摘要
地铁道岔设备因长期工作于室外，且工况复杂，导致故障发生频率较高。然而现有道岔设备的故障诊断仍由人工主导，存在效率低、可靠性差的缺陷，给列车的运行安全带来了不利的影响。基于数据的智能故障诊断方法能够显著提高故障诊断的效率和精度，在道岔设备的故障诊断领域备受关注，但是目前的研究仍存在一定的不足。第一，现有的基于时序数据的智能故障诊断方法中缺少能反映故障数据能量重心特征的时域特征指标；第二，在利用传统的卷积神经网络（ConvolutionalNeuralNetwork,CNN）算法进行故障诊断时，没有考虑故障数据的维度转换所带来的时序特征损失。 本文在调研国内外相关文献的基础上，针对现有的故障诊断方法中时域特征指标不能反映数据能量重心分布的问题，构建了描述道岔设备动作电流数据能量分布特征的三个指标，提出了基于能量分布特征和支持向量机（Supportvectormachine,SVM）的道岔设备智能故障诊断方法。另外，为了进一步提高道岔设备动作电流数据故障特征提取的效率，解决因故障数据的维度转换所带来的时序特征损失问题，设计了基于一维卷积神经网络（OneDimensionalConvolutionalNeuralNetwork,1DCNN）的特征提取模型，提出了基于一维卷积神经网络和支持向量机（1DCNN-SVM）的道岔设备智能故障诊断方法。本文主要的研究工作如下： （1）探究了地铁道岔设备的工作原理，建立了ZD6型道岔转辙机动作电路的仿真模型。重点梳理了道岔转辙机控制电路的控制过程，并根据控制电路的动作电流数据分析了道岔设备的常见故障。在现有故障数据不足的背景下，建立了控制电路中动作电路的仿真模型，模拟了正常工况下和6类故障工况下的运行情况。同时，将仿真得到的电流数据与真实电流数据进行了对比，证明了该模型的有效性，为后续故障诊断方法的效果验证及对比实验补充了数据。 （2）提出了基于动作电流数据能量分布特征和SVM的道岔设备智能故障诊断方法。针对现有时域特征指标不能反映故障数据能量重心分布的问题，构建了描述道岔设备动作电流数据能量分布特征的三个指标。将经过加窗提取能量分布特征指标后的数据输入到SVM模型中进行故障识别，并与其他常用的两种方法进行了对比，验证了该方法在道岔设备故障诊断中的有效性和优越性。 （3）提出了基于1DCNN-SVM的道岔设备智能故障诊断方法。为了进一步提高道岔设备动作电流数据故障特征提取的效率，解决因故障数据的维度转换所带来的时序特征损失问题，设计了基于1DCNN的特征提取模型。将动作电流数据输入到1DCNN模型进行预训练，然后提取其全连接层数据作为特征集，输入到SVM模型中进行故障识别，形成了基于1DCNN-SVM的道岔设备智能故障诊断方法。通过将该方法与其他常用的两种方法进行对比分析，验证了其在道岔设备故障诊断中的有效性和优越性。
NETL