下载文档原格式
基于神经网络的工业设备故障诊断方法研究随着工业化的不断深入，越来越多的工业设备被广泛应用于各行各业中。
然而，随着设备的使用时间的增加，故障的发生也不可避免。
为了保证设备的正常运行，提高工业生产效率和安全性，基于神经网络的工业设备故障诊断方法成为了研究的热点。
一、神经网络在工业设备故障诊断中的应用在工业设备故障诊断中，神经网络具有很大的应用价值。
因为神经网络具有自适应性、非线性、模糊性、并行性等特点，这些特点可以帮助神经网络通过学习和训练从而得出准确的诊断结果。
在工业设备故障诊断中，神经网络通常被用作分类器，将工业设备故障分为各种不同的类型，从而提供必要的修复方案。
二、神经网络模型的构建构建一个可靠的神经网络模型是关键因素之一，这需要合适的数据集和神经网络算法。
在选择数据集时，应确保包含足够的数据，而且数据集应该包括各种不同类型的故障。
为了训练神经网络，可以采用适当的算法，如BP神经网络、RBF神经网络、SVM神经网络等，以获得更好的诊断结果。
三、具体的工业设备故障诊断案例工业设备故障诊断应用非常广泛，并且在许多行业中都应用到了。
下面，我们以电力行业为例，介绍其中一个具体的案例。
某电力厂的双机组汽轮发电机组，工作5年后出现了频繁的故障，导致发电机的正常运行一度受到了影响。
由于故障原因不明，经过多方的调查和检测，仍未找到明显的原因。
为了解决这个问题，研究人员使用神经网络方法进行了故障诊断。
首先，收集了大量的运行数据和历史故障数据，并对数据进行预处理，包括数据过滤、数据去重、数据归一化等处理。
然后，使用BP神经网络对数据进行训练，得出了准确的故障诊断结果。
经过多次实验和验证，研究人员终于找到了故障的根本原因，进而采取相应的措施，维护了发电机的正常运行。
四、神经网络方法在工业设备故障诊断中的优势与传统的故障诊断方法相比，神经网络方法具有以下优势：1. 自适应性：神经网络具有自适应学习的能力，能够快速适应不同的工业设备类型和故障类型，提供更准确的诊断结果。
基于BP神经网络的热泵机组故障诊断研究文章以热泵机组为研究对象，从实验测试的角度建立故障-征兆模型。
采用BP神经网络对热泵机组进行故障诊断并利用Matlab仿真，仿真结果表明基于BP神经网络的热泵机组故障诊断实现简单且效果较好。
标签：神经网络；热泵机组；Matlab引言空气源热泵系统的故障通常分为硬故障和软故障。
硬故障易于检测和判断，从而能及时排除；而软故障通常较难发现，直到系统的性能下降到舒适性受到影响才引起用户的注意，造成了大量不必要的能量损耗。
因此，必须实时监控热泵机组的运行状态，加强热泵机组软故障的检测，快速诊断软故障发生的地点和部位，查找出软故障发生的原因，及时排除故障，减少能量损耗。
但是热泵机组系统比较复杂，难以建立其数学模型，神经网络的出现，为这些系统的故障诊断提供了新的解决方法。
文章中采用BP网络来进行故障诊断。
1 BP神经网络对热泵机组的故障诊断BP神经网络采用的是误差反向传播算法，首先采用训练样本训练网络，神经元的激活值一层一层向后传播，从输入层经由各隐含层再传播到输出层，输出层的神经元就获得输出响应。
然后为了减少实际输出与目标输出之间的均方误差，将均方误差反向传播，逐层修正各连接权值和阈值，由输出层经由各隐含层再回到输入层。
随着这种修正的不断进行，网络实际输出与目标输出之间的误差也越来越小。
得到合适的网络连接值后，便可对新样本进行非线性映像。
利用神经网络的故障诊断过程如下：第一步，为了得到期望的诊断网络，我们采用一定数量的训练样本集组成“征兆-故障”数据集，来训练神经网络；第二步，采用测试样本集作为输入对当前诊断网络进行诊断，这个过程即为利用神经网络进行前向计算的过程。
2 BP神经网络故障诊断的Matlab仿真利用Matlab工具进行BP神经网络故障诊断的具体步骤如下：第一步，网络的输入样本数据和目标输出。
对于热泵机组来说，输入为高压p1、低压p2、冷凝温度p3、蒸发温度p4、吸气过热温度p5、液体过冷温度p6、排气温度p7和通过冷凝器的水流温差p88个特征量；输出为无故障F1、制冷剂泄露F2、压缩机排气阀泄露F3、液体管受阻F4、冷凝器结垢F5和蒸发器结垢F6。
