基于聚类算法的道岔健康度标准值智能分析方法及系统

1.本发明涉及道路健康评价领域，更具体的说是涉及一种基于聚类算法的道岔健康度标准值智能分析方法及系统。


背景技术：

2.轨道交通道岔系统是信号室外关键设备之一，道岔的故障在信号系统故障占比较高，而且道岔的故障直接影响运营效率。针对道岔健康度评价和故障预测做了深入的研究，现有技术中提出利用道岔转辙机功率曲线作为分析载体，利用卷积神经网络和道岔故障分析判断的机制机理作为道岔健康度评估方法与建设途径。还提出转辙机健康状态等级划分，使用历史检修数据结合故障数据和专家意见，建立动态退化分布指标体系。此外还有学者提出门控循环单元神经网络法、ssvd法等方法监测道岔的健康状态和故障预测。但以上健康度标准值未覆盖线路上每个道岔独有的特性，未分析实际使用过程中健康度标准值变化带来的影响，以及未研究智能提取健康度标准特征值的方法。
3.因此，如何解决上述技术问题，是本领域技术人员亟需研究的。


技术实现要素：

4.有鉴于此，本发明提供了一种基于聚类算法的道岔健康度标准值智能分析方法及系统，以解决背景技术中存在的问题。
5.为了实现上述目的，本发明采用如下技术方案：
6.一种基于聚类算法的道岔健康度标准值智能分析方法，包括以下步骤：
7.根据道岔系统特性对道岔系统数据分类，分为标准类型数据和非标准类型数据；
8.使用三次样条插值曲线算法将非标准类型数据曲线拟合成一条连续曲线；
9.将连续曲线划分为解锁阶段、动作阶段和缓放阶段，分别计算两个相邻阶段采样点的一阶导数值和二阶导数值；
10.结合一阶导数值和二阶导数值的变化趋势，获得解锁阶段、动作阶段和缓放阶段的时间段和对应阶段的连续曲线；
11.利用k-means聚类算法计算各个阶段对应的标准值，所述标准值作为道岔健康度评价的最新标准值。
12.可选的，所述标准类型数据包括道岔缺口和道岔温湿度。
13.可选的，所述非标准类型数据包括道岔电流特性曲线、道岔功率特性曲线和道岔表示电压。
14.可选的，所述标准类型数据根据行业标准和规范设定标准值作为道岔健康度评价的标准值。
15.可选的，还包括根据三段特征曲线进一步计算得到：解锁阶段电流峰值a、解锁阶段峰值时间b、动作过程平均电流c、动作过程电流差值d、动作过程动作时间e、缓放阶段时长f、缓放阶段电流均值g。
16.一种基于聚类算法的道岔健康度标准值智能分析系统，利用一种基于聚类算法的道岔健康度标准值智能分析方法，包括：数据层、存储层、平台层和展示层；所述数据层用于存储多线路道岔数据；所述存储层用于标准化存储数据；所述平台层用于数据处理；所述展示层用于在线监视健康度评价。
17.经由上述的技术方案可知，与现有技术相比，本发明提供了一种基于聚类算法的道岔健康度标准值智能分析方法及系统，可适用于不同类型的道岔系统，减免对不同道岔系统健康度评价参数标准值设置的繁琐工作，具有广泛的适用性。
附图说明
18.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
19.图1为本发明的道岔参数划分结构图；
20.图2为本发明的云平台系统架构；
21.图3为本发明的聚类结果图；
22.图4为本发明的技术流程图。
具体实施方式
23.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
24.参见图1-图4，本发明实施例公开了一种基于聚类算法的道岔健康度标准值智能分析方法，包括以下步骤：
25.s1：根据道岔系统特性对道岔系统数据分类，分为标准类型数据和非标准类型数据；
26.s2：使用三次样条插值曲线算法将非标准类型数据曲线拟合成一条连续曲线；
27.s3将连续曲线划分为解锁阶段、动作阶段和缓放阶段，分别计算两个相邻阶段采样点的一阶导数值和二阶导数值；
28.s4：结合一阶导数值和二阶导数值的变化趋势，获得解锁阶段、动作阶段和缓放阶段的时间段和对应阶段的连续曲线；
29.s5：利用k-means聚类算法计算各个阶段对应的标准值，所述标准值作为道岔健康度评价的最新标准值。
30.进一步的，根据道岔系统特性分成两部分：第一部分是道岔标准值部分，如道岔缺口、道岔温湿度；第二部分是道岔标准非标准值部分，如道岔电流特性曲线、道岔功率特性曲线、道岔表示电压。以zdj9型转辙机道岔为例，电流特性曲线可分为解锁阶段电流峰值、解锁阶段峰值时间、动作过程平均电流、动作过程电流差值、动作过程动作时间、缓放阶段时长、缓放阶段电流值；功率曲线使用功率曲线相似度。
