一种基于卷积神经网络的轨道电路运行状态智能识别方法

计算;推算;计数设备的制造及其应用技术1.本发明属于轨道电路运行状态识别技术领域，具体涉及一种基于卷积神经网络的轨道电路运行状态智能识别方法。背景技术：2.轨道电路是铁路信号工程中的重要构成部分，随着轨道交通的不断发展，运营、建设、规划线路规模和投资跨越式增长，城轨交通持续保持快速发展趋势，各种因信号设备故障导致列车晚点、列车追尾事故频发，很容易引发连带晚点，继而出现列车晚点传播，打乱列车运行秩序，甚至波及网络中其他线路；3.轨道电路设备实时监测数据集包含轨道电路运行过程中的多个设备电流电压等信号数据，数据较多，无法直观观测出数据的变化，而且目前针对轨道电路信号的识别仍处于人工识别阶段，人力物力耗费较大，一旦检测人员稍有不慎则可能会导致信号的漏判，从而导致轨道交通安全事故发生，带来无法估计的损失；4.鉴于以上，提供一种基于卷积神经网络的轨道电路运行状态智能识别方法便显得较为迫切。技术实现要素：5.针对上述情况，为克服现有技术之缺陷，本发明提一种基于卷积神经网络的轨道电路运行状态智能识别方法，根据轨道电路监测数据集构建轨道电路运行状态灰度图谱，然后构建卷积神经网络模型对轨道电路运行状态灰度图谱进行特征提取与状态识别，能够直观表达轨道电路运行过程中多个监测变量的变化，可以有效且准确对轨道电路运行状态进行识别。6.一种基于卷积神经网络的轨道电路运行状态智能识别方法，其特征在于，包括以下步骤：7.s1：采集轨道电路运行状态下监测变量的数据集；8.s2：将采集到的数据集构建轨道电路运行状态灰度图谱，所述运行状态包括正向占用、逆向占用和空闲三种运行状态；9.s3：将经s2得到的轨道电路运行状态为占用状态的灰度图谱利用基于python的图像和视频处理库opencv对图像进行缩放处理，将所有占用状态的灰度图谱尺寸统一；10.s4：将经s3处理后的轨道电路占用状态和经s2得到的轨道电路空闲状态灰度图谱分为训练集、验证集和测试集；11.s5：针对s4中的灰度图谱，建立卷积神经网络模型；12.s6：将s4得到的灰度图谱输入到s5中构建的神经网络模型中进行训练和状态识别。13.上述技术方案有益效果在于：14.本技术方案根据轨道电路监测数据集构建轨道电路运行状态灰度图谱，通过图像的灰度级别变化可直观表达轨道电路运行过程中u盾讴歌监测变量的变化，并将其作为轨道电路运行状态的特征输入卷积神经网络中，通过多层卷积层充分提取灰度图谱的多个特征，从而有效且准确的对轨道电路运行状态进行识别。附图说明15.图1是本发明基于卷积神经网络的轨道电路运行状态智能识别方法流程图；16.图2是轨道电路正向占用、逆向占用和空闲三种运行状态的灰度图谱对比图；17.图3是列车经过时占用轨道电路时间不同导致轨道电路运行状态灰度图谱尺寸不同与经过处理后的灰度图谱对比图；18.图4是卷积神经网络的结构图；19.图5是神经网络模型预测时的混淆矩阵。具体实施方式20.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图1-5，对本发明的具体实施方式作进一步详细说明。21.下面结合我国高铁某区段zpw-2000r轨道电路的实际运行数据来对本技术方案进行详细的说明，具体过程如下：22.s1：采集的数据集类型为轨道电路正向占用、逆向占用和空闲三种运行状态；23.s2：将采集到的数据集构建轨道电路运行状态灰度图谱，灰度图谱构建步骤如下：24.s2-1、轨道电路检测数据集包含m＝48个监测变量(记为x1，x2，…，xm)，各监测变量在t时间段内有n个测量值，定义x为t时间段内轨道电路监测变量数据矩阵，则[0025][0026]s2-2、将数据矩阵x的各个变量元素进行归一化处理得到x的标准化矩阵并定义为x*，归一化公式为[0027][0028]s2-3、将标准化数据矩阵x*中各个元素进行灰度级映射得到灰度图rx所对应的灰度值矩阵fx，则[0029][0030]fij＝int[xij*255][0031]其中，int[.]为取整函数；fij为xij所对应的灰度值，0≤fij≤255，当fij＝0的时候，表示黑色，fij＝255的时候，表示白色，各状态的灰度图谱如图2所示。[0032]s3：将经s2得到的轨道电路运行状态为占用状态的灰度图谱利用基于python的图像和视频处理库opencv对图像进行缩放处理，将所有占用状态的灰度图谱尺寸统一，列车经过时占用轨道电路时间不同导致轨道电路运行状态灰度图谱尺寸不同与经过处理后的灰度图谱对比图如附图3所示。[0033]s4：将经s3处理后的轨道电路占用状态和经s2得到的轨道电路空闲状态灰度图谱按比例7：3：10划分为训练集、验证集和测试集。[0034]s5：针对s4中的灰度图谱，建立卷积神经网络模型，卷积神经网络结构如下：[0035]s5-1、第一层由一个尺度为3*3的卷积核对输入数据提取特征，卷积核的个数为32个，移动步长为1，卷积层后连接一个激活层，激活函数为relu；[0036]s5-2、第二层为池化层，池化核大小2*2，池化方法为最大池化，移动步长为2；[0037]s5-3、第三层由一个尺度为3*3的卷积核对输入数据提取特征，卷积核的个数为64个，移动步长为1，卷积层后连接一个激活层，激活函数为relu；[0038]s5-4、第四层为池化层，池化核大小2*2，池化方法为最大池化，移动步长为2；[0039]s5-5、第五层也由一个尺度为3*3的卷积核对输入数据提取特征，卷积核的个数为64个，移动步长为1，卷积层后连接一个激活层，激活函数为relu；[0040]s5-6、第六层为池化层，池化核大小2*2，池化方法为最大池化，移动步长为2；[0041]s5-7、第七层为全连接层，后面连接一个dropout层；[0042]s5-8、第八层也为全连接层，后面连接一个dropout层；[0043]s5-9、第十层为softmax层。[0044]s6：将s4得到的灰度图谱输入到s5中构建的神经网络模型中进行训练，训练方法采用adam梯度下降法，迭代次数100，训练结束后，保存训练好的模型，将测试集输入训练好的神经网络模型中进行预测，测试结果如表1所示，混淆矩阵如图5所示。[0045]表1模型测试结果[0046][0047]根据表1和混淆矩阵可以看出，训练好的神经网络模型能够准确地识别轨道电路占用状态和空闲状态，对轨道电路正向占用状态和逆向占用状态以及空闲状态的分类识别准确率均为100％，实验证明，本技术方案的方法对轨道电路运行状态有很好的识别效果；[0048]本技术方案通过构建轨道电路运行状态灰度图谱，通过图像的灰度级变化可直观表达轨道电路运行过程中多个监测变量的变化，并将其作为轨道电路运行状态的特征输入卷积神经网络中，通过多层卷积层充分提取灰度图谱的多个特征，从而有效且准确的对轨道电路运行状态进行识别。[0049]上面所述只是为了说明本发明，应该理解为本发明并不局限于以上实施例，符合本发明思想的各种变通形式均在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!