![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于贝叶斯元学习的小样本转辙机故障诊断.pdf
《基于贝叶斯元学习的小样本转辙机故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于贝叶斯元学习的小样本转辙机故障诊断.pdf(13页珍藏版)》请在咨信网上搜索。
1、第 20 卷 第 10 期2023 年 10 月铁道科学与工程学报Journal of Railway Science and EngineeringVolume 20 Number 10October 2023基于贝叶斯元学习的小样本转辙机故障诊断赵盼1,王小敏1,2,傅美君1(1.西南交通大学 信息科学与技术学院,四川 成都 611756;2.列车运行控制技术四川省工程研究中心,四川 成都 611756)摘要:转辙机作为转换道岔的关键设备,其工作状态的及时诊断对铁路行车安全和运输效率至关重要。针对铁路现场转辙机型号多、故障样本少、故障类别不均衡等实际问题,提出一种基于PLATIPUS贝叶斯
2、元学习的小样本转辙机故障诊断方法。首先介绍转辙机动作数据的微机监测采集原理及典型故障模式,然后分析贝叶斯元学习的小样本分类优势,在此基础上构建基于PLATIPUS算法的小样本转辙机故障诊断框架,并使用具有4个卷积模块的卷积神经网络作为故障诊断分类器,以模型损失、收敛速度和分类准确度为指标,通过实验确定模型的任务批次大小、元学习率、基础学习率等超参数。依托元学习片段式训练模式下的双层优化机制及贝叶斯元学习对模型不确定性的度量,诊断模型使用少量训练样本便可得到高准确度的故障分类器,并可实现不同型号转辙机故障的快速迁移诊断。最后以ZD9型和ZYJ7型2种典型转辙机的现场小样本数据为例进行测试验证,并
3、与相关方法进行对比实验。实验结果表明,该方法在单型号转辙机故障诊断场景下准确度在95%以上,在跨型号转辙机故障迁移诊断场景下准确度可以达到91.98%。该方法对多种型号的转辙机非均衡小样本数据场景具备良好适应性,为铁路现场转辙机故障诊断提供了一种新的可行方案。关键词:转辙机;故障诊断;小样本;元学习;卷积神经网络中图分类号:U284.92 文献标志码:A 开放科学(资源服务)标识码(OSID)文章编号:1672-7029(2023)10-4008-13Few-shot switch machine fault diagnosis based on Bayesian meta-learningZ
4、HAO Pan1,WANG Xiaomin1,2,FU Meijun1(1.School of Information Science and Technology,Southwest Jiaotong University,Chengdu 611756,China;2.Sichuan Province Engineering Research Center for Train Operation Control Technology,Chengdu 611756,China)Abstract:Switch machine is the key equipment for switching
5、turnouts,whose working state is crucial to the safety of railway operation and transportation efficiency.Aiming at the practical problems of switch machine fault diagnosis,such as various types of railway switch machines,insufficient fault sample data,and unbalanced fault categories,this paper propo
6、sed a few-shot fault diagnosis method based on PLATIPUS Bayesian meta-learning.First,the principle of microcomputer monitoring and typical fault modes were introduced,and then the advantages of Bayesian meta-learning in few-shot classification were analyzed.On this basis,a few-shot fault 收稿日期:2022-1
7、1-07基金项目:中国国家铁路集团有限公司科技研发计划(P2021G053,N2022G010);四川省科技计划资助项目(2019YFH0097)通信作者:王小敏(1974),男,江西萍乡人,教授,博士,从事轨道交通智能运维研究;Email:DOI:10.19713/ki.43-1423/u.T20222129第 10 期赵盼,等:基于贝叶斯元学习的小样本转辙机故障诊断diagnosis framework for switch machine based on PLATIPUS meta-learning algorithm was constructed,in which convolut
8、ional neural network with four convolution modules was used as classifier.Considering model loss,convergence rate,and classification accuracy as indicators,the task batch size,meta-learning rate,and basic learning rate of the model were determined by experiments.Benefiting from the two-layer optimiz
