的持续优化而不断提高，具有良好的可持续性和自我完善能力，为城市轨道交通集电靴故障诊断提供了一种高效、经济、可靠的新途径。

52、(3)具有良好的通用性和可扩展性。一方面，本发明方法可以广泛应用于各种类型的城市轨道交通车辆，如地铁、轻轨等，不受车辆型号和运行环境的限制；另一方面，本发明的技术框架和思路可以拓展应用于其他类型的故障诊断，如道岔转辙机故障、接触网故障等。此外,本发明中采用的cnn-lstm神经网络，也可以根据实际需求进行灵活调整和优化，以适应不同的数据特点和故障诊断任务。因此，本发明为城市轨道交通乃至其他领域的设备故障诊断提供了一种通用、可扩展的智能化解决方案，具有广阔的应用前景。