基于1D-CNN和Transformer模型的道岔健康状态预测
陈俊竹
陈光武
石建强
邢东峰
兰州交通大学自动化与电气工程学院,兰州 730070
摘要：针对目前铁路道岔故障率高、维护效率低、健康状态难以预测等问题,以S700K型道岔转辙机为研究对象,提出一种基于一维卷积神经网络(One-dimensional Convolutional Neural Net-work,1D-CNN)和Transformer模型结合的道岔健康状态预测方法.首先,采用1D-CNN对原始数据进行特征提取,训练得到10组特征;然后,通过特征评价选择其中最能反映道岔健康状态的5组特征,利用它们与道岔功率曲线的健康标签值共同进行Transformer模型训练,得到预测的健康指数;最后,为评估道岔转辙设备的健康状态,采用Fisher最优分割算法对健康阶段进行划分,确定最优健康阶数为3,并针对不同健康阶段的维护工作给出指导性意见.研究结果表明:1D-CNN和Transformer模型的结合具有较为突出的预测效果与泛化能力,Transformer模型较门控循环单元(Gated Recurrent Unit,GRU)、长短期记忆网络(Long Short-Term Memory,LSTM)等常用模型在处理长时间序列数据时具有更好的表现,采用所提组合模型能得到更为准确的道岔健康状态预测结果,其平均绝对误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Square Error,RMSE)较1D-CNN和LSTM的组合模型分别减小31.2％、30.5％.
关键词：铁路道岔一维卷积神经网络Transformer模型健康状态预测Fisher最优分割
分类号：U284(铁路通信、信号)
论文发表日期：2025-06-30
在线出版日期：2025-08-21（本平台首次上网日期，不代表文献的发表时间）
页数：11( 33-43 )
英文信息