鐘志旺， 唐 濤， 王 峰

(1. 北京交通大學(xué) 電子信息工程學(xué)院， 北京 100044； 2. 北京交通大學(xué) 軌道交通控制與安全國(guó)家重點(diǎn)實(shí)驗(yàn)室， 北京 100044)

鐵路道岔是鐵路系統(tǒng)重要的線路連接設(shè)備，包括道岔和道岔轉(zhuǎn)換設(shè)備。道岔轉(zhuǎn)換裝置，一是根據(jù)行車需要，按照聯(lián)鎖技術(shù)條件將分叉線路開通在需要的位置，保證正確的行車路徑；二是道岔轉(zhuǎn)換到位后期，通過(guò)缺口檢查，判斷道岔尖軌與基本軌之間是否達(dá)到規(guī)定的密切程度，以保證列車通過(guò)道岔時(shí)的行車安全。道岔轉(zhuǎn)換設(shè)備在室外，受風(fēng)沙、雨雪、酷暑和嚴(yán)寒等自然條件和列車震動(dòng)、沖擊，鋼軌爬行、橫移等外界因素影響較大，而且使用數(shù)量多，在信號(hào)設(shè)備中，一直是故障率較高的設(shè)備。通過(guò)統(tǒng)計(jì)某鐵路局近4年來(lái)的信號(hào)設(shè)備故障發(fā)現(xiàn)，道岔轉(zhuǎn)換設(shè)備故障占所有信號(hào)設(shè)備故障總數(shù)的40%以上。

道岔維護(hù)是鐵路基層電務(wù)段設(shè)備維護(hù)的主要工作之一，在設(shè)備維護(hù)過(guò)程中，積累了大量的歷史數(shù)據(jù)，存儲(chǔ)的格式多樣，但電子數(shù)據(jù)基本上都是以文本方式記錄或者可以當(dāng)成文本處理。這些維護(hù)數(shù)據(jù)對(duì)道岔故障分析和設(shè)備維護(hù)決策有重要參考價(jià)值。

目前，國(guó)內(nèi)外學(xué)者在道岔故障診斷方面進(jìn)行了研究。文獻(xiàn)[1-5]對(duì)道岔關(guān)鍵參數(shù)監(jiān)測(cè)進(jìn)行了研究，描述了監(jiān)測(cè)和方法系統(tǒng)的原理及結(jié)構(gòu)。但是，目前對(duì)基于故障維護(hù)文檔的故障診斷研究相對(duì)較少，而故障記錄數(shù)據(jù)對(duì)于道岔故障的研究至關(guān)重要。道岔的故障診斷主要由數(shù)據(jù)特征提取和診斷兩部分組成。

通過(guò)調(diào)研中國(guó)鐵路廣州局集團(tuán)有限公司(以下簡(jiǎn)稱廣州局)以及長(zhǎng)沙電務(wù)段、廣州電務(wù)段、懷化電務(wù)段等保存的歷史故障一覽表發(fā)現(xiàn)，故障數(shù)據(jù)錄入缺乏規(guī)范性，且不同時(shí)間段錄入數(shù)據(jù)字段設(shè)置和語(yǔ)言描述差距較大，導(dǎo)致故障數(shù)據(jù)可利用價(jià)值降低；鐵路局和各站段的故障表中設(shè)備類別設(shè)置不完全一致，對(duì)故障數(shù)據(jù)的統(tǒng)計(jì)和處理帶來(lái)一定的難度。針對(duì)上述問(wèn)題，一些學(xué)者[6-10]提出基于本體的文檔標(biāo)準(zhǔn)化架構(gòu)來(lái)解決維護(hù)過(guò)程中出現(xiàn)的信息描述不一致問(wèn)題，促進(jìn)了對(duì)鐵路維護(hù)大數(shù)據(jù)的規(guī)范化管理，但仍然不能對(duì)大數(shù)據(jù)進(jìn)行有效的分析和處理。文獻(xiàn)[9]提出將文本挖掘的方法引入鐵路車載設(shè)備故障診斷，提供了新的處理思路，但是存在以下缺點(diǎn)：一是完全考慮人工經(jīng)驗(yàn)選取故障詞項(xiàng)空間，導(dǎo)致處理效率低并且無(wú)法自動(dòng)遷移到其他鐵路設(shè)備；二是采用貝葉斯網(wǎng)絡(luò)的診斷方法需要基于有因果結(jié)構(gòu)(一級(jí)故障為二級(jí)故障的原因)的故障記錄數(shù)據(jù)，存在較大的局限性，并且在數(shù)量較小的樣本上診斷表現(xiàn)效果不理想。

