文献类型：期刊文章

作　　者：杨菊花[1] 于苡健[2,3] 陈光武[2,3] 司涌波[2,3] 邢东峰[2,3]

YANG Juhua;YU Yijian;CHEN Guangwu;SI Yongbo;XING Dongfeng(School of Traffic and Transportation,Lanzhou Jiaotong University,Lanzhou 730070,China;Automatic Control Institute,Lanzhou Jiaotong University,Lanzhou 730070,China;Gansu Provincial Key Laboratory of Traffic Information Engineering and Control,Lanzhou 730070,China)

机构地区：[1]兰州交通大学交通运输学院,甘肃兰州730070 [2]兰州交通大学自动控制研究所,甘肃兰州730070 [3]甘肃省高原交通信息工程及控制重点实验室,甘肃兰州730070

出　　处：《铁道学报》

基　　金：国家自然科学基金(61863024,71761023);甘肃省高等学校科研项目(2018C-11,2018A-022);甘肃省科技计划项目(18JR3RA130)。

年　　份：2020

卷　　号：42

期　　号：7

起止页码：102-109

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：道岔作为铁路重要的信号基础设备,在保障铁路安全运行中起到重要作用。基于信号集中监测系统中道岔的故障电流和功率曲线,经过哈尔小波变换后,通过卷积神经网络(CNN)中的卷积层,对故障曲线提取一定维度的道岔故障特征;然后把提取到的故障特征作为门控循环单元(GRU)的输入,从而实现道岔故障诊断;最后将数据集分成训练集和测试集,对模型做训练和验证。实验仿真表明,特征矩阵采用40维输入,迭代75次时,道岔故障诊断准确率达95%,训练时间也优于其他方法。

关 键 词：哈尔小波变换  卷积神经网络 门控循环单元  道岔 故障诊断

分 类 号：U284.72]