基于SSAE-DNN的无绝缘轨道电路故障诊断研究

针对ZPW-2000R型无绝缘轨道电路的多样性和复杂性造成故障诊断准确率低的问题,从故障特征提取和特征分类两方面出发,将栈式稀疏自编码器（SSAE,Stacked Sparse Auto-Encoder）和深度神经网络（DNN,Deep Neural Networks）相结合,提出了基于SSAE-DNN模型的故障诊断方法。采用SSAE对故障数据以无监督的方式进行降维和特征提取,获得最优网络参数,从而挖掘无绝缘轨道电路不同故障特征信息,并将SSAE提取的特征样本导入DNN,得到SSAE-DNN模型,据此进行无绝缘轨道电路的故障分类识别。试验结果表明,该模型对故障数据进行了降维,减少了故障诊断时间,且获取了故障数据的深层特征;对ZPW-2000R型无绝缘轨道电路的故障具有较高的诊断准确率,仅有少数故障出现误判情况。通过与反向传播（BP,Back Propagation）神经网络、卷积神经网络（CNN,Convolutional Neural Network）和支持向量机（SVM,Support Vector Machine）的对比试验,进一步验证了该方法的有效性和优越性。