目前有關(guān)道岔設(shè)備的故障診斷，依然主要依賴于專家經(jīng)驗(yàn)，導(dǎo)致維修時(shí)間無(wú)法保障，從而影響鐵路運(yùn)營(yíng)的效率和安全性。另一方面，由于道岔設(shè)備的工作環(huán)境復(fù)雜，負(fù)載繁重，使得道岔設(shè)備故障模式眾多，為道岔設(shè)備故障診斷帶來(lái)挑戰(zhàn)。

針對(duì)道岔設(shè)備故障記錄數(shù)據(jù)的描述復(fù)雜性和難處理性，以及克服文獻(xiàn)[9-10]等提出方法的局限性，本文提出基于分詞算法和主題模型相結(jié)合的方法來(lái)提取道岔設(shè)備故障描述的故障詞項(xiàng)特征和故障主題特征，獲得故障文檔在主題特征空間中的表達(dá)[11]，從而降低特征維度和算法復(fù)雜度。針對(duì)小樣本故障模式診斷效果不理想的問(wèn)題，選取SVM作為故障分類方法，SVM已經(jīng)被公認(rèn)為是在小樣本數(shù)據(jù)上進(jìn)行學(xué)習(xí)的最有效模型之一，本文以廣州局現(xiàn)場(chǎng)數(shù)據(jù)為基礎(chǔ)進(jìn)行實(shí)驗(yàn)分析。

1 背景

依據(jù)道岔轉(zhuǎn)化系統(tǒng)故障機(jī)理進(jìn)行分析，道岔的故障主要分為電氣故障和機(jī)械故障?，F(xiàn)場(chǎng)維護(hù)記錄表明，道岔故障中機(jī)械故障占比約為90%以上。

1.1 道岔設(shè)備故障記錄數(shù)據(jù)

本文將廣州局提供的故障一覽表中的道岔故障分離出來(lái)，針對(duì)道岔相關(guān)的故障進(jìn)行故障原因分析。表1給出的是故障一覽表中部分例子。

表1 道岔相關(guān)故障數(shù)據(jù)舉例

從表1可知，故障原因包含眾多故障現(xiàn)象描述信息，但由于現(xiàn)場(chǎng)維護(hù)人員語(yǔ)言習(xí)慣以及維護(hù)技能的不同，導(dǎo)致記錄方式口語(yǔ)化和記錄差異性，諸如此類的問(wèn)題增加了故障診斷算法的復(fù)雜性和診斷難度。

由于故障類別是故障診斷模型訓(xùn)練的數(shù)據(jù)基礎(chǔ)，因此依據(jù)道岔結(jié)構(gòu)組成，結(jié)合故障數(shù)據(jù)信息，將道岔故障分類為12個(gè)故障類別，見(jiàn)表2。

表2 道岔故障類別

1.2 道岔設(shè)備故障診斷流程

圖1為道岔轉(zhuǎn)換系統(tǒng)故障診斷的實(shí)現(xiàn)步驟，主要為故障詞項(xiàng)特征提取、故障主題特征提取(語(yǔ)義特征)和故障診斷3部分。其中，故障詞項(xiàng)特征提取主要采用中文分詞手段和“詞袋模型”方法對(duì)故障文檔進(jìn)行表達(dá)；由于語(yǔ)義信息的丟失和維度較高，對(duì)故障診斷帶來(lái)較大挑戰(zhàn)，因此，采用主題模型進(jìn)行語(yǔ)義特征提取和降維，將故障文檔表達(dá)在主題特征空間上；最后，采用支持向量機(jī)作為診斷器對(duì)道岔轉(zhuǎn)換系統(tǒng)進(jìn)行故障診斷。

