基于模糊聚类和CNN-BIGRU的轨道电路故障预测 |
| |
作者姓名: | 林俊亭 王帅 刘恩东 王阳 |
| |
作者单位: | 1.兰州交通大学自动化与电气工程学院 兰州,730070;2.中国国家铁路集团有限公司铁路安全研究中心 北京,100081 |
| |
基金项目: | 中国铁道科学研究院科研基金资助项目(2021YJ205) |
| |
摘 要: | 针对轨道电路稳态环境下故障诊断时效性不足的问题,提出一种基于Gath-Geva (GG)模糊聚类对轨道电路退化状态进行划分,并利用卷积神经网络(convolutional neural network, 简称CNN)和双向门控循环单元(bi-directional gated recurrent unit, 简称BIGRU)进行轨道电路故障预测的方法。首先,通过集中监测设备获取ZPW-2000轨道电路各类故障发生前一定时间内的正常工作数据;其次,通过核主成分分析进行特征降维和GG模糊聚类对轨道电路性能退化状态进行阶段划分,识别不同的退化状态;最后,利用CNN-BIGRU混合神经网络挖掘轨道电路不同故障类型数据特征,对轨道电路退化状态所对应的故障类型进行预测。实验结果表明,该算法可以精确划分轨道电路退化状态并实现故障预测,CNN-BIGRU预测模型分类精确度可达97.62%,运行时间仅为13.18 s,能够为轨道电路的多模式健康状态识别提供一种有效的方法。
|
关 键 词: | 轨道电路 GG模糊聚类 退化状态划分 卷积神经网络-双向门控循环单元 故障预测 |
收稿时间: | 2022-05-10 |
修稿时间: | 2022-06-20 |
|
| 点击此处可从《振动、测试与诊断》浏览原始摘要信息 |
|
点击此处可从《振动、测试与诊断》下载全文 |