S700K电动型转辙机是我国高速铁路运输中不可缺少的室外信号装置,其作用主要是转换、锁闭道岔以及及时反馈道岔的位置和工作状态。我国现阶段S700K转辙机的状态诊断基本依靠人工经验以及定期的排查、检测、维修,但随着我国高铁线路的增多,该方式已经不能满足现阶段的故障监测,有效识别S700K转辙机工作状态即正常、亚健康、故障、严重故障,对高铁的运行安全有重大意义,尤其发现亚健康状态,将大大提高维修效率,将事故排除在萌芽阶段。为此本文提出了基于卷积神经网络和模糊聚类的S700K转辙机全周期运行状态诊断算法。本文研究内容主要包括:(1)分析了故障诊断以及状态评估研究现状,并利用转辙机功率曲线可以反应道岔转辙机的性能状态之间的关系。以S700K转辙机为研究对象。针对转辙机的故障诊断以及全周期状态评估,利用卷积神经网络能提取微小特征的优势,提出了基于卷积神经网络的特征提取方法,采用轻量化卷积神经网络Squeezenet,去掉Sofmax分类层只保留前11层特征提取层,将Squeezenet前11层特征提取器提取到S700K转辙机功率曲线的1000个特征,建立标准模型库。对于转辙机全周期状态评估,提出了改进残差网络的转辙机特征提取方法,选取Res Net网络,设计一个维度自适应全局均值池化层(Global Average Pooling,GAP)代替全连接层,采用少量样本训练GAP参数,将转辙机功率曲线图像输入到网络中,在GAP层输出512个特征数据,建立转辙机健康状态评估特征向量库。(2)在故障诊断方面采用模糊模型识别替代Squeezenet分类层,利用模糊模型识别算法计算标准模型库与待测样本之间的格贴近度,根据择近原则实现分类。在全周期状态评估方面,利用全局均值池化层代替Res Net的全连接层,使用少量数据训练GAP层参数,利用模糊聚类代替Resnet网络分类层,在GAP层输出特征向量,构建健康状态特征向量库与待测样本间的的特征向量矩阵,利用模糊聚类算得到动态聚类图,从而实现转辙机状态评估,同时针对该方法的普适性,利用凯斯西储大学轴承公开数据库进行方法适用性验证,结果表明本文所提改进卷积神经网络的方法不仅仅适用于转辙机的状态诊断,还适用于轴承的故障诊断,可根据检测目标的曲线复杂程度来适当增减训练样本的数量以此来提高卷积层特征提取能力,增加分类准确率。
暂无评论