9、ation mechanism of meta-learning episodic training mode and the model uncertainty measurement of Bayesian meta-learning,this method not only can derive a high-accuracy fault classifier only with a few labeled training data,but also has the fault transfer learning ability over different types of swit
10、ch machines.Finally,few-shot sample data of ZD9 and ZYJ7 switch machines were used for model testing and comparison with relevant methods.The experimental results show that the diagnosis accuracy of the proposed method is above 95%in scenarios of single-model switch machine fault diagnosis,and the a
11、ccuracy can reach 91.98%in scenarios of cross-model switch machine fault migration diagnosis.The method has good adaptability to the unbalanced small-sample data scenarios of many types of switch machines,and provides a new feasible solution to the fault diagnosis of switch machines in railway field
12、.Key words:switch machine;fault diagnosis;few-shot;meta-learning;convolutional neural network 随着我国铁路运营里程不断增加、行车速度不断提升,铁路行业对信号基础设备的可靠性与安全性要求也不断提高。转辙机作为转换道岔的关键信号设备,要求能长期保持良好的工作状态以确保行车安全与运输效率。目前普遍装备了微机监测系统用于转辙机动作状态的实时监测和报警。然而受室外恶劣工作环境影响,转辙机的故障致因复杂、故障模式多样,使得监测系统的误报率和虚警率较高,目前还需人工对报警进行分析和故障类别确认,其准确性依赖于工作人
13、员的专业经验且处置效率低,难以满足现场设备的状态修要求。因此,开展高效的转辙机故障智能诊断研究具有重要的现实意义,并成为近年来的研究热点。现有的转辙机故障诊断方法可分为基于传统机器学习方法和基于深度学习方法两大类。前者通过提取转辙机动作数据的多维度特征,将其输入传统机器学习模型进而实现故障诊断,代表方法有隐马尔科夫模型12、支持向量机36、灰色关联分析78等。此类方法模型结构简单易实现,但表征能力不强且在多分类问题上表现欠佳。后者通过搭建深层神经网络模型,利用大量的有标签数据对模型参数进行优化训练,使得模型可对无标签数据进行分类。杨菊花等9对转辙机动作数据进行哈尔小波变换并通过卷积神经网络(C
14、onvolutional Neural Network,CNN)提取故障特征,将故障特征输入门控循环单元(Gated Recurrent Unit,GRU)实现故障诊断。FIDALI等10以波兰某地转辙机一年的扭矩数据为数据源,搭建自回归神经网络对转辙机故障进行诊断。陈海欢11基于长短时记忆神经网络(Long Short Term Memory,LSTM)对时间序列数据处理的优势,建立了融合注意力机制的多层双向LSTM模型,实现了对ZYJ7型转辙机故障的快速精确诊断。王智超等12利用固有时间尺度分解与对称点模式变换得到转辙机故障特征的图像形式,并搭建深度可分离卷积神经网络进行故障诊断。但实际工
15、况下转辙机故障样本数据量不足且故障类别不均衡等问题使得上述模型难以训练。因此,部分学者将生成对抗网络13(Generative Adversarial Network,GAN)等扩展样本的方法用于缓解转辙机数据量不足及类别不均衡问题,提升了转辙机故障诊断的准确度,但这类方法需要额外的样本扩充和数据增强预处理工作,且生成样本的质量对模型诊断效果有一定影响14。此外,我国铁路现场使用的转辙机型号众多,而现有方法多以某一型号转辙机为研究对象建立诊断模型,对不同型号转辙机的不同故障类别需要重新训练建模,一般不具备跨型号转辙机故障诊断的能力。元学习作为一种有效处理小样本问题、提高模型泛化能力的方法15,
16、无需额外对小样本数据集进行扩充,已经成功地应用于小样本图像识4009铁 道 科 学 与 工 程 学 报2023 年 10月别、小样本轴承故障诊断等研究领域1618。借助元学习的小样本学习能力,本文针对转辙机型号多、故障数据少、类别不均衡等现实问题,提出了一种基于PLATIPUS贝叶斯元学习的小样本转辙机故障诊断方法。利用元学习算法的双层优化机制和片段式训练模式,使得故障诊断模型仅需使用少量真实样本训练便可得到高精度的故障分类器,并且该模型能在新类型转辙机故障类别上快速适应,具备良好的跨型号转辙机故障诊断能力。1 道岔转换原理及转辙机动作数据采集分析我国铁路线路情况复杂,所使用的转辙机类型众多,
17、有适用于提速道岔的ZD(J)9系列、ZYJ7型转辙机,有用于非提速区段以及提速区段侧线的ZD6型转辙机,还有用于我国全路主要干线的S700K型转辙机等13。本文以ZD(J)9系列中的ZD9型直流电动转辙机和ZYJ7型交流电动液压式转辙机为研究对象,二者在我国铁路中应用广泛,具备代表性。2 种型号转辙机的故障模式存在差异性,不失一般性,以ZD9型转辙机动作电流数据和ZYJ7型转辙机动作功率数据为数据源来验证本文方法的有效性。1.1道岔转换原理及转辙机动作数据采集道岔是一种使机车车辆从一股道转入另一股道的线路连接设备,通常在车站、编组站大量铺设。图1所示为道岔结构示意图。道岔的2根尖轨一根密贴于基