基于BP神经网络的转辙机故障检测方法
吴卉
【期刊名称】《铁路计算机应用》
【年(卷),期】2024(33)3
【摘要】为提高城市轨道交通中ZDJ9型转辙机故障维修效率,提出基于反向传播(BP,Back Propagation)神经网络的转辙机故障检测方法。
文章深入分析转辙机动作电流采集原理及现场转辙机转换过程中不同阶段电流曲线特征,确定故障电流曲线种类;对转辙机转换过程中动作电流曲线进行小波分解与重构,对重构后的曲线进行关键特征值提取,将其作为基于BP神经网络的故障检测模型训练数据,最终经过8 000次迭代训练后,故障检测模型的故障检测准确率达到96%,表明该方法能够有效检测转辙机故障及其故障类型。
【总页数】6页(P79-84)
【作者】吴卉
【作者单位】中国铁道科学研究院集团有限公司电子计算技术研究所
【正文语种】中文
【中图分类】U284.72;U284.92;TP39
【相关文献】
1.基于最小二乘和BP神经网络算法的转辙机测力方法探究
2.基于WPT和BP神经网络的转辙机故障诊断方法研究
3.基于BP神经网络的光伏发电设备故障检测方法研究
4.一种基于BP神经网络的移动通信网络故障检测方法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于bn贝叶斯网络道岔智能诊断方法首先提出了基于贝叶斯网络的智能故障诊断方法,它对于解决复杂设备诊断问题中存在的不确定性,关联性问题具有很大的优势。
然后阐述了贝叶斯网络模型的数学描述及基于贝叶斯网络的故障诊断方法的基本思想和决策算法。
最后以某型SINS/GPS组合导航系统的故障诊断应用实例说明了该方法的有效性。
在故障诊断领域,不确定性问题占多数,主要是由诊断对象的复杂性,测试手段的局限性,知识的不精确等原因导致的。
特别是汽轮发电机组这样大型复杂的机电设备,其构件之间以及构件内部都存在很多错综复杂,关联耦合的相互关系,不确定因素和不确定信息充斥其间,其故障可能是多故障,关联故障等多种复杂形式。
变压器是电力系统的重要设备之一,其运行状态的好坏对整个电力系统的安全运行影响巨大,一旦变压器发生事故,其造成的直接与间接经济损失不可估量。
目前变压器故障诊断技术的研究还远不够完善,寻找一个既能有效处理不完整数据信息,又能提高变压器故障诊断率的技术是解决当前变压器故障诊断领域技术瓶颈的突破点。
目前变压器故障诊断技术的研究还远不够完善,寻找一种既能很好地处理不完备信息,又能提高变压器故障诊断的实际应用性和准确性的智能方法,是目前解决变压器故障诊断问题的出路所在。
论文针对上述变压器故障诊断中尚存在的部分问题进行深入研究,具体工作如下：论文针对变压器故障诊断问题展开了深入的研究工作,通过研究基于贝叶斯网络理论的变压器故障综合诊断问题,提出模糊粗糙集算法与朴素贝叶斯网络相结合的方案,解决了故障诊断领域尚未成功解决的属性冗余与数据不完整问题。
论文研究了贝叶斯网络理论的结构与参数学习过程,提出将贝叶斯网络分类器应用到变压器故障诊断领域,进一步建立了用于变压器故障诊断的NBC,TAN两种贝叶斯分类器模型,仿真分析表明,贝叶斯分类器具有处理不完备信息的能力,在信息缺失不多时仍然具有较高的诊断能力。
为解决困扰故障诊断领域两大难题,属性冗余与数据不完整,论文提出了贝叶斯网络分类器与模糊粗糙集相结合的变压器故障诊断新方法,建立了具有参数自学习功能的NB模糊粗糙集分类器,仿真结果表明,该方案很好的克服了传统方法在这些问题上的不足,有效的提高了变压器的故障诊断能力。
基于BP神经网络模型的电机故障诊断专家系统BP Neural Network Model Based Expert Syste m of Fault Diagno stic of E lectricalMachinery黄 丹 黄采伦(湘潭工学院信息与电气工程系,湘潭 411201)摘 要 针对传统机械设备故障诊断专家系统存在知识获取能力弱、求解有一定局限性等问题,介绍了BP神经网络旋转机械故障诊断专家系统,对单位BP算法,BP神经网络的建立、训练及应用作了具体说明。
