基于电流曲线的道岔卡阻诊断方法、装置及电子设备与流程

1.本公开涉及轨道列车技术领域，尤其涉及基于电流曲线的道岔卡阻诊断方法、装置及电子设备。


背景技术：

2.道岔卡阻在道岔故障类别中的危险等级是相对较高的，道岔的卡阻意味着道岔无法运动至有效位置，列车倾覆的发生概率将会大幅提高，由于目前大多数岔区未安装检测道岔锁闭是否结束的传感器，因此无法采用传感器检测的方式对道岔卡阻第一时间进行预警。其次相关背景技术使用的预警或诊断算法仅对采样值进行简单的比较和判断，不能保证对所有故障场景进行有效识别，且有可能在复杂的环境因素影响下对正常状态产生误判。
3.一个完整的转辙机动作的电流曲线是能够反映道岔正常的移动过程，由于道岔在各个时刻所承受的摩擦力、钢铁的回弹力是在变化的，因此其所需要的动力也是在不停变化的，这是引起电流曲线变化的主要原因。
4.当道岔卡阻发生后，离合器内将发生摩擦，由于该摩擦力大于道岔搬动所需要的力，因此电动机需要消耗更多的电能来克服摩擦力，电流曲线将会上移，此时的电流曲线也被称为摩擦电流。在卡阻持续的情况下，该摩擦电流将会持续，直到超时检测发生或人为关断电源。典型的卡阻电流如图2所示，图2所示的情形，相对来说是一个较为理想的卡阻电流曲线，实际上由于现场环境复杂，强弱电交叉的场景较为普遍，电流曲线中出现噪点是不可避免的。如果仅采用阈值的方式进行卡阻识别，那么电机启动过程中的尖峰段的部分曲线也是符合条件的，也可能会被误判为卡阻。


技术实现要素：

5.本公开提供了一种基于电流曲线的道岔卡阻诊断的方法、装置、设备以及存储介质，可以高质高效地完成电流曲线的特征识别，从而进一步的分析和诊断道岔是否发生卡阻。
6.根据本公开的第一方面，提供了一种基于电流曲线的道岔卡阻诊断方法。该方法包括：
7.获取转辙机的电流数据；
8.对电流数据进行小波变换并生成采样电流曲线；
9.使用累加积分对采样电流曲线进行降噪处理；
10.对降噪处理后的采样电流曲线进行高通滤波处理，并生成对应的滤波电流曲线；
11.使用ks密度函数法对滤波电流曲线进行曲线分割，筛选出目标数据区段；
12.对目标数据区段内的数据进行线性拟合；
13.根据线性拟合的结果判断道岔是否卡阻。
14.在第一方面的一些可实现方式中，该方法还包括：
15.若电流数据的数据量小于等于预设阈值，则直接对电流数据进行高通滤波处理；
16.若电流数据的数据量大于预设阈值，则对电流数据进行小波变换和累加积分降噪处理。
17.在第一方面的一些可实现方式中，对电流数据进行小波变换并生成采样电流曲线，包括：
18.利用小波尺度函数对数据量大于预设阈值的电流数据进行阶梯逼近；
19.采用多层小波分解算法对逼近的电流数据进行分解；
20.将分层以后的电流数据自下而上根据所需数据量进行截断；
21.对截取到的经过分解的电流数据进行重构，得到采样数据，生成采样电流曲线。
22.在第一方面的一些可实现方式中，使用ks密度函数法对滤波电流曲线进行曲线分割，包括：
23.采用五点极值法和ks密度函数法对滤波电流曲线进行区域粗分割，生成初分割区段。
24.在第一方面的一些可实现方式中，使用密度函数对滤波电流曲线进行曲线分割，还包括：
25.根据摩擦电流规律对初分割区段再次使用ks密度函数法进行区段细分割，并筛选出与摩擦电流有交集的区段。
26.在第一方面的一些可实现方式中，摩擦电流规律，包括：
27.连续；持续范围较长；纹波小；水平趋势稳定。
28.在第一方面的一些可实现方式中，对目标数据区段内的数据进行线性拟合，包括：
29.对目标数据区段内的数据进行连续性识别；
30.对识别到的连续性数据进行线性拟合。
31.在第一方面的一些可实现方式中，根据线性拟合的结果判断道岔是否卡阻，包括：
32.根据摩擦电流规律判断线性拟合结果的斜率；
33.若斜率的绝对值小于等于预设的斜率的绝对值阈值，则对连续性数据进行首尾拼接，生成新的连续性数据；
34.若新的连续性数据的长度小于等于预设的长度阈值，则确认道岔发生卡阻。
