高利民，許慶陽，李 鋒，楊 吉，孟景輝，楊樹忠

（1.中國國家鐵路集團有限公司 鐵路基礎設施檢測中心,北京 100081；2.中國鐵道科學研究院集團有限公司 基礎設施檢測研究所,北京 100081；3.朔黃鐵路發(fā)展有限責任公司,河北 肅寧 062350）

道岔作為鐵路系統(tǒng)重要的線路連接設備,主要包括道岔和道岔轉(zhuǎn)換部分,其所處環(huán)境復雜,易受風沙、雨雪等惡劣天氣影響,是鐵路系統(tǒng)工電結(jié)合部重點關(guān)注的設備之一,據(jù)現(xiàn)場調(diào)研發(fā)現(xiàn),每年道岔設備維護工作量約占工務、電務設備維護工作量的1/3 以上。鐵路現(xiàn)場主要通過采集道岔轉(zhuǎn)換過程中的電流、時間等參數(shù),反映道岔的工作狀態(tài),利用信號集中監(jiān)測系統(tǒng)中的道岔轉(zhuǎn)換電流、功率曲線進行人工判斷道岔設備的使用狀態(tài)［1］。該方法過于依賴工作人員的現(xiàn)場經(jīng)驗,且易造成漏檢漏報現(xiàn)象,導致設備出現(xiàn)維修不足及過維修等問題。因此,有必要準確掌握道岔設備實際工作狀態(tài),以保證其可靠運行。

國內(nèi)外學者在道岔設備故障診斷方法取得了很多研究成果。Asada 等人［2］提出了一種小波變換（WT）與支持向量機（SVM）組合的狀態(tài)識別方法,利用SVM 學習WT 提取的功率信號特征數(shù)據(jù),并在此模型基礎上對道岔故障進行識別。Vileiniskis［3］、程宇佳［4］等人采用SVM 方法對道岔設備典型故障進行診斷學習,得到典型故障分類器模型用于道岔故障診斷。李雅美［5］、Zhang K［6］、Yilboga H［7］等人則是利用神經(jīng)網(wǎng)絡對道岔設備故障進行診斷學習。這些學者通過將機器學習方法與道岔設備故障數(shù)據(jù)結(jié)合建立故障診斷模型,從而精確識別不同類型的故障狀態(tài)。但是這類方法將道岔設備的狀態(tài)簡單化分為正常和故障,未能描述道岔設備的退化過程,難以實現(xiàn)故障超前預判。因此有必要針對道岔設備退化狀態(tài)展開研究,對故障進行預判以減少故障發(fā)生的概率。

本文提出基于SOM-BP 混合神經(jīng)網(wǎng)絡的道岔設備退化狀態(tài)分析方法。采用SOM 神經(jīng)網(wǎng)絡對經(jīng)特征處理后的道岔功率數(shù)據(jù)進行多次無監(jiān)督聚類學習,得到典型退化狀態(tài)樣本,利用BP 神經(jīng)網(wǎng)絡建立退化狀態(tài)識別模型,從而實現(xiàn)道岔設備退化狀態(tài)的識別。

1 道岔動作功率數(shù)據(jù)

信號集中監(jiān)測系統(tǒng)（CSM）是鐵路信號設備的綜合監(jiān)測平臺,通過實時監(jiān)控并記錄設備的運行數(shù)據(jù),為鐵路部門掌握設備的當前狀態(tài)和開展維護工作提供依據(jù)。CSM 通過采集道岔動作過程中轉(zhuǎn)轍機的功率、電流以及電壓數(shù)據(jù)實時監(jiān)測道岔運行狀態(tài)。相較于道岔動作電流曲線,功率曲線不僅能體現(xiàn)電氣電路特性,與道岔轉(zhuǎn)換力也有一定的關(guān)系,更能體現(xiàn)道岔的實際狀態(tài),故本文針對道岔動作功率數(shù)據(jù)展開研究。圖1給出了道岔正常動作的功率曲線［8］。

圖1 道岔正常動作功率曲線

結(jié)合道岔動作過程,按時間先后順序可將道岔動作功率數(shù)據(jù)劃分3個區(qū)段：解鎖、動作—鎖閉及緩放區(qū)段,分別對應圖1中的A,B和C共3個區(qū)段。

