科研之友
微信
新浪微博
Facebook
分享链接
摘要
转辙机作为转换道岔的关键设备，其工作状态的及时诊断对铁路行车安全和运输效率至关重要。针对铁路现场转辙机型号多、故障样本少、故障类别不均衡等实际问题，提出一种基于PLATIPUS贝叶斯元学习的小样本转辙机故障诊断方法。首先介绍转辙机动作数据的微机监测采集原理及典型故障模式，然后分析贝叶斯元学习的小样本分类优势，在此基础上构建基于PLATIPUS算法的小样本转辙机故障诊断框架，并使用具有4个卷积模块的卷积神经网络作为故障诊断分类器，以模型损失、收敛速度和分类准确度为指标，通过实验确定模型的任务批次大小、元学习率、基础学习率等超参数。依托元学习片段式训练模式下的双层优化机制及贝叶斯元学习对模型不确定性的度量，诊断模型使用少量训练样本便可得到高准确度的故障分类器，并可实现不同型号转辙机故障的快速迁移诊断。最后以ZD9型和ZYJ7型2种典型转辙机的现场小样本数据为例进行测试验证，并与相关方法进行对比实验。实验结果表明，该方法在单型号转辙机故障诊断场景下准确度在95%以上，在跨型号转辙机故障迁移诊断场景下准确度可以达到91.98%。该方法对多种型号的转辙机非均衡小样本数据场景具备良好适应性，为铁路现场转辙机故障诊断提供了一种新的可行方案。
- 单位
