铁路道岔转换设备故障诊断【附代码】
✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅ 如需沟通交流，扫描文章底部二维码。
（1）动作功率曲线与振动信号的联合时频分析：
道岔转换设备（转辙机）动作过程中的功率曲线和振动信号蕴含丰富的机械状态信息。提出一种基于同步挤压小波变换的特征提取方法，将功率曲线和加速度信号分别转换为高分辨率时频谱。然后从时频谱中提取能量时变曲线、瞬时频率波动率、峰值能量出现时间等共18个指标。同时从原始功率曲线中直接提取动作时间、最大功率、末尾功率等5个参数。将所有特征归一化后输入随机森林分类器。在某铁路局采集了S700K型转辙机正常、缺油、齿轮磨损、电机轴承卡滞四种状态各300次动作数据，分类准确率达到94.3%。其中功率-振动联合特征比单一功率特征的准确率高出12个百分点。
（2）基于多实例学习的动作过程异常定位：
一次完整的道岔转换过程持续数秒，其中异常可能仅出现在某个短时段。采用多实例学习框架MIL-Diagnosis，将每个动作功率曲线切分为20个等长片段，每个片段作为一个实例。模型基于注意力机制自动学习每个实例对整体故障分类的贡献权重，通过加权聚合得到整体包特征再进行分类。同时，根据高权重的实例可以反推出异常发生的时间窗。在齿轮磨损故障数据中，该方法成功定位到故障片段与人工标记的一致率达89%，并且平均定位误差在0.2秒内。
（3）跨线路转辙机迁移学习的剩余寿命预测：
不同铁路线路的转辙机型号相同但使用工况（每天动作次数、环境温度）不同，导致寿命分布偏移。设计了一种基于对抗域适应的回归网络DA-RUL。源域为实验室加速寿命试验数据（标签完整），目标域为现场线路实际运行数据（仅健康数据或很少故障数据）。网络包含特征提取器、寿命回归器和域判别器。通过域判别器与特征提取器的对抗训练，使特征提取器学习到不依赖域信息的退化特征。回归器在源域监督下学习预测剩余寿命。在广深线转辙机10台设备上测试，仅用1台设备的少量全寿命数据标记，其他9台设备寿命预测的平均绝对百分比误差为18%，而无迁移时误差为35%。,"import torch
import torch.nn as nn
import torch.nn.functional as F
import numpy as np
from scipy.signal import cwt, morlet2
def synchrosqueezing(x, fs=1000, wavelet='morlet'):
# 简化的同步挤压小波变换，返回时频谱能量矩阵
widths = np.arange(1, 51)
cwtmatr = cwt(x, morlet2, widths)
freq = np.fft.fftfreq(len(cwtmatr[0]), d=1/fs)
# 同步挤压算法省略，返回幅度谱
spect = np.abs(cwtmatr)
return spect
class MILAttention(nn.Module):
def __init__(self, feat_dim=64):
super().__init__()
self.attn = nn.Sequential(
nn.Linear(feat_dim, 32),
nn.Tanh(),
nn.Linear(32, 1)
)
def forward(self, instance_feats):
# instance_feats: (B, num_instances, feat_dim)
scores = self.attn(instance_feats) # (B, N, 1)
weights = F.softmax(scores, dim=1)
bag_feat = (weights * instance_feats).sum(dim=1)
return bag_feat, weights
class MILDiagnosis(nn.Module):
def __init__(self, input_dim=23, feat_dim=64, num_classes=4):
super().__init__()
self.feat_ext = nn.Linear(input_dim, feat_dim)
self.attn = MILAttention(feat_dim)
self.classifier = nn.Linear(feat_dim, num_classes)
def forward(self, x):
# x: (B, N, input_dim)
feats = F.relu(self.feat_ext(x))
bag_feat, attn_weights = self.attn(feats)
logits = self.classifier(bag_feat)
return logits, attn_weights
class DomainAdversarialRegressor(nn.Module):
def __init__(self, feat_dim=64, reg_dim=1):
super().__init__()
self.feature_extractor = nn.Sequential(
nn.Linear(20, 64),
nn.ReLU(),
nn.Linear(64, feat_dim)
)
self.regressor = nn.Linear(feat_dim, reg_dim)
self.domain_classifier = nn.Sequential(
nn.Linear(feat_dim, 32),
nn.ReLU(),
nn.Linear(32, 2)
)
def forward(self, x, alpha=1.0):
feat = self.feature_extractor(x)
reg_out = self.regressor(feat)
reverse_feat = ReverseLayerF.apply(feat, alpha)
domain_out = self.domain_classifier(reverse_feat)
return reg_out, domain_out
class ReverseLayerF(torch.autograd.Function):
@staticmethod
def forward(ctx, x, alpha):
ctx.alpha = alpha
return x.view_as(x)
@staticmethod
def backward(ctx, grad_output):
return grad_output.neg() * ctx.alpha, None
def compute_da_loss(domain_pred, domain_label):
return F.cross_entropy(domain_pred, domain_label)
def compute_reg_loss(reg_pred, reg_target):
return F.l1_loss(reg_pred, reg_target)
如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