35.根据本公开的第二方面，提供了一种基于电流曲线的道岔卡阻诊断装置。该装置包括：
36.数据获取模块，获取转辙机的电流数据；
37.第一判断模块，判断电流数据的数据量是否大于预设阈值；
38.第一数据处理模块，对大于预设阈值的电流数据进行小波变换与累加积分降噪处理，并生成采样曲线；
39.第二数据处理模块，对小于等于预设阈值的电流数据和已降噪处理后的电流曲线进行高通滤波处理，并生成对应的滤波电流曲线；
40.电流曲线分割模块，使用ks密度函数法对滤波电流曲线进行曲线分割，筛选出目标数据区段；
41.线性拟合处理模块，对目标数据区段内的数据进行线性拟合；
42.第二判断模块，根据线性拟合的结果判断道岔是否卡阻。
43.根据本公开的第三方面，提供了一种电子设备。该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如以上所述的方法。
44.在本公开中，采用小波变换、累加积分、高通滤波、密度函数及线性拟合的手段对转辙机的电流数据进行处理，以实现高质高效地完成电流曲线的特征识别，从而及时、准确的分析和诊断道岔是否发生卡阻。
45.应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
46.结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
47.图1示出了本公开实施例提供的一种基于电流曲线的道岔卡阻诊断方法的流程图；
48.图2示出了正常转辙机动作电流曲线示意图；
49.图3示出了道岔卡阻时转辙机动作电流曲线示意图；
50.图4示出了本公开实施例提供的小波多层分解示意图；
51.图5示出了本公开实施例提供的采样电流曲线示意图；
52.图6示出了本公开实施例提供的butterworth滤波器频幅响应示意图；
53.图7示出了本公开实施例提供的滤波电流曲线示意图；
54.图8示出了本公开实施例提供的ks密度函数计算结果示意图；
55.图9示出了本公开实施例提供的去除纹波后的驼峰图；
56.图10示出了本公开实施例提供的加入分割线后的初始电流曲线示意图；
57.图11示出了本公开实施例提供的初分割区段中的第一区段的初始数据放大图；
58.图12示出了本公开实施例提供的初分割区段中的第一区段内的ks密度函数分布图；
59.图13示出了本公开实施例提供的ks密度函数筛选前后的电流曲线示意图；
60.图14示出了本公开实施例提供的拟合线和初始电流数据的比较示意图；
61.图15示出了本公开实施例提供的示例性卡阻识别结果示意图；
62.图16示出了本公开实施例提供的全局流程示意图；
63.图17示出了根据本公开的实施例的基于电流曲线的道岔卡阻诊断装置1700的方框图；
64.图18示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
65.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
66.另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
67.针对背景技术中提到的问题，本公开实施例提供了一种基于电流曲线的道岔卡阻诊断方法、装置及电子设备。
68.具体地，先对获取到的转辙机的电流数据进行小波变换与累加积分降噪处理，进一步进行高通滤波处理，对滤波处理后的电流曲线就行曲线分割，并筛选出目标区段，对目标区段内的数据进行线性拟合和阈值对比，根据对比结果判断道岔是否卡阻，以此方式，可以高质高效地对电流曲线进行特征识别，从而及时、准确的分析和诊断道岔是否发生卡阻。
69.下面结合附图，通过具体的实施例对本公开实施例提供的基于电流曲线的道岔卡阻诊断方法、装置及电子设备进行详细说明。
70.图1示出了本公开实施例提供的一种基于电流曲线的道岔卡阻诊断方法的流程图；如图1所示，基于电流曲线的道岔卡阻诊断方法100可以包括以下步骤：