该系统学习效率高,故障诊断准确,已成功应用于铁路机车走行部的轮对电机在线故障诊断。
关键词 BP算法 神经网络 故障诊断 电机 专家系统Abstract T o against the weakness of capability of knowledge acquisition and lim itation of obtaining s olution in traditional fault diagnostic expert system for ma2 chinery equipment,the BP neural netw ork based expert system of fault diagnostic for rotating machinery is introduced.The unit BP alg orithm,BP neural netw ork establishment,training and application of the system are described concretely.The system features high efficiency learning and proper fault diagnosis and has been used success fully in fault diagnostic of electrical machinery of railway locom otives.K ey w ords BP alg orithm Neural netw ork Fault diagnostic E lectrical machinery Expert system0 引言机械设备故障诊断是识别设备运行状态的一门新兴学科,它研究的是设备运行状态的变化在诊断信息中的反映,其研究内容包括对机器运行现状的识别诊断、对其运行过程的监测以及对其运行发展趋势的预测等三个方面。
基于深度学习的道岔故障智能诊断方法研究基于深度学习的道岔故障智能诊断方法研究道岔是铁路交通系统中非常关键的组成部分，它负责将列车从一个轨道路线引导到另一个轨道路线上。
然而，长期以来，道岔故障一直是铁路运输中的一个严重问题，给运营安全和效率带来了巨大的威胁。
因此，实现对道岔故障进行快速准确的诊断具有重要意义。
近年来，深度学习技术在识别和分类问题上取得了巨大的突破。
通过深度神经网络的训练和优化，可以提高模型的学习能力和泛化能力，实现对复杂问题的准确识别。
本文旨在研究基于深度学习的道岔故障智能诊断方法，以提高铁路交通系统的运营安全和效率。
首先，我们需要构建一个高质量的数据集，以便进行模型训练。
这个数据集应该包含各种不同类型和程度的道岔故障样本。
对于每个故障样本，需要获取道岔的运行状态、振动数据、温度数据等多种信息，并进行合理的数据处理和特征提取。
在数据集准备完成后，我们可以使用深度学习模型进行道岔故障的智能诊断。
常用的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）等。
这些模型可以从大量数据中学习到道岔的特征表示，准确地识别各种道岔故障类型。
在进行深度学习模型训练之前，需要将数据集划分为训练集、验证集和测试集。
训练集用于模型的学习和参数优化，验证集用于模型的选择和调优，而测试集用于对模型进行评估和性能测试。
通过反复迭代的训练和测试过程，可以逐步提高模型的准确率和鲁棒性。
除了模型的训练和测试，我们还需要考虑模型的优化和部署。
模型的优化可以包括参数调整、网络结构改进、数据增强等方法，以进一步提高模型的性能。
模型的部署可以考虑将其集成到铁路交通系统中，并与其他相关系统进行联动，实现对道岔故障的实时监测和诊断。
在实际应用中，基于深度学习的道岔故障智能诊断方法具有很大的潜力和优势。
它可以实时监测道岔的状态，快速准确地识别故障类型，并及时采取相应的维修措施，从而保障铁路交通系统的运营安全和高效运行。
基于BP神经网络算法的异步电机故障诊断系统研究作者：***来源：《荆楚理工学院学报》2024年第02期摘要：为了确保电机安全可靠地运行，研究了BP神经网络算法对异步电动机进行故障诊断。
