基于深度学习的铁路道岔故障诊断方法.pdfVIP

摘要

铁路运输在我国经济和发展中占有关键地位。随着铁路规模的扩张和列车行

驶速度的提升，安全性问题也日益凸显。道岔是铁路信号设备的重要组成。由于

道岔所处环境多变且使用频繁，出现故障的可能性也大大增加。因此，针对铁路

道岔的故障诊断进行研究是十分必要的。目前，道岔故障诊断大多依赖人工对微

机所监控的道岔电流曲线进行判断。此类方法较为消耗人力，且受人工经验影响，

可能出现误判等情况。近年来，随着大数据的发展，基于深度学习的方法因其优

秀的特征提取及泛化能力不断展露锋芒。因此，本文针对铁路道岔故障诊断中存

在的故障信号特征选择难、故障信号特征提取不充分以及故障信号标签难获得等

问题，提出了三种基于深度学习的铁路道岔故障诊断方法，主要工作如下：

（1）基于LSTM和注意力机制的铁路道岔故障诊断方法。首先，对采集的

道岔电流进行有重叠的分段采样。接着，采用LSTM对分段后的电流分别进行特

征提取。然后，构建注意力机制网络，对电流的不同分段进行贡献度的计算，同

时对各分段提取的特征进行权重赋值。最后，基于权重赋值，对分段电流特征进

行线性化计算，以获得该电流的故障样本标签。该方法不需要进行人工特征选择，

构建了一个端到端的道岔故障诊断模型，同时可以获得较高的正确率。

（2）基于图自编码器的铁路道岔电流信号特征提取方法。首先，采用余弦

相似度将采集的道岔电流信号建模成图。接着，构建图自编码器模型进行电流信

号的特征提取，包括基于图卷积神经网络构建编码器实现对图特征的提取；采用

点积作为解码器进行图的重构。然后，对图自编码器模型进行训练，获取电流信

号特征。最后，使用层次聚类获得各样本的聚类结果。该方法在无标签样本的情

况下对电流信号进行充分的特征提取，并通过聚类算法对故障进行初步诊断，能

够帮助在海量数据的情况下实现初步的分析和类别的表示。

（3）基于图卷积神经网络和LSTM的半监督铁路道岔故障诊断方法。首先,

利用LSTM对电流信号进行特征提取并获得特征矩阵。然后，基于提取的特征采

用KNN方法将电流信号构建成图并获得其邻接矩阵。接着，将特征矩阵和邻接

矩阵输入到构建的图卷积神经网络中，以实现对故障样本的分类。该方法结合了

LSTM对时序数据特征提取和图卷积神经网络对数据充分特征提取的优势，实现

了半监督故障诊断方法。该方法改进了无监督故障诊断中正确率不高的问题，也

克服了实际情况中标签样本难获取的问题。

关键词：铁路道岔，故障诊断，LSTM，图自编码器，图卷积神经网络

ABSTRACT

Therailwaytransportationisinakeypositioninourcountryseconomyand

development.Asthescaleandthespeedoftherailwayincreased,safety-relatedissues

havebecomeincreasinglyprominent.Intherailwaysignalequipment,turnoutisoneof

theimportantcomponents.Duetothechangingenvironmenttogetherwiththefrequent

usage,thepossibilityoffailuresinturnoutisalsogreatlyincreased,thusitisnecessary

toresearchonfaultdiagnosismethodsofrailwayturnout.Atpresent,faultdetection

achievedbythemostexistingmethodsreliesonthemanualjudgmentofthemonitored

currentcurve.Ontheonehand,thiskindofmethodcostslargehumanresources.On

theotherhand,theresultisgreatlyaffectedbymanualexperience,whichmaycau