71.s110，获取转辙机的电流数据。
72.s120，对电流数据进行小波变换并生成采样电流曲线。
73.具体地，若电流数据的数据量小于等于预设阈值，则直接对电流数据进行高通滤波处理；若电流数据的数据量大于预设阈值，则对电流数据进行小波变换和累加积分降噪处理。以不同电流数据的数据量进行不同的处理，有效提高了道岔卡阻识别的效率。
74.在一些实施例中，对电流数据进行小波变换并生成采样电流曲线，可以是对电流数据进行小波降层采样并生成采样电流曲线，具体可以包括以下步骤：
75.利用小波尺度函数对数据量大于预设阈值的电流数据进行阶梯逼近。
76.具体地，可以如式1所示，式(1)：其中，φ为尺度函数。
77.采用多层小波分解算法对逼近的电流数据进行分解。
78.具体地，可以如式2所示，式(2)：fj(x)＝w
j-1
+w
j-2
+
…
+w0+f0，其中，，其中，ψ为小波函数。
79.将分层以后的电流数据自下而上根据所需数据量进行截断。
80.具体地，图4示出了本公开实施例提供的小波多层分解示意图，其逐层分解的逻辑图如图4所示，越是上层其数据量越大，代表采用的尺度函数的分辨率越高。
81.对截取到的经过分解的电流数据进行重构，得到采样数据，生成采样电流曲线。
82.具体地，重构采用的算式可以如式3所示，式(3)：f(x)＝f0+w0+w1+
…
+w
j-1
，其中，，其中，，其中，
83.在一些实施例中，可以采用保留不少于3000点的最少点数的方式进行小波降层采
样，也就是以刚好大于3000点的层数为截至，得到采样数据。
84.下面结合图3与图5进行详细说明，图3示出了道岔卡阻时转辙机动作电流曲线示意图；图5示出了本公开实施例提供的采样电流曲线示意图；采用小波降层采样对如图3所示的数据进行采样，并将采样后的数据，生成如图5所示的采样曲线。如图5所示，曲线两侧存在极少点的零值，这是由于小波降层采样过程中剔除了高频分量，而该位置的数据为断崖式阶跃变化，因此出现了超高频分量被剔除，导致该位置数据无法中和，各端的零值点数通常不超过5个。在此要说明的是，小波降层采样数据的点的位置与原位置之间正比于二者数据的个数，因此可得到二者之间的点的对应关系。具体地，换算关系如式(4)所示，式(4)：其中，x
old
为原始位置点，x
new
为降层采样后位置点，n
old
为原始数据点总数，n
new
为降层采样后数据点总数。
85.在现有技术中，卡阻曲线的数据量往往是正常曲线数据量的几倍甚至十几倍，直接导致数据处理时间的延长。
86.根据本公开的实施例，获取转辙机的电流数据后先对数据进行小波变换，采用小波变换的处理方法既降低了数据量，又保证了曲线形态，从而有效加快了数据处理时间。
87.s130，使用累加积分对采样电流曲线进行降噪处理。
88.具体地，由于小波降层采样的采样点具有纹波的抖动特点，所以需要把这些抖动幅度进行降噪，同时在多个位置电流曲线具有“阶跃”式变化，因此无法采用低通滤波方式进行滤波(阶跃信号含有所有频率分量，低通滤波依然会产生伴生波形)，因此，本公开采用累加积分的方法对采样电流曲线进行处理，以降低纹波对采样电流曲线的影响。具体算式可以如式(5)所示，式(5)：
89.s140，对降噪处理后的采样电流曲线进行高通滤波处理，并生成对应的滤波电流曲线。
90.下面结合图6与图7进行详细说明，图6示出了本公开实施例提供的butterworth滤波器频幅响应示意图；图7示出了本公开实施例提供的滤波电流曲线示意图；如图6所示，图6示出了本公开采用的butterworth高通滤波的频幅响应曲线，采样电流曲线经过累加积分处理与高通滤波后的电流曲线如图7所示。具体地，经过累加积分处理的采样电流曲线即累积曲线，其发生转折的位置即为电流曲线发生大跳跃的位置，如果采用butterworth高通滤波对数据进行去趋势处理后(去除直流量)，则电流曲线中发生转折的位置将会被放大。
