基于改进Vision Transformer的道岔故障智能诊断

• 全文链接
• 请求原文

作   者：

王英琪;  李刚;  胡启正;  杨勇; 

作者机构：

中国铁道科学研究院集团有限公司 通信信号研究所;  中国铁道科学研究院; 

关键词：

图像分类;  深度学习;  Vision Transformer;  道岔故障识别; 

期刊名称：

铁道科学与工程学报

i s s n：

1672-7029

年卷期：

2024 年 21 卷 010 期

页   码：

4321-4333

摘   要：

道岔故障种类繁多,特征复杂,存在检测难、分类难等问题,导致故障排查效率低下,对铁路运输安全构成威胁.Vision Transformer模型在图像分类方面具有较高准确度,但是其处理的是图像块,而不是传统的像素级特征,在某些情况下可能会影响曲线局部信息的获取.针对上述情况,提出一种基于改进Vision Transformer模型的故障曲线分类算法.首先,对典型道岔故障及原因进行梳理分类,指出几种典型的道岔故障;其次,对使用道岔动作电流数据生成的图像尺寸进行调整并根据故障图像特点进行数据增强,使用ResNet网络取代原Vision Transformer模型中的故障图像分块机制进行特征提取,同时采用相对位置编码增强模型的适应性和泛化能力;最后,利用模型的多头自注意力机制,综合全局与局部信息进行分类,并得到分类权重.经过实验验证,本文道岔故障分类识别总体准确率达99.77%,各分类识别的平均精确率达99.78%,与原模型相比,在训练集和验证集上的识别精度分别提升了5.4%和2.4%.为了更好地理解模型的性能,采用Grad-CAM方法将迭代过程可视化,剖析了模型关注区域的变化过程,并在测试集上与VGG-16、DenseNet121等经典分类模型进行性能对比;通过ROC曲线评估分类效果,显示改进的模型取得更优结果.研究结果为道岔故障识别分类提供了新的理论支持,并为未来的研究提供了新的思路和方法.