2 基于混合神經(jīng)網(wǎng)絡退化狀態(tài)研究方法

為了研究道岔退化過程,提出一種基于SOM-BP混合神經(jīng)網(wǎng)絡的道岔設備退化狀態(tài)分析方法。該方法主要包含3部分內(nèi)容。

（1）特征參數(shù)處理。對原始數(shù)據(jù)集進行特征參數(shù)提取和選擇處理,得到低維特征參數(shù)集。

（2）狀態(tài)挖掘。采用SOM 神經(jīng)網(wǎng)絡對非故障特征參數(shù)集進行聚類分析,得到具有不同特點的退化狀態(tài)數(shù)據(jù)。

（3）狀態(tài)識別。使用BP 神經(jīng)網(wǎng)絡對道岔設備退化狀態(tài)進行識別分類。

圖2為方法的總體流程,其中SOM 神經(jīng)網(wǎng)絡用于挖掘道岔退化數(shù)據(jù),BP 神經(jīng)網(wǎng)絡用于識別退化狀態(tài)。

圖2 基于SOM-BP混合神經(jīng)網(wǎng)絡道岔退化狀態(tài)分析方法流程

2.1 特征參數(shù)處理

由于道岔正常動作1 次約采集165 個動作功率數(shù)據(jù),數(shù)據(jù)點數(shù)過多,需針對功率數(shù)據(jù)進行特征參數(shù)處理,以便得到合適維數(shù)的特征輸入。

對功率信號數(shù)據(jù)按區(qū)段分析發(fā)現(xiàn),解鎖區(qū)段數(shù)據(jù)有較大峰值,動作—鎖閉區(qū)段數(shù)據(jù)平緩,且持續(xù)時間較長,而緩放區(qū)段數(shù)據(jù)均值較小,且持續(xù)時間較短。針對不同區(qū)段數(shù)據(jù)特點,按照表1的特征參數(shù)分別提取各區(qū)段數(shù)據(jù),其中由于B區(qū)段數(shù)據(jù)點數(shù)較多且曲線較為平緩,故將B 區(qū)段平均劃分為5 個小區(qū)段：B1,B2,B3,B4和B5,分別提取每個小區(qū)段的進出口差值、平均值、差分和等統(tǒng)計特征。

特征提取后,需進一步對提取的特征進行特征選擇,以得到合適維數(shù)的特征輸入。在進行特征選擇過程中,有多種方法可供選擇。其中平均影響值（Mean Impact Value,MIV）常被用來描述輸入神經(jīng)元對輸出神經(jīng)元的影響大小,是神經(jīng)網(wǎng)絡中評價變量相關(guān)性最好的指標之一,可用于進行典型特征選擇,表2給出了前15維特征參數(shù)的MIV 位次表,后續(xù)將以該15 維特征作為模型的輸入。具體計算過程如下。

（1）利用原始樣本P對BP神經(jīng)網(wǎng)絡進行訓練,得到正確的神經(jīng)網(wǎng)絡模型。

（2）網(wǎng)絡訓練終止后,將原始訓練樣本P中每一維輸入特征參數(shù)在其原值的基礎上分別加和減10%構(gòu)成新的訓練樣本P1和P2。

表1 各區(qū)段提取的特征參數(shù)

表2 前15維特征參數(shù)的MIV值位次表

（3）將P1 和P2 分別作為新的輸入樣本,輸入到已建成的神經(jīng)網(wǎng)絡模型,得到輸出結(jié)果A1和A2。

（4）計算A1與A2的差值,即為變動該維輸入特征后對輸出結(jié)果產(chǎn)生的影響變化IV。

（5）將IV 按樣本數(shù)平均得出該維輸入特征對于輸出結(jié)果的影響變化,即網(wǎng)絡輸出的MIV。

（6）依次計算出各維輸入特征的MIV 值,根據(jù)MIV 絕對值的大小確定各維特征參數(shù)排序,得到候選集特征對網(wǎng)路輸出影響相對重要性的位次表,從而判斷出輸入特征對于網(wǎng)絡結(jié)果的影響程度,即實現(xiàn)了特征選擇過程。