91.根据本公开的实施例，采用butterworth高通滤波对经过累加积分降噪处理的数据进一步进行去趋势处理，有效放大了电流曲线特征，为曲线分割提供了便利。
92.s150，使用密度函数对滤波电流曲线进行曲线分割，筛选出目标数据区段。
93.在一些实施例中，采用五点极值法和ks密度函数法对滤波电流曲线进行区域粗分割，生成初分割区段。
94.具体地，可以包括以下步骤：
95.采用五点极值法求取所述滤波电流曲线的波峰峰值位置。
96.具体地，高通滤波后的曲线的峰值(波峰或波谷)对应着累积曲线的拐点位置，这些拐点位置也对应着电流曲线的阶跃位置。由于滤波的缘故，在幅度较大的尖峰附近存在伴生的小波尖峰，在数据结尾处也存在一个尖峰。
97.下面以pi点为例对五点极值法求取峰值位置进行详细说明。采用五点极值法求取峰值位置，方法如下：
98.某点pi，其值大于0，且其值与左侧2个点呈递增趋势，与右侧2个点成递减趋势，且连续5个值不能全部相等，则称为正向极值，条件表达式如式(6)所示，
99.式(6)：
100.某点pi，其值小于0，且其值与左侧2个点呈递减趋势，与右侧2个点成递增趋势，则称为负向极值，条件表达式如式(7)所示，
101.式(7)：
102.采用ks密度函数法对所述滤波电流曲线的中间段进行分类，以降低纹波对所述波峰峰值求取的影响。
103.下面结合图7-图9进行详细说明。图7示出了本公开实施例提供的滤波电流曲线示意图；图8示出了本公开实施例提供的ks密度函数计算结果示意图；图9示出了本公开实施例提供的去除纹波后的驼峰图。
104.如图7所示，对于为了降低中间段的纹波对驼峰提取的影响，采用ks密度函数法对其进行分类，结果如图8所示；去除靠近x轴范围内的数据，以降低纹波对其驼峰求取的影响，去除0位置的纹波的数据后，新的滤除直流量的数据所组成的驼峰图如图9所示。
105.求取出所述波峰峰值后，根据所述波峰峰值确认波谷位置。
106.根据本公开的实施例，以五点极值法求得波峰峰值并进一步确认波谷位置，提高了电流曲线各阶段之间的界限特征，为区域粗分割提供了便利。
107.以各波峰、波谷作为界限，对所述滤波电流曲线进行分段，生成初分割区段。
108.下面结合图10进行详细说明。图10示出了本公开实施例提供的加入分割线后的初始电流曲线示意图。
109.求取出如图9所示的峰值后，以各峰值作为界限，实现了将电流曲线以跳跃点较大的位置进行分段。加入分段结果后的电流曲线如图10所示。
110.如图10所示，在第一区段内，右侧的数据是存在强烈波动的，但是其始终围绕着本区段内的“主值”，实际上如图7所示的滤波电流曲线，对应剧烈波动位置的尖峰是确实存在的，只是其尖峰被更明显的尖峰“掩盖”了。
111.在一些实施例中，根据摩擦电流规律对初分割区段再次使用ks密度函数法进行区段细分割，并筛选出与摩擦电流有交集的区段。
112.在一些实施例中，通过对大量摩擦电流的分析后，总结出常规情况下摩擦电流曲线具有以下4个规律：
113.(1)连续的；(2)持续范围较长；(3)纹波小；(4)水平趋势稳定。
114.根据本公开的实施例，通过对大量的摩擦电流的分析，总结出了对区段细分割极
为重要的摩擦电流曲线的4个规律，这对道岔卡阻的识别起到了决定性的指导作用。
115.在一些实施例中，为了消除初级分段造成的范围不准确，需要对初分后的区段进行二次细分。
116.具体地，根据摩擦电流曲线规律的第(3)条和第(4)条，再次采用ks密度函数对初分割区段内符合的电流数据进行细分。
117.下面以具体的实施例结合图11与图12进行详细说明。图11示出了本公开实施例提供的初分割区段中的第一区段的初始数据放大图；图12示出了本公开实施例提供的初分割区段中的第一区段内的ks密度函数分布图。
118.以初分割区段求得的第一区段的数据为例，如图11所示，使用ks密度函数法对图11所示数据进行处理，处理结果如图12所示。