18、本轨、一根斥离于基本轨,通过转辙机的动力牵引可以同时改变2根尖轨的位置,使原来密贴的斥离、原来斥离的密贴,从而改变轨道走向。在转辙机转换道岔的动作过程中,牵引电机的动作电流将发生阶段性变化,现场维护经验表明,当转辙机特定部件故障、接点接触不良、锁闭卡阻等情况发生时,将会导致转辙机动作电流发生相应的异常变化,因此通过监测分析动作电流或功率的变化情况,一定程度上可以实现转辙机常见故障的诊断。基于微机监测系统监测采集转辙机动作电流(功率)的示意图如图2所示19。开关量采集模块通过判断道岔启动继电器1DQJ的状态来判断转辙机是否启动。当监测到某个1DQJ的状态由落下变为吸起时,便启动对应的计时器,启动
19、A/D转换,并以不大于40 ms的采样周期,通过控制模拟量输入板上的多路开关对该道岔动作电流进行密集采样。在此期间,霍尔电流传感器从断相保护器处采集电流数据,并通过输出端子将电流数据传送给功率采集器。功率采集器在转辙机动作的每个阶段从断相保护器处采集电压数据。通过使用电流和电压数据进行计算获得功率数据后,功率采集器通过RS-485总线将功率数据传输至通信前端处理器,最后通过网络电缆将数据发送至监控主机。1.2转辙机动作数据分析ZD9型、ZYJ7型转辙机正常工作状态下的动作曲线如图 3(a)和图 3(b)所示,二者均可分为解图1道岔结构示意图Fig.1Schematic diagram of t
20、urnout structure4010第 10 期赵盼,等:基于贝叶斯元学习的小样本转辙机故障诊断锁、转换、锁闭及表示4个过程。由图 3(a)可知,对于 ZD9 型转辙机解锁过程(在图中标示为s1),由于启动时需要较大电流,动作曲线陡峭上升后急剧下降,产生一个电流峰值;对于转换过程(s2),道岔开始转换,此时转辙机工作稳定,因而电流值保持平稳,一般不大于2 A;对于锁闭过程(s3),道岔转换到位且尖轨与基本轨密贴,动作电流值会在短时内迅速下降,但不为0;对于表示过程(s4),道岔锁闭后,由于1DQJ具有缓放作用,形成电流的“小台阶”,1DQJ落下后启动电路断开而表示电路接通,电流值恢复为0。
21、图 3(b)所示的 ZYJ7 型转辙机功率曲线变化与ZD9型转辙机电流曲线变化类似,不再赘述。基于大量现场维修维护经验得到的转辙机典型故障模式见表1,对应的转辙机动作曲线如图4所示。图2转辙机动作数据监测及采集流程图Fig.2Flow chart of data monitoring and acquisition for switch machine(a)ZD9电流曲线;(b)ZYJ7功率曲线图3转辙机正常动作曲线Fig.3Normal action curve of the switch machine4011铁 道 科 学 与 工 程 学 报2023 年 10月(a)ZD9故障类型1;(
22、b)ZD9故障类型2;(c)ZD9故障类型3;(d)ZD9故障类型4;(e)ZD9故障类型5;(f)ZYJ7故障类型1;(g)ZYJ7故障类型2;(h)ZYJ7故障类型3图4转辙机典型故障所对应的动作曲线Fig.4Typical fault action curve of the switch machine4012第 10 期赵盼,等:基于贝叶斯元学习的小样本转辙机故障诊断2 基于PLATIPUS贝叶斯元学习的转辙机故障诊断2.1元学习基本知识元学习是目前解决小样本问题的主要方法。与传统机器学习不同,元学习模型在训练阶段以任务为基本单位,如图5所示。每一个任务中的支持集是 N-Way K-S
23、hot形式,即包含 N个类别的样本数据,每一个类别下有K个样本数据;问询集中样本类别数与支持集相同。元学习模型中有元学习器和基础学习器,元学习器学习多个任务上的共性知识以指导基础学习器在特定任务上的特性知识学习。这个学习过程多通过片段式训练来完成,每一个片段对应于一个任务。2.2PLATIPUS贝叶斯元学习算法FINN 等 20提出的 PLATIPUS 算法将贝叶斯思想与元学习相结合,其从元学习器参数分布中采样得到基础学习器初始值的参数共享机制使得模型能够度量小样本数据集的模糊性,更适合于处理小样本问题,因而本文采用PLATIPUS算法用于小样本转辙机故障诊断。算法的推理过程如图 6所示。PL
24、ATIPUS算法使用结构化变分推理来逼近随机变量的真实分布,使用qi(i)来近似每个任务的隐变量和i的分布,如式(1)所示。在此基础上,使用平摊变分推理来避免为每个任务单独存储变分分布qi()和qi(i|),定义由参数参数化的神经网络模型q按照式(2)和式(3)去逼近qi()和qi(i|)。qi(i)=qi()qi(i|)(1)qi()=q(|xSiySixQiyQi)(2)qi(i|)=q(i|xSiySixQiyQi)(3)基于式(1)至式(3)及Jensen不等式,将对数似然函数的变分下界表达为式(4),最大化变分下界即为目标函数。logp(yQi|xQixSiySi)表1转辙机典型故障
25、模式Table 1Typical fault mode of the switch machine转辙机型号ZD9ZYJ7故障编号12345123故障类型缓放时间长转换卡阻锁闭受阻动作电流不稳转换失败功率值不下降锁闭故障动作时间短故障现象缓放区“小台阶”变宽缓放区无“小台阶”锁闭区电流值大动作区电流波动大电流曲线仅有一个启动峰值,而后迅速降至0动作时间长、功率值不下降锁闭区功率值异常变大功率曲线仅出现启动峰值便迅速回落可能故障原因断相保护器出现故障、1DQJ故障等表示缺口未显示、表示杆缺口内有杂物、密贴检查器未到位等密贴过紧、尖轨处夹杂异物、锁闭框调整不当等启动电路各接点接触不良、外锁闭装置卡
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 贝叶斯元 学习 小样 转辙机 故障诊断
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。