结合SOM和LSTM的道岔转辙设备健康状态评估及预测

摘要

针对道岔转辙设备故障频发，且工作人员无法准确评估及预测其健康状态的问题，进行结合SOM-LSTM混合神经网络的道岔转辙设备健康状态评估及预测方法研究。首先，依据道岔动作功率曲线特点分三段提取其时域特征参数，利用自组织映射神经网络（Self organizing map,SOM）中最小量化误差求解道岔转辙设备健康因子（Health index,HI）；其次，运用长短时记忆神经网络（Long short term memory,LSTM）算法预测道岔转辙设备后续健康因子曲线；最后，利用现场采集数据，对算法的有效性进行验证。实验结果表明：SOM方法可有效追踪道岔转辙设备健康状态变化规律，实现对健康因子的快速准确计算；相较于误差反向传播神经网络（Back propagation,BP神经网络）和循环神经网络（Recurrent neural network,RNN神经网络），LSTM算法预测效果较好，准确度提升，对道岔转辙设备的健康管理具有一定的指导意义。