圖1 道岔故障診斷框架

2 基于文本分詞和主題模型的故障特征提取

由于故障文本記錄主體(信號(hào)工)的差異性，導(dǎo)致故障現(xiàn)象描述的不一致性和復(fù)雜性，增加了診斷推理的復(fù)雜性。恰當(dāng)?shù)墓收咸卣髂軌蚪档偷啦砉收显\斷的復(fù)雜度，提高診斷效率。在自然語(yǔ)言處理領(lǐng)域，對(duì)于以文本形式的原始表達(dá)模型為詞項(xiàng)的向量空間模型VSM( Vector Space Model)，向量的維度即詞項(xiàng)的數(shù)量。此模型的缺點(diǎn)是忽略了詞項(xiàng)的順序和詞項(xiàng)之間的關(guān)聯(lián)關(guān)系，只統(tǒng)計(jì)各詞項(xiàng)在文檔中出現(xiàn)的次數(shù)。因此，對(duì)于道岔設(shè)備故障診斷來(lái)說(shuō)，其原始特征即為故障詞項(xiàng)特征。采用VSM模型表達(dá)道岔設(shè)備故障描述，忽略了故障詞項(xiàng)特征之間的關(guān)聯(lián)關(guān)系，因此，也就降低了后續(xù)故障診斷的效率。近些年，一種可以抽取文本庫(kù)中隱層主題的方法，主題模型(Topic Model)，在諸多領(lǐng)域有著廣泛的應(yīng)用，如社交網(wǎng)絡(luò)、用戶評(píng)價(jià)、新聞分類、情感分析等。因此，為了克服上述問(wèn)題并提高特征提取的自動(dòng)程度以及在故障診斷上的適應(yīng)度，本文通過(guò)文本分詞(Segmentation)[12-13]和主題模型[14-15]對(duì)道岔設(shè)備的故障記錄進(jìn)行分割和主題提取，具體步驟見(jiàn)圖2。首先將故障文檔在“詞袋模型”框架下表達(dá)為詞項(xiàng)文檔矩陣，實(shí)現(xiàn)原始故障特征提取；然后，通過(guò)“主題模型”的架構(gòu)，將故障文檔的“故障詞項(xiàng)特征空間”轉(zhuǎn)換到“語(yǔ)義特征空間”，進(jìn)一步實(shí)現(xiàn)故障主題特征提取。

2.1 故障詞項(xiàng)特征提取算法

對(duì)于原始故障詞項(xiàng)特征的生成，通過(guò)中文分詞技術(shù)對(duì)故障文檔進(jìn)行自動(dòng)處理而實(shí)現(xiàn)。近年來(lái)，中文分詞技術(shù)已經(jīng)有了較大發(fā)展，出現(xiàn)了眾多的算法。主要包括以下4類：基于字符串匹配的分詞方法、基于理解的分詞方法、基于統(tǒng)計(jì)的分詞方法和基于語(yǔ)義的分詞方法[12-13]。中文分詞算法的核心思想是給定文檔記錄(輸入文字串)后，采用分詞算法對(duì)文檔進(jìn)行分割和過(guò)濾處理，進(jìn)而依據(jù)算法輸出最優(yōu)的分詞結(jié)果，即中文詞項(xiàng)、其他類別字符串或單詞。分詞算法模塊的流程結(jié)構(gòu)見(jiàn)圖3。

本文采用NLPIR漢語(yǔ)分詞算法(又名ICTCLAS)對(duì)故障進(jìn)行分詞處理。由于一般通用的分詞工具并不包含特定領(lǐng)域的專業(yè)詞匯。分詞工具對(duì)道岔的故障現(xiàn)象描述記錄進(jìn)行分詞，結(jié)果不理想。

在鐵路信號(hào)領(lǐng)域中的一些詞匯，如基本軌、滑床板、頂鐵等有其特定含義，并攜帶重要的故障類別信息，分詞過(guò)程中應(yīng)當(dāng)作為一個(gè)詞項(xiàng)處理。因此，我們通過(guò)在分詞過(guò)程中將領(lǐng)域?qū)＜抑R(shí)，即領(lǐng)域特定詞庫(kù)，添加到分詞匹配詞庫(kù)中，可以獲得較為理想的效果。對(duì)于道岔轉(zhuǎn)換系統(tǒng)的特定詞匯見(jiàn)表3。

表3 道岔設(shè)備故障專業(yè)詞匯舉例

對(duì)故障文檔進(jìn)行中文分詞后，便可以得到道岔轉(zhuǎn)換設(shè)備故障詞典。在VSM模型的假設(shè)下，可以將故障文檔表達(dá)在詞項(xiàng)空間上。詞項(xiàng)文檔矩陣的生成見(jiàn)圖4。