31.按照既定好的道岔数据分类规则，道岔数据分成标准类型数据和非标准类型数据。其中，标准数据类型可按照行业标准和规范，直接设定标准值，根据实际道岔偏离标准值的范围扣除一定分数值，如道岔缺口标准值是2mm。
32.非标准值曲线处理方法，由于微机监测采集的道岔曲线数据是离散点，使用三次样条插值曲线算法拟合成一条连续曲线；其次，使用专家经验粗略把曲线划分成解锁阶段、动作过程和缓放阶段，并求得道岔两个相邻阶段采样点的一阶导数和二阶导数值，结合一阶导数和二阶导数值的变化趋势，获得解锁阶段、动作过程和缓放阶段的时间段和拟合的实际连续曲线。
33.三次样条插值曲线算法构造连续函数，假设道岔曲线x轴的时间范围是[x0，x1…
，x
n-1
，xn]，y轴坐标为y＝y0，y1，
…
，y
n-1
，yn，设三次样条函数为s(x)。
[0034]
因此，n个分段函数(三次多项式)的基本形式表示为公式(1)：
[0035]
si(x)＝ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3[0036]
i＝0，1，
……
，n-1
ꢀꢀ
(1)；
[0037]
其中，ai，bi，ci，di表示样条函数中的4n个未知系数。
[0038]
将曲线(1)求一阶导数和二阶导数公式如下：
[0039][0040]
通过以上公式得到了道岔每个采样点的一阶导数值和二阶导数值。
[0041]
根据道岔专家经验分析，分别设置解锁阶段时长一般在0.55秒，动作阶段时长4.8秒，缓放阶段时长1.2秒，根据道岔x轴的时间长度，可以把曲线分成三部分，解锁阶段曲线的区间是0s《x《0.55s，动作阶段的区间范围是0.55s《x《5.35s，缓放阶段的区间范围是5.35s《x《6.55s。
[0042]
按照公式(2)分别解得解锁阶段的一阶导数分别为s1’(0.04)、s1’(0.08)、
……
、s1’(0.55)，二阶导数分别为s1”(0.04)、s1”(0.08)、
……
、s1”(0.55)，同理可以获得动作阶段和缓放阶段的所有一阶导数值和二阶导数值。根据道岔转辙机的动作特性，解锁阶段和动作阶段的分界点是峰值以后曲线区域平缓的位置，所以可以通过一阶导数和二阶导数值的分析对比，得到解锁阶段和动作阶段的分界点就具体时间点。
[0043]
同理，也可以得到动作阶段和缓放阶段的具体时间点，从而可以分别得到解锁阶段、动作阶段和缓放阶段的三段特征曲线。根据三段特征曲线进一步分析，可以得到：解锁阶段电流峰值a、解锁阶段峰值时间b、动作过程平均电流c、动作过程电流差值d、动作过程动作时间e、缓放阶段时长f、缓放阶段电流均值g。
[0044]
根据道岔系统的数据提取算法，分别获得解锁阶段电流峰值a解锁阶段峰值时间b、动作过程平均电流c、动作过程电流差值d、动作过程动作时间e、缓放阶段时长f、缓放阶段电流均值g各50个点。以50个解锁阶段电流峰值a点为例，利用k-means算法计算解锁阶段电流峰值a的质心，经过算法的多次计算，质心稳定在如图圆圈的位置，此质心的位置值即为本道岔系统获取的标准值，信号健康平台自动保存到本道岔的标准值数据库内，作为此道岔健康度评价的最新标准值。
[0045]
图3中黑色圆圈位置即为多次计算之后的质心，质心位置也就是系统自动获取这组道岔解锁阶段电流峰值a的标准值a标。同理，可以自学习计算出解锁阶段峰值时间b的标准值b标、动作过程平均电流c的标准值c标、动作过程电流差值d的标准值d标、动作过程动作时间e的标准值e标、缓放阶段时长f的标准值f标、缓放阶段电流均值g的标准值g标，因此，可以智能学习获得这组道岔健康度计算的标准值，避免了专家经验值不符合每组道岔特性的问题，以及节省大量人工分析统计的工作量。
[0046]
进一步的，k-means聚类算法是基于距离的聚类算法，通过计算两个质点的距离，判断两个质点的相似度，不断迭代计算，得到一个紧凑且独立的簇。
[0047]
随机选取k个样本作为质心，使用欧氏距离公式计算样本数据与质心的距离，如公式(3)所示：
[0048][0049]
式中：di为欧氏距离；c
i，j
为样本位置；xj为质点位置。将平方误差和作为聚类的目标和代价函数j：
[0050][0051]
对于每个样本，与其距离最近的质点为与该样本相似度最大的质点，当所有样本都能找到相似度最大的质点后，公式(4)对质心ci求导的质心新的位置。
[0052][0053]