119.如图12所示，数据段形成了3组围绕其某主值分布的集合，也就是整段的数据被分为了3个范围。求得其中所有的尖峰，则可以得到每个分类区间的“主值”，找到该尖峰与其它峰之间的分界，即每个尖峰的两侧的波谷位置，为了防止范围过宽而导致无效数据可能被误包含，因此从峰值对应x轴位置向左右两侧最多延伸不大于
±
150ma的范围，这样就得到了每个尖峰及其能控制的范围，即得到了整个区域内数据被分类后能覆盖的多个(也可能是一个)数据区段。因为发生摩擦电流的区段内的数据一定位于这些区段内，所以将求得的数据区段与摩擦电流的范围进行对比，将二者之间存在包含、交叉关系的数据区段作为重点研究对象。
120.根据本公开的实施例，对初分割区段进一步进行区段细分割，消除了初分割区段可能造成的范围不准确，有效提高了数据识别的准确率。
121.s160，对目标数据区段内的数据进行线性拟合。
122.获得目标数据区段后，剔除不在该区段内的数据，剩余数据如图13所示。其中
“■”
所标示的数据为筛选后的目标数据。
123.图13示出了本公开实施例提供的ks密度函数筛选前后的电流曲线示意图。如图13所示，虽然某些部分数据是属于摩擦电流的范围，但其并不是由摩擦导致的电流数据，因此不能代表有效卡阻区间。由于摩擦电流是稳定的，其总趋势应呈现出水平直线的形态，所以先采用线性回归法对数据的变化趋势做出判断，如果线性拟合结果的斜率是相对较大的，那么就证明本段数据并不平稳，仅是一个穿过有效范围的曲(或直)线，违背了上述摩擦电流的第(4)条规律：水平趋势稳定，其本质是一个过路者。
124.图14示出了本公开实施例提供的拟合线和初始电流数据的比较示意图。
125.示例性的，如图14所示，对目标区段内的数据做线性拟合，并将拟合结果与初始数据进行对比。
126.在一些实施例中，线性拟合通常采用最小二乘法计算，以方差作为最终目标，找到能够使得方差最小、最稳定的一元一次多项式。
127.在一些实施例中，对目标数据区段内的数据进行连续性识别；对识别到的连续性数据进行线性拟合。
128.s170，根据线性拟合的结果判断道岔是否卡阻。
129.在一些实施例中，出现摩擦电流并不就代表一定发生了卡阻，卡阻发生在出现持续一段时间的摩擦电流后。在实际情况中，锁闭阶段也可能由于密贴调整的不完美发生一
小段的摩擦电流，这种情况可以认为是正常现象。因此对于摩擦电流发生的时长要进行确认，在zd6转辙机的应用场景中，如果摩擦电流持续在2000ms以上即可认为道岔发生了卡阻。
130.在一些实施例中，根据大量的算例，认为斜率大于0.1的情况，即便其平均值在有效范围内，也不属于摩擦电流范围。由于摩擦电流是连续的，因此很容易通过判断图13中
“■”
拟合数据点的序号是否连续，对其进行区段分割。若某一区段中点数少于3点，则该区段为噪点。
131.在一些实施例中，经过筛选后，通常只会有一个区段是符合条件的目标区段。为了防止发生误判和出现多个符合条件的目标区段的情况，因此在线性拟合后加入阈值判断，即交叉范围的比例低于预设阈值时，则认为该区间内并未发生摩擦电流。
132.具体地，根据摩擦电流规律判断线性拟合结果的斜率；若斜率的绝对值小于等于预设的斜率的绝对值阈值，则对连续性数据进行首尾拼接，生成新的连续性数据；若新的连续性数据的长度小于等于预设的长度阈值，则确认道岔发生卡阻。
133.下面结合图2、图15及图16对整体方案进行总结说明。图2示出了正常转辙机动作电流曲线示意图；图15示出了本公开实施例提供的示例性卡阻识别结果示意图；图16示出了本公开实施例提供的全局流程示意图。
134.如图16所示，使用图16所示流程对图2所示转辙机初始数据进行卡阻段的识别，识别结果如图15所示。如图15所示，粗线为最终分析结果，表示诊断出该区域对应发生了道岔卡阻。
135.图2所示转辙机初始数据分析结果可以如表1所示：
136.表1
137.序号起点终点1436727169
138.如表1所示，该转辙机初始数据经分析存在一个卡阻区段，该段总点数为22802点，采样速率为800hz，时长为28.5s。