通过MATLAB平台，分别使用附加动量因子和自适应学习率两种梯度下降法进行网络训练，搭建故障诊断BP网络模型。
以MSE值为指标优化最佳隐含层节点数、动量因子与学习率，并通过遗传算法来优化BP网络的初始权值，对故障测试样本进行仿真测试。
结果表明，GA-BP网络模型比MF-BP和AG-BP的MSE值更低，仅为0.009 163，优化后的诊断预测结果与目标值几乎没有差别。
基于遗传算法改进的故障诊断系统模型能够满足异步电动机故障诊断的应用需求。
关键词：故障诊断；MATLAB；BP神经网络；遗传算法；网络优化中图分类号：TP183 文献标志码：A 文章编号：1008-4657（2024）02-0001-100 引言随着科技的发展，电机在高铁、磁悬浮列车、飞机电磁弹射装置等新设施上的应用也越来越广泛了，在提供舒适、快捷服务和有力保障的同时，如何确保电机安全可靠地运行，成为人们关注的重要问题［ 1 ］。
故障初期的电机，往往会产生诸如机械异常振动和电流信号变化异常等不同形式的异常特征变化，那么利用这些异常变化的特征就可第一时间对电机的故障进行准确地检测和诊断，从而快速、精确地诊断出电动机故障类型及故障部位，从而减少电机维修所花费的时间［ 2 ］。
人工神经网络（Artificial Neural Network，ANN）的电机故障诊断法是基于反向传播的异步电机故障诊断系统的设计核心，该电机故障诊断法是目前智能化程度相对较高、应用前景也相对较为广阔的一种电机故障诊断法［ 3 ］。
其中，反向传播神经网络（Back Propagation Neural Network，BP网络）故障诊断法不只限于完成故障诊断，也能进行故障严重性评估，甚至可以进行故障预测［ 4 ］。
第17卷第2期2011年4月Vol.17No.2April2011
铁道运营技术
RailwayOperationTechnology
（兰州交通大学自动化与电气工程学院，1.硕士研究生；2.教授，甘肃兰州730070；3.广州铁路集团公司怀化电务段，助理工程师，湖南怀化418000）
基于BP神经网络的道岔智能故障诊断方法王铁军1，董昱2，马彩霞3，沈成禄1，崔宁宁1
摘要：为将神经网络技术运用在铁路道岔故障诊断领域，提出了以神经网络技术为基准，针对道岔常见的3个故障类分别建立3个子神经网络，并总体组建成一个并行神经网络系统的道岔智能故障诊断方法，以帮助维修人员快捷、准确、自动地诊断出故障原因，降低故障处理时间，提高运行效率。关键词：道岔智能故障诊断；BP神经网络；道岔监测系统；网络模型中图分类号：U284.91文献标识码：A文章编号：1006-8686（2011）02-0004-04
目前，我国高速铁路营运里程达到7055km，沪杭高铁试运行最高时速达到416.6km。更高的列车运行速度，对铁路关键设备——道岔提出了更高的要求。目前，我国的道岔监测设备主要是微机监测系统和某铁路研究设计院正在研发并已上道实验的道岔监测系统。这2个系统现都只提供道岔各组成设备的在线监测信息和故障报警，缺少对设备的智能故障诊断功能。道岔设备的各种故障征兆参数之间关系复杂并且非线性。传统的故障诊断方法对于非线性关系，数学模型较难建立并且诊断结果不够理想。而BP神经网络则具有很好的非线性映射、自学习能力和对环境的自适应能力等特点，能较好满足道岔故障诊断领域的要求。为了指导维修工作，对道岔设备状态修提供完善的技术支持，智能故障诊断，已成为道岔监测设备的重中之重〔1〕。因此，在道岔监测系统提供的数据基础上，提出一种基于BP神经网络的道岔智能故障诊断方法。该方法可用来估计故障的发展程度和区分故障的类型，指导维修工作。1人工神经网络概述1.1人工神经网络定义人工神经网络是受生物神经网络的启发构造而成，它是在对生物神经网络认识的基础上，把分子和细胞技术所达到的微观层次与行为研究所达到的系统层次结合起来，以数学和物理方法以及信息处理的角度对人脑神经网络进行抽象，并建立某种简化模型，称为人工神经网络ANN〔2〕。其中误差反传网络（BP网络）是常用的一种。