式中，mk为质心数，新质心将移动至最新当前该质心的m个聚类的坐标平均值，当新质心与原质心移动距离小于设定值ε时，k-means算法得到最终的质心位置，获取非标准型数据对应的道岔电流值。
[0054]
本实施例中还公开了一种基于聚类算法的道岔健康度标准值智能分析系统，如图2所示，利用一种基于聚类算法的道岔健康度标准值智能分析方法，包括：数据层、存储层、平台层和展示层；
[0055]
其中，基础数据层：收集接入的各条线道岔的数据，并通过计入交换机接入数据存储层进行存储。
[0056]
数据存储层：按照统一标准、统一格式接入各条线道岔数据，满足平台数据多样性的存储需求，数据多样性包括结构化数据、半结构化数据、非结构化数据。
[0057]
平台层：满足智能运维平台数据治理、数据清洗、数据转换等潜在数据服务需求；集成现代各种先进的大数据分析技术、人工智能、ai技术等智能化技术；
[0058]
通过智能运维系统设备监控数据训练算法模型，如道岔健康度评价算法等。
[0059]
展示层：利用电脑pc、大屏、移动端等终端设备访问计算和分析结果。
[0060]
进一步的，微机监测系统能够提供道岔电流曲线、功率曲线、交直流表示电压、道岔缺口和运行环境五部分信息，如图1所示。整个道岔系统，每一个参数的异常都会造成道岔系统不能正常工作，影响列车的运营，因此，需要全面分析整个道岔系统的健康度值，并且选取的参考标准值需准确，才能确定道岔是否健康，是否需要在发生故障之前，提前做检修和维修的工作。
[0061]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0062]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种基于聚类算法的道岔健康度标准值智能分析方法，其特征在于，包括以下步骤：根据道岔系统特性对道岔系统数据分类，分为标准类型数据和非标准类型数据；使用三次样条插值曲线算法将非标准类型数据曲线拟合成一条连续曲线；将连续曲线划分为解锁阶段、动作阶段和缓放阶段，分别计算两个相邻阶段采样点的一阶导数值和二阶导数值；结合一阶导数值和二阶导数值的变化趋势，获得解锁阶段、动作阶段和缓放阶段的时间段和对应阶段的连续曲线；利用k-means聚类算法计算各个阶段对应的标准值，所述标准值作为道岔健康度评价的最新标准值。2.根据权利要求1所述的一种基于聚类算法的道岔健康度标准值智能分析方法，其特征在于，所述标准类型数据包括道岔缺口和道岔温湿度。3.根据权利要求1所述的一种基于聚类算法的道岔健康度标准值智能分析方法，其特征在于，所述非标准类型数据包括道岔电流特性曲线、道岔功率特性曲线和道岔表示电压。4.根据权利要求1所述的一种基于聚类算法的道岔健康度标准值智能分析方法，其特征在于，所述标准类型数据根据行业标准和规范设定标准值作为道岔健康度评价的标准值。5.根据权利要求1所述的一种基于聚类算法的道岔健康度标准值智能分析方法，其特征在于，还包括根据三段特征曲线进一步计算得到：解锁阶段电流峰值a、解锁阶段峰值时间b、动作过程平均电流c、动作过程电流差值d、动作过程动作时间e、缓放阶段时长f、缓放阶段电流均值g。6.一种基于聚类算法的道岔健康度标准值智能分析系统，利用权利要求1-5任意一项所述的一种基于聚类算法的道岔健康度标准值智能分析方法，其特征在于，包括：数据层、存储层、平台层和展示层；所述数据层用于存储多线路道岔数据；所述存储层用于标准化存储数据；所述平台层用于数据处理；所述展示层用于在线监视健康度评价。

技术总结
本发明公开了一种基于聚类算法的道岔健康度标准值智能分析方法及系统，涉及道路健康评价领域。包括以下步骤：根据道岔系统特性对道岔系统数据分类，分为标准类型数据和非标准类型数据；使用三次样条插值曲线算法将非标准类型数据曲线拟合成一条连续曲线；将连续曲线划分为解锁阶段、动作阶段和缓放阶段，分别计算两个相邻阶段采样点的一阶导数值和二阶导数值；结合一阶导数值和二阶导数值的变化趋势，获得对应阶段的实际连续曲线；利用聚类算法计算各个阶段对应的标准值，所述标准值作为道岔健康度评价的最新标准值。本发明适用不同类型的道岔系统，减免对不同道岔系统健康度评价参数标准值设置的繁琐工作，具有广泛的适用性。性。性。


技术研发人员：邱晓莉 韩思远 熊庆 余东
受保护的技术使用者：成都工业职业技术学院
技术研发日：2023.05.24
技术公布日：2023/8/23