139.在一些实施例中，根据阈值诊断是否为卡阻时，认为2s以上的摩擦电流为卡阻导致，因此认为图2中所示转辙机初始数据发生了28.5s的卡阻。
140.根据本公开的实施例，实现了以下技术效果：
141.本方案从实际出发，首先对道岔卡阻将会产生大数据量的情况，给出了小波变换与累加积分降噪的处理方法，并对处理后的电流数据进行高通滤波，滤波后通过ks密度函数进行区段粗分割与区段细分割，有效地降低了由于数据波动及区段分割位置的数据阶跃特征带来的影响，最后采用线性拟合方式，对“过路”摩擦电流进行了剔除，大大地提高了识别的准确率，同时加入阈值比对，进一步对线性拟合结果进行判别，从而及时、准确的分析和诊断道岔是否发生卡阻。
142.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
143.以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
144.图17示出了根据本公开的实施例的基于电流曲线的道岔卡阻诊断装置1700的方框图。装置1700可以被实现为基于电流曲线的道岔卡阻诊断方法100。如图17所示，装置1700可以包括：
145.数据获取模块1701，获取转辙机的电流数据。
146.第一判断模块1702，判断电流数据的数据量是否大于预设阈值。
147.第一数据处理模块1703，对大于预设阈值的电流数据进行小波变换与累加积分降噪处理，并生成采样曲线。
148.第二数据处理模块1704，对小于等于预设阈值的电流数据和已降噪处理后的电流曲线进行高通滤波处理，并生成对应的滤波电流曲线。
149.电流曲线分割模块1705，使用ks密度函数法对滤波电流曲线进行曲线分割，筛选出目标数据区段。
150.线性拟合处理模块1706，对目标数据区段内的数据进行线性拟合。
151.第二判断模块1707，根据线性拟合的结果判断道岔是否卡阻。
152.在一些实施例中，第一判断模块1702若判断所述电流数据的数据量小于等于预设阈值，则直接对所述电流数据进行高通滤波处理；第一判断模块1702若判断所述电流数据的数据量大于预设阈值，则对所述电流数据进行小波变换和累加积分降噪处理。
153.在一些实施例中，第一数据处理模块1703，对大于预设阈值的电流数据进行小波变换与累加积分降噪处理，并生成采样曲线，可以包括以下步骤：
154.利用小波尺度函数对数据量大于预设阈值的电流数据进行阶梯逼近。
155.采用多层小波分解算法对逼近的电流数据进行分解。
156.将分层以后的电流数据自下而上根据所需数据量进行截断。
157.对截取到的经过分解的电流数据进行重构，得到采样数据，生成采样电流曲线。
158.在一些实施例中，电流曲线分割模块1705使用ks密度函数法对滤波电流曲线进行曲线分割，筛选出目标数据区段，包括：
159.采用五点极值法和ks密度函数法对滤波电流曲线进行区域粗分割，生成初分割区段。
160.在一些实施例中，电流曲线分割模块1705使用ks密度函数法对滤波电流曲线进行曲线分割，筛选出目标数据区段，还包括：
161.根据摩擦电流规律对初分割区段再次使用ks密度函数法进行区段细分割，并筛选出与摩擦电流有交集的区段。
162.在一些实施例中，摩擦电流规律包括：连续；持续范围较长；纹波小；水平趋势稳定。
163.在一些实施例中，线性拟合处理模块1706对目标数据区段内的数据进行连续性识别；对识别到的连续性数据进行线性拟合。
164.在一些实施例中，第二判断模块1707若判断线性拟合斜率的绝对值小于等于预设的斜率的绝对值阈值，则对连续性数据进行首尾拼接，生成新的连续性数据；第二判断模块1707若判断新的连续性数据的长度小于等于预设的长度阈值，则确认道岔发生卡阻。
165.在一些实施例中，装置1700还可以包括：
166.第三数据处理模块，用于第二判断模块1707之后，在第二判断模块1707完成斜率的绝对值的判断以后进行对应的数据处理。