1.2人工神经网络工作原理ANN由简单的神经元（信息处理单元）互联组成，能接受并处理信息。虽然单个神经元只能进行十分简单的信息处理，但多个神经元连接而成的网络却具有强大的计算能力。网络的信息处理是由处理单元之间的相互作用实现。改变神经元之间的连接方式和连接强度就可以改变神经网络的计算效果，知识与信息的存储，则表现为处理单元之间分布式的物理联系〔2〕。BP网络是一种多层前馈神经网络。它由3层
神经元构成，分别为输入层、隐含层和输出层。输入层神经元节点个数等于采集数据的特征向量维数，输出层神经元节点数取决于所需要的类别数。根据BP网络隐含层设计的经验，隐含层单元数目可根据
需要和对神经网络结构的优化而设置。
1.3人工神经网络特点神经网络是一门高度综合的交叉学科，它涉及到神经生理科学、数理科学、信息科学和计算机科学等众多学科领域。其特点如下：1）分布式存储。其具有良好的容错性与联想记
忆功能。神经网络记忆的信息是存储在神经元之间的权值中。个别神经元和权值的损坏不会对信息特征造成太大影响，这使得网络具有良好的容错性。2）相对于专家系统的知识获取“瓶颈”问题，神
经网络可以通过训练和学习来获得网络的权值与结4基于BP神经网络的道岔智能故障诊断方法构，呈现出很强的自学习能力和对环境的自适应能力。3）诊断耗时少。神经网络将领域专家的启发式知识和经验分布存储于神经元的互连中，不做成专门的知识库，在线诊断时，不再像专家系统和模糊控制那样进行规则的匹配搜索，从而大大减少诊断耗时。1.4并行BP神经网络系统并行BP网络是通过多个BP子神经网络对多个特征值分类，每个子神经网络诊断一类故障，结构如图1所示。有多少类故障，就有多少个子网络与之对应。其优点是每个子网络结构相对来说比较简单，训练迅速，而且子网络间互不影响，尤其是当有新的故障发生时，只需要简单地增加一个训练好的子网络，即可识别新故障，而不用像单子网络一样全部重新学习，这样就大大提高网络的扩展能力和学习能力。子网络1特征故障1故障2故障3图1并行神经网络示意图子网络2子网络32智能故障诊断方法的可行性由于神经网络有如上特点，在道岔现场复杂的环境下，运用BP神经网络诊断故障的方法具有切实的可行性。2.1满足诊断道岔设备故障的现场需求BP神经网络的非线性映射能力和自学习能力，能较好地处理道岔设备的运行状态与其各种故障征兆参数之间的复杂关系。其良好的鲁棒性、实时性，能较好地满足道岔对可靠性、安全性和实时性的要求。2.2解决信息融合的不匹配问题道岔监测系统采用的传感器属于异类多传感器类。由于此类各传感器时间或空间不同步、测量维数不匹配和测量数据差距过大等问题，导致各属性层融合达不到理想效果。而运用BP神经网络可以有效避免以上问题，使各传感器信息在公共数据空间内进行融合，在多故障诊断中可得到较好的置信度〔3〕。2.3学习样本充足神经网络没有任何规则，它通过大量样本对网络进行多次训练来改变网络中的连接权值，只有通过多次训练才能达到理想的效果。因此，充足的学习样本是训练神经网络的关键。而道岔监测系统可以提供完善的状态监测信息，使系统训练样本充足，确保了对BP神经网络模型的可靠训练〔1〕。
3道岔智能故障诊断的实现根据现场维修人员对道岔设备故障积累的宝贵经验，把道岔的典型故障分为3类：道岔密贴不良、道岔转换故障、道岔电路故障。采用并行BP神经网络建立网络模型，每类故障建立1个子神经网络模型，第三个子神经网络中另建立3个次级子神经网络，总体组建成一个并行BP神经网络的信息融合系统。各子网络均采用改进BP算法以加快收敛速度，最后采用设置双阈值的方
法进行故障前预警和故障后诊断。诊断步骤如下：首先从道岔监测系统中获取道岔监测数据，对数据进行特征提取后通过诊断模块得出诊断结果。如果遇到新故障，则通过学习模块对相应子网络进行重新训练以完善诊断模块。如图2所示。
监测数据特征提取诊断模块学习模块
诊断结果新故障图2道岔智能故障诊断步骤示意图以VisualC++和MATLAB作为实现故障诊断的工具软件。用户交互界面由VisualC++开发完成，在与MATLAB进行数据交换后，使用MATLAB神经网络工具箱进行后台运算处理〔4〕。