2.2 基于PLSA主題模型的故障主題特征提取

由于“故障詞項(xiàng)特征空間”未考慮詞項(xiàng)順序和關(guān)聯(lián)性，無(wú)法表達(dá)文本語(yǔ)義，因此不能較好地解決同義詞和一詞多義問(wèn)題，增加了后續(xù)故障診斷的復(fù)雜性。近幾年，主題模型技術(shù)PLSA( Probability Latent Semantic Analysis) 得到較快發(fā)展[14-15]，它通過(guò)詞項(xiàng)貢獻(xiàn)，挖掘語(yǔ)義上的關(guān)聯(lián)性，能夠?qū)⑽臋n由詞項(xiàng)特征空間變換到主題特征空間上，從而解決上述問(wèn)題。因此，本文采用主題模型算法進(jìn)行故障語(yǔ)義特征提取。

2.2.1 PLSA算法

PLSA的核心思想[14-15]是將詞項(xiàng)之間復(fù)雜的關(guān)系(共現(xiàn)數(shù)據(jù)對(duì)——即文檔d∈D={d1,d2,…,dN}中出現(xiàn)故障詞項(xiàng)對(duì)wi,wj∈W={w1,w2,…,wM}的頻率)用中間隱藏變量z∈Z={z1,z2,…,zK}的形式表達(dá)，也就是所謂的語(yǔ)義聯(lián)系模型, 該模型可以表示為故障詞項(xiàng)與故障文檔的聯(lián)合分布概率。

( 1 )

繼而對(duì)PLSA模型進(jìn)行參數(shù)估計(jì)，采用極大似然估計(jì)來(lái)求取

( 2 )

式中：f(di,wj)為故障詞項(xiàng)wj在故障文檔di中出現(xiàn)的次數(shù)。

對(duì)于模型的擬合，在含有隱藏變量的模型中,極大似然估計(jì)的標(biāo)準(zhǔn)過(guò)程是期望極大(EM)算法，EM算法可以描述為以下兩個(gè)步驟的交替：

E-步, 利用當(dāng)前所估計(jì)的參數(shù)值對(duì)隱藏變量的后驗(yàn)概率進(jìn)行計(jì)算。

M-步, 基于上述后驗(yàn)概率, 對(duì)參數(shù)值進(jìn)行更新。

對(duì)于PLSA模型, 通過(guò)貝葉斯公式可以得到隱藏變量的后驗(yàn)概率為

( 3 )

對(duì)式( 2 )進(jìn)行極大化,對(duì)參數(shù)P(zk|di)及P(wj|zk)進(jìn)行重新估計(jì), 從而得到新的參數(shù)值為

( 4 )

通過(guò)對(duì)式( 3 )、式( 4 )的迭代，收斂后即可得到參數(shù)的估計(jì)值。

2.2.2 道岔設(shè)備故障主題特征提取

根據(jù)PLSA的原理和道岔相關(guān)故障的特點(diǎn)，對(duì)道岔故障文本數(shù)據(jù)進(jìn)行特征提取的流程見(jiàn)圖1。道岔故障文本特征提取流程為：

Step1故障追蹤記錄文檔獲取。

Step2詞項(xiàng)空間向量模型建立。經(jīng)過(guò)文本分詞并進(jìn)行去停用詞之后，得到原始故障詞項(xiàng)特征，在詞項(xiàng)空間中表達(dá)故障文本。

Step3利用主題模型。選擇合適的主題數(shù)量，建立主題模型，將故障文本通過(guò)主題模型空間表達(dá)。

在使用PLSA算法進(jìn)行故障主題特征挖掘的過(guò)程中，首先要給定主題特征的數(shù)目k。采用拇指規(guī)則和打分算法來(lái)確定，即通過(guò)設(shè)定一定的步長(zhǎng)改變k值進(jìn)行測(cè)試，選取文檔似然值達(dá)到最優(yōu)的k值作為最終的主題數(shù)。一般來(lái)說(shuō)，主題特征在一定程度上攜帶了原文檔表達(dá)的語(yǔ)義。表4為廣州局道岔的故障記錄由主題模型特征提取后得到的結(jié)果。