167.结果显示模块，在第二判断模块1707判断道岔发生卡阻时，显示道岔发生卡阻。
168.所属领域的技术人员可以清楚地了解到，图3所示的求解装置300中的各个模块/单元具有实现本公开实施例提供的方法100中的各个步骤的功能，并能达到其相应的技术效果，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
169.根据本公开的实施例，本公开还提供了一种电子设备。
170.图18示出了可以用来实施本公开的实施例的电子设备1800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
171.设备1800包括计算单元1801，其可以根据存储在只读存储器(rom)1802中的计算机程序或者从存储单元1808加载到随机访问存储器(ram)1803中的计算机程序，来执行各种适当的动作和处理。在ram 1803中，还可存储设备1800操作所需的各种程序和数据。计算单元1801、rom 1802以及ram 1803通过总线1804彼此相连。输入/输出(i/o)接口1805也连接至总线1804。
172.设备1800中的多个部件连接至i/o接口1805，包括：输入单元1806，例如键盘、鼠标等；输出单元1807，例如各种类型的显示器、扬声器等；存储单元1808，例如磁盘、光盘等；以及通信单元1809，例如网卡、调制解调器、无线通信收发机等。通信单元1809允许设备1800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
173.计算单元1801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1801的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元1801执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1808。在一些实施例中，计算机程序的部分或者全部可以经由rom 1802和/或通信单元1809而被载入和/或安装到设备1800上。当计算机程序加载到ram 1803并由计算单元1801执行时，可以执行上文描述的方法100的一个或多个步骤。备选地，在其他实施例中，计算单元1801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法100。
174.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理
器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
175.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
176.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
177.需要注意的是，本公开还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行方法100，并达到本公开实施例执行其方法达到的相应技术效果，为简洁描述，在此不再赘述。
178.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
179.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
180.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
181.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
182.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