3.1道岔密贴不良故障类诊断道岔密贴不良是道岔最为常见的故障。据统计，在武广客专联调联试阶段，密贴不良故障占总故障的18.7%。尖轨密贴必须保证4mm不锁闭、2mm锁闭要求，否则可能导致道岔不能正常锁闭或列车颠覆等重大事故。3.1.1道岔密贴不良故障原因根据维修人员多年
的现场经验，密贴不良常由道岔不方正、尖轨爬行、轨距变化、外锁闭调整不良、缺口不合格5种故障原因导致。当整体道床振动过大时将导致基础螺栓松5第17卷第2期2011年4月Vol.17No.2April2011
铁道运营技术
RailwayOperationTechnology
动，进而导致道岔不方正造成卡阻。尖轨爬行、轨距变化等原因多由于道床不良引起，应积极开展道岔的工电联合整治。而外锁闭调整不良和缺口变化则属电务维修人员调整不当，维修质量不高等人为原因。3.1.2道岔密贴不良故障诊断方法我国某设计院目前正在开发研制道岔监测系统，其所监测的7种电务参数可以从各方面反映出密贴不良的原因。由此，可以选用密贴量、尖轨开口量、转换力、振动加速度、轨温、轨距、缺口监测数据等7种状态数据，进行特征提取并归一化处理后作为神经网络的输入端，以5种密贴不良原因作为输出端，进行故障诊断。当发现影响密贴不良的新故障原因时，可以通过网络学习模块增加输出节点并对连接权值和阈值进行重新训练和学习，以满足诊断要求。3.2道岔转换故障类诊断道岔转换故障是在道岔转换阶段无法正常转动、道岔转换阻力过大、转换不到位造成四开状态以及道岔转换后没有表示等故障。道岔转换故障性质恶劣，将严重影响线路正常运营。3.2.1道岔转换故障原因通过对各时间段道岔动作电流分析，可以诊断出如下6种常见故障原因：电机匝间短路、碳刷与整流子接触不良、尖轨转换障碍、电机转子断线、继电器接点接触不良、自动开闭器动作不灵活。其中转换障碍由根部阻力过大、滑床板缺油、夹异物、吊板、故障电流过小等原因形成，需要电务人员现场核实。3.2.2道岔转换故障诊断方法道岔动作电流曲线，蕴涵了道岔转换过程中丰富的机械特性和电气特性。可对故障动作电流进行多角度分析，并与道岔平时的正常动作电流曲线相对比，寻找出故障曲线反应出的故障信息，得到故障原因。单机牵引正常动作电流曲线如图3所示：电机启动时曲线骤升，形成一个尖峰，峰顶值通常为6~10A。若峰值过高，说明道岔电机有匝间短路。电流至峰点后迅速回落，弧线应平顺。若有台阶或鼓包则为道岔密贴调整过紧造成解脱困难。回落后的曲线基本呈水平状，前部略微向下，后部略微向上。区段前部应平滑，若电流幅值上下抖动则有如下可能：滑床板凹凸不平、炭刷与整流子面接触不良或有污垢、电机有匝间短路。若有大量的回零点，则为电机转子断线。略微向上的曲线后部为锁闭电流，若过高则可能为道岔密贴调整过紧，转辙机锁闭困难。随后曲线迅速下降再逐渐为零，此时段为自动开闭器转换时间和1DQJ缓放时间，时间若过长则可能是自动开闭器动作不灵活等原因。10.09.48.88.17.56.96.35.65.04.43.83.12.51.91.30.60.00001020304
时间/s
电流/A
图3单机牵引正常道岔动作电流曲线本文以一种反应自动开闭器动作不灵活的电流曲线为例进行说明，如图4所示。图中道岔机械锁闭时，道岔锁闭电流曲线延时（由图中03-06s时间段内电流曲线体现）。故此类故障的产生原因多由自动开闭器的拐轴、自动开闭速动爪轴或连接板轴动作不灵活产生，可通过往各轴上注变压器油来解决。10.09.48.88.17.56.96.35.65.04.43.83.12.51.91.30.60.00001020304
时间/s
电流/A
图4自动开闭器不灵活故障电流曲线由于道岔的动作电流是单元输入，因此，通过对正常动作电流和各故障动作电流以时间序列进行采样，特征提取后作为训练样本，对BP神经网络进行训练和学习。这可以较准确地对此类故障进行智能诊断，为维修人员提供技术参考。
3.3道岔电路故障类的诊断随着铁路列车运行速度的逐年提升，国内干线多数道岔转动装置采用分动外锁闭转辙机。分动外锁闭道岔控制电路主要分为3个部分：室内控制电路、道岔动作电路和道岔表示电路。下面以采用三相交流转辙机S700K道岔为例加以说明。3.3.1道岔电路故障原因S700K道岔控制电路故