表4 道岔系統(tǒng)故障記錄表中故障主題特征的提取結(jié)果

表4表明，語(yǔ)義特征T1與“尖軌卡物”這一故障模式相關(guān)，特征T2代表“空轉(zhuǎn)”的故障模式，特征T3與“接點(diǎn)接觸不良”的故障模式相關(guān)等。文檔在故障主題特征空間上的表達(dá)過(guò)程見(jiàn)圖5。

3 基于支持向量機(jī)的道岔設(shè)備故障診斷

支持向量機(jī)已在很多領(lǐng)域有了廣泛應(yīng)用，取得了良好的效果。道岔轉(zhuǎn)換系統(tǒng)的故障模式具有種類多，各模式分布不均衡，而且一些故障模式樣本數(shù)量十分有限的特點(diǎn)。對(duì)于學(xué)習(xí)算法，支持向量機(jī)在小樣本數(shù)據(jù)上具有較大優(yōu)勢(shì)，能夠僅僅依賴少數(shù)的支持向量進(jìn)行診斷決策。因此，本文采用支持向量機(jī)進(jìn)行道岔設(shè)備故障診斷。

3.1 支持向量機(jī)

支持向量機(jī)[16-18]是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來(lái)的機(jī)器學(xué)習(xí)方法，是結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的實(shí)現(xiàn)。

SVM本質(zhì)上是一個(gè)分割超平面，是分類優(yōu)化問(wèn)題的一種解決方案。其算法如下：

假設(shè)數(shù)據(jù)集為(x1,y1),(x2,y2),…,(xp,yp),x∈Rp,y∈{1,-1}。

對(duì)于原始的優(yōu)化問(wèn)題，可表述為

s.t.yi(wTφ(xi)+b)≥1-ξiξi≥0

( 5 )

式中:C為懲罰因子,C≥0。

通過(guò)拉格朗日乘子法以及KKT (Karush-Kuhn-Tucker )條件，可以得到其對(duì)偶優(yōu)化問(wèn)題

minLd(α)=

( 6 )

式中：αi、βi為拉格朗日乘子；φ(xi)Tφ(xj)=K(xi,xj)為核函數(shù)。

進(jìn)而，為求解拉格朗日乘子，轉(zhuǎn)化為一個(gè)標(biāo)準(zhǔn)二次最優(yōu)化問(wèn)題

s.tyTα=0 0≤αi≤Ci=1,2,…,p

( 7 )

式中:α=[α1,α2,…,αp]T,y=[y1,y2,…,yp]T,e=[1,1,…,1]T,Qij=yiyjφ(xi)Tφ(xj)=yiyjK(xi,xj)。

可求得ω*和b*的最優(yōu)解為

( 8 )

式中：Nsv為支持向量的個(gè)數(shù)(拉格朗日乘子不等于0)。

3.2 基于支持向量機(jī)的道岔轉(zhuǎn)換系統(tǒng)故障診斷

在特征提取階段，將故障文檔表達(dá)在故障主題特征空間上，得到主題文檔矩陣。SVMs診斷器的訓(xùn)練和診斷過(guò)程見(jiàn)圖6。主題文檔矩陣和故障文檔對(duì)應(yīng)的故障類別標(biāo)簽作為模型訓(xùn)練數(shù)據(jù)，輸入一對(duì)一多分類策略下的(OVO SVMs)模型進(jìn)行訓(xùn)練，得到最終的SVM診斷器模型。對(duì)于新故障的產(chǎn)生，首先將故障現(xiàn)象描述文檔在主題特征空間下表示，進(jìn)而輸入到訓(xùn)練好的SVM診斷器模型進(jìn)行故障診斷，即可得到所發(fā)生故障的模式，從而實(shí)現(xiàn)道岔轉(zhuǎn)換系統(tǒng)的故障診斷。

4 實(shí)驗(yàn)結(jié)果

本文通過(guò)兩個(gè)實(shí)驗(yàn)對(duì)所提出的道岔設(shè)備故障特征提取和故障診斷算法的有效性和準(zhǔn)確性進(jìn)行驗(yàn)證。主要包括故障主題特征提取算法的驗(yàn)證和故障診斷算法的驗(yàn)證。

4.1 實(shí)驗(yàn)數(shù)據(jù)