技术特征：
1.一种基于电流曲线的道岔卡阻诊断方法，其特征在于，所述方法包括：获取转辙机的电流数据；对所述电流数据进行小波变换并生成采样电流曲线；使用累加积分对所述采样电流曲线进行降噪处理；对降噪处理后的所述采样电流曲线进行高通滤波处理，并生成对应的滤波电流曲线；使用ks密度函数法对所述滤波电流曲线进行曲线分割，筛选出目标数据区段；对所述目标数据区段内的数据进行线性拟合；根据所述线性拟合的结果判断道岔是否卡阻。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：若所述电流数据的数据量小于等于预设阈值，则直接对所述电流数据进行高通滤波处理；若所述电流数据的数据量大于预设阈值，则对所述电流数据进行小波变换和累加积分降噪处理。3.根据权利要求1所述的方法，其特征在于，所述对所述电流数据进行小波变换并生成采样电流曲线，包括：利用小波尺度函数对数据量大于预设阈值的电流数据进行阶梯逼近；采用多层小波分解算法对逼近的所述电流数据进行分解；将分层以后的电流数据自下而上根据所需数据量进行截断；对截取到的经过分解的电流数据进行重构，得到采样数据，生成采样电流曲线。4.根据权利要求1所述的方法，其特征在于，所述使用ks密度函数法对所述滤波电流曲线进行曲线分割，包括：采用五点极值法和ks密度函数法对所述滤波电流曲线进行区域粗分割，生成初分割区段。5.根据权利要求4任一项所述的方法，其特征在于，所述使用密度函数对所述滤波电流曲线进行曲线分割，还包括：根据摩擦电流规律对所述初分割区段再次使用ks密度函数法进行区段细分割，并筛选出与摩擦电流有交集的区段。6.根据权利要求5所述的方法，其特征在于，所述摩擦电流规律，包括：连续；持续范围较长；纹波小；水平趋势稳定。7.根据权利要求1所述的方法，其特征在于，对所述目标数据区段内的数据进行线性拟合，包括：对所述目标数据区段内的数据进行连续性识别；对识别到的连续性数据进行线性拟合。8.根据权利要求7所述的方法，其特征在于，所述根据所述线性拟合的结果判断道岔是否卡阻，包括：根据摩擦电流规律判断线性拟合结果的斜率；若所述斜率的绝对值小于等于预设的斜率的绝对值阈值，则对所述连续性数据进行首尾拼接，生成新的连续性数据；若所述新的连续性数据的长度小于等于预设的长度阈值，则确认道岔发生卡阻。
9.一种基于电流曲线的道岔卡阻诊断装置，包括：数据获取模块，获取转辙机的电流数据；第一判断模块，判断电流数据的数据量是否大于预设阈值；第一数据处理模块，对大于预设阈值的电流数据进行小波变换与累加积分降噪处理，并生成采样曲线；第二数据处理模块，对小于等于预设阈值的电流数据和已降噪处理后的电流曲线进行高通滤波处理，并生成对应的滤波电流曲线；电流曲线分割模块，使用ks密度函数法对所述滤波电流曲线进行曲线分割，筛选出目标数据区段；线性拟合处理模块，对所述目标数据区段内的数据进行线性拟合；第二判断模块，根据所述线性拟合的结果判断道岔是否卡阻。10.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

技术总结
本公开的实施例提供了一种基于电流曲线的道岔卡阻诊断方法、装置及电子设备。所述方法包括：获取转辙机的电流数据；对电流数据进行小波变换并生成采样电流曲线；使用累加积分对采样电流曲线进行降噪处理；对降噪处理后的采样电流曲线进行高通滤波处理，并生成对应的滤波电流曲线；使用KS密度函数法对滤波电流曲线进行曲线分割，筛选出目标数据区段；对目标数据区段内的数据进行线性拟合；根据线性拟合的结果判断道岔是否卡阻。以此方式，可以高质高效地完成电流曲线的特征识别，确保及时、准确的诊断出道岔是否发生卡阻。确的诊断出道岔是否发生卡阻。确的诊断出道岔是否发生卡阻。


技术研发人员：陈禹霖
受保护的技术使用者：交控科技股份有限公司
技术研发日：2022.11.07
技术公布日：2023/3/21