基于CNN-LSTM的铁路道岔故障诊断系统研究.docxVIP

1相关原理

基于CNN-LSTM的铁路道岔故障诊断系统研究

摘要：铁路道岔是铁路运输系统中的关键组成部分，其工作状态直接影响着列车运行的安全与效率，铁路道岔故障的及时诊断与检修对确保铁路系统正常运行至关重要。本文提出了一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)

混合而成的深度学习故障诊断模型，通过采集铁路道岔动作电流和功率曲线数据来组成训练集和测试集，并对模型进行训练和测试，结果表明，与单一的CNN和

LSTM诊断模型相比，本文提出的CNN-LSTM混合模型的故障诊断效果更优。最后设计并开发了一套铁路道岔故障监测和诊断系统，实现了对铁路道岔的实时监测和故障诊断。

关键词：铁路道岔卷积神经网络长短期记忆网络

随着我国高速铁路网的快速发展，铁路运输的安全性与可靠性日益受到社会各界的关注。铁路道岔作为铁路线路中的重要组成部分，其工作性能状态直接关系到列车的安全运行和铁路运输的效率。然而，由于道岔结构的复杂性以及工作环境的恶劣性，道岔故障时有发生，给铁路安全带来了极大的隐患。因此，开展铁路道岔故障诊断的研究，对于保障铁路运输安全具有重要的理论意义和实用价值。近年来，深度学习技术的发展为铁路道岔故障诊断提供了新的解决思路，卷积神经网络以其在图像处理领域的卓越性能，被广泛应用于特征提取和模式识别任务中。而长短期记忆网络作为一种特殊类型的循环神经网络，能够有效处理时间序列数据，并捕捉数据中的长期依赖关系。国内学者运用深度学习的方法对铁路道岔故障的诊断开展了一系列的相关研究，并取得了许多研究成果，但大部分研究都是使用单一的诊断方法，将多种方法综合起来使用的研究相对较少。将CNN与LSTM相结合，组合起来使用可以充分发挥两者的优势，实现对铁路道岔故障信号的深度特征学习和时序分析，从而提高故障诊断的准确性和效率。

1.1卷积神经网络(CNN)

在20世纪80年代，受生物神经科学的启迪，YannLeCun及其团队提出了一

种基于前馈原理的神经网络架构模型，该模型广为人知为卷积神经网络(CNN)[1],它由五个关键层级构成：输入层、卷积层、池化层、全连接层以及输出层。特别地，卷积层利用卷积操作作为其核心机制，旨在从输入的铁路道岔信号数据中高效地提取出关键特征。池化层通过缩小故障预测模型的大小来提高计算速度，在保留铁路道岔信号数据重要特征的前提下降低特征的维度，提高所提取数据特征的鲁棒性。

全连接层通过对提取的特征值进行整合并将其转换为向量输出。

卷积层的计算表达式如下：

在此公式中，第1个卷积层的第i个特征输出被表达为，其中j代表了当前层输出特征的总数，这一数量是基于上一层输出向量的计算得出的。偏置项以符号表示，而特征图矩阵则用j表示。卷积核的权重则由符号表示，其中n为卷积核的索引值。此外，卷积层的输出数量由变量N给出，而激活函数则通过符号表示。

池化层计算公式如下：

其中，表示池化层的输出结果，T,R分别表示池化层的步长和核的大小，r为池化窗口。

1.2长短期记忆网络(LSTM)

在20世纪90年代，SeppHochreiter与JürgenSchmidhuber针对循环神经网络所存在的局限性，创新性地提出了长短期记忆网络(LSTM)模型[2]。该模型通过引入独特的“门控机制”,具体包括输入门、遗忘门、记忆单元以及输出门，实现了对历史信息的精细化更新与保留策略。这一设计显著增强了网络处理长时间序列数据时的记忆能力，同时有效解决了梯度消失与梯度爆炸这一长期困扰神经网络训练的难题。图1为长短期记忆网络的基本单元结构。

LSTM单元的向前计算公式如下[3]:

其中，ft表示遗忘门的激活值，it表示输入门的激活值，Wf表示遗忘门的权重参数矩阵，Wi表示输入门的权重参数矩阵，[ht-1,Xt]表示双向量拼接结果，

bf表示遗忘门的偏置值，bi表示输入门的偏置值，sigmoid函数由表示。表示候选元素的状态，ct-1表示t-1时刻的状态，ct表示由当前记忆状态和长期记忆状态ct-1组合而成的新单元状态，ht表示t时刻的输出。

2CNN-LSTM故障诊断模型构建

考虑到铁路道岔转辙机的动作电流及功率曲线数据具有多维性和时序性的特点，为了能够从时间和空间两个方面对数据的特征进行充分提取，本文提出了一种基于CNN-LSTM的混合深度学习的故障诊断模型，CNN提取数据的空间特性，LSTM提取

数据的时间特性。模型主要包含三个部分，第一部分为三层一维卷积的结构网络

(CNN