基于模糊聚类和CNN-BIGRU的轨道电路故障预测

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。