利用廣州局現(xiàn)場(chǎng)故障追蹤記錄作為故障文檔庫(kù)。采用廣州局對(duì)道岔維護(hù)過(guò)程中積累的道岔相關(guān)的1 500多條故障記錄，其中，1 000條用于模型訓(xùn)練，剩余數(shù)據(jù)用于測(cè)試。數(shù)據(jù)的各類別故障樣本情況,見(jiàn)表5。

表5 道岔故障類別及數(shù)據(jù)組成 %

4.2 評(píng)價(jià)指標(biāo)

對(duì)于分類效果的評(píng)價(jià)，采用F1-score和準(zhǔn)確率兩種指標(biāo)[19]。其中，F(xiàn)1-score中的1代表“精度”(precision)和“召回率”(recall)采用權(quán)重相同，也就是式( 9 )中的β=1。對(duì)于多類分類器的評(píng)估，F(xiàn)1-score算法如下：

算法1多類分類器的F1-score評(píng)估方法

Lineno=

(1) for每個(gè)故障模式Cido

(3) end for

(4)F-score←通過(guò)式( 9 )計(jì)算所有故障類別的F-score值。

( 9 )

式中：l是類別總數(shù)。令β=1，可得F1-score值。

4.3 特征提取的實(shí)驗(yàn)分析

為了驗(yàn)證特征提取的合理性，通過(guò)比較診斷器分別在兩種特征空間上(故障主題特征空間和故障詞項(xiàng)特征空間)的效果進(jìn)行評(píng)估。實(shí)驗(yàn)結(jié)果見(jiàn)圖7。

圖7給出了各故障模式的F1-score值，表明故障主題特征相對(duì)于故障詞項(xiàng)特征具有明顯優(yōu)勢(shì)，診斷效果更為理想，主要表現(xiàn)為故障樣本數(shù)量較少的故障模式效果更佳，驗(yàn)證了故障主題特征提升了小類樣本的可分性，從而降低了誤報(bào)率。另外，本文從整體準(zhǔn)確率的角度驗(yàn)證了所提出的故障特征提取算法的效果。其中，SVM診斷器在故障詞項(xiàng)特征空間以及故障主題特征空間上的診斷準(zhǔn)確率分別為86.06%和90.11%，表明故障主題特征空間更有利于道岔設(shè)備故障診斷任務(wù)。

4.4 故障診斷算法的實(shí)驗(yàn)分析

為了驗(yàn)證所采用診斷算法的可行性，與其他兩類故障診斷分類算法進(jìn)行對(duì)比，即貝葉斯網(wǎng)絡(luò)算法BN以及BP神經(jīng)網(wǎng)絡(luò)算法(選用故障主題特征空間)。圖8給出了三種診斷器的效果，表明本文采用的算法較神經(jīng)網(wǎng)絡(luò)算法和貝葉斯網(wǎng)絡(luò)算法，對(duì)于小樣本故障模式的診斷效果誤報(bào)率更低。然而，BP神經(jīng)網(wǎng)絡(luò)和BN算法在提高小類樣本的診斷效果同時(shí)，在樣本其他故障模式的診斷效果略低于SVM算法，例如故障模式C5和C9。其次，本文從整體診斷準(zhǔn)確率的角度驗(yàn)證了SVM診斷器對(duì)于道岔設(shè)備故障診斷的效果。三種算法的診斷準(zhǔn)確率分別為：BN算法為89.14%，BP神經(jīng)網(wǎng)絡(luò)算法為88.98%，SVM算法為90.11%。

5 結(jié)束語(yǔ)

通過(guò)分詞算法對(duì)故障文檔進(jìn)行分詞，自動(dòng)提取道岔領(lǐng)域故障詞庫(kù)，即詞項(xiàng)空間；通過(guò)向量空間模型將文檔表達(dá)在詞項(xiàng)空間中；在此基礎(chǔ)上，通過(guò)主題模型PLSA方法進(jìn)行故障主題特征提取，進(jìn)而將故障文檔表達(dá)在主題特征空間中，為診斷準(zhǔn)備基礎(chǔ)；通過(guò)構(gòu)造SVM診斷器實(shí)現(xiàn)道岔設(shè)備故障診斷。通過(guò)現(xiàn)場(chǎng)的實(shí)際數(shù)據(jù)驗(yàn)證，說(shuō)明提出算法對(duì)道岔故障診斷有良好的效果。