2.2 基于SOM神經(jīng)網(wǎng)絡退化狀態(tài)挖掘

SOM 神經(jīng)網(wǎng)絡是一種自組織競爭型神經(jīng)網(wǎng)絡,由輸入層和競爭層組成,其結(jié)構(gòu)如圖3所示。其中,輸入層神經(jīng)元個數(shù)為m1,與輸入樣本向量xSOM=（x1,x2,…,xm1）的維數(shù)相同。競爭層,也稱輸出層,該層的n1個神經(jīng)元呈二維（2D）陣列分布。2層神經(jīng)元之間通過可變權(quán)值進行全連接,連接權(quán)值為ωSOM,ij(i=1,2,…,m1；j=1,2,…,n1)。SOM 神經(jīng)網(wǎng)絡通過對輸入特征進行自組織映射,不斷調(diào)整網(wǎng)絡權(quán)值,使各神經(jīng)元分布收斂于一種表現(xiàn)形式,此時不同神經(jīng)元對不同輸入模式匹配或敏感,從而完成無監(jiān)督學習并自動聚類［9］。但SOM 神經(jīng)網(wǎng)絡學習結(jié)果具有不確定性,且易陷入局部最優(yōu)。故采用多次不同數(shù)量競爭層神經(jīng)元輸出的SOM 神經(jīng)網(wǎng)絡模型對道岔動作功率特征進行學習,并建立相應的選擇策略綜合分析各次聚類結(jié)果,以得到具有不同特點的道岔退化狀態(tài)。

圖3 SOM神經(jīng)網(wǎng)絡結(jié)構(gòu)模型

使用SOM 神經(jīng)網(wǎng)絡進行退化狀態(tài)挖掘過程如下：

1）網(wǎng)絡結(jié)構(gòu)設計

確定輸入層、競爭層神經(jīng)元數(shù)目。根據(jù)特征處理結(jié)果,將功率數(shù)據(jù)降維至15 維,故輸入層神經(jīng)元數(shù)目為15 個。通過對道岔功率數(shù)據(jù)進行初步分析,擬建立6～8個退化狀態(tài),故本文分別設置競爭層神經(jīng)元數(shù)目為（3×3）,（4×4）和（5×5）個。

2）確定神經(jīng)網(wǎng)絡訓練參數(shù)

為滿足SOM 神經(jīng)網(wǎng)絡學習需求,本文設置領(lǐng)域半徑范圍是［0.2,1.5］,學習概率范圍是［0.01,0.1］,網(wǎng)絡共學習調(diào)整10 000次。

3）輸入特征歸一化處理

對輸入特征進行歸一化處理,以減少值的差異性對算法的影響,采用最大最小歸一化處理方法［10］,計算公式為

式中：xi,k為第k個樣本第i維特征數(shù)據(jù)；為N個樣本特征中的最小值；為N個樣本特征中的最大值；xi,k′為歸一化后的特征數(shù)據(jù)。

4）網(wǎng)絡權(quán)值調(diào)整

輸入m1維特征向量xSOM=（x1,x2,…,xm1）,計算競爭層神經(jīng)元與輸入向量的歐式距離,以得到與輸入向量距離最近的神經(jīng)元j*。將j*作為獲勝神經(jīng)元,滿足其中輸入向量xSOM=（x1,x2,…,xm1）與競爭層神經(jīng)元j之間的距離dj計算公式為

之后,按式（3）更新獲勝神經(jīng)元j*和他鄰域的權(quán)值。

式中：xi為第i維特征輸入；ωSOM,ij′為更新后連接權(quán)值；η為1個大于0小于1的常數(shù),隨著時間變化逐漸下降到0。

領(lǐng)域Ni(j)定義為

式中：cpos和jpos分別表示神經(jīng)元c和j的位置；norm計算2神經(jīng)元之間的歐式距離；r為領(lǐng)域半徑。

5）退化狀態(tài)挖掘

針對由N個輸入特征向量xSOMk（k=1,2,…,N）組成的輸入特征矩陣X。采用多次不同數(shù)量競爭層神經(jīng)元輸出,最終得到聚類序列集合Cset1=｛（a1,k,b1,k,c1,k）|k=1,2,…,N｝,其中,a1,k,b1,k,c1,k是第k個樣本3 次學習結(jié)果,（a1,k,b1,k,c1,k）表示第k個樣本對應的聚類序列,N為實際樣本個數(shù)。針對聚類序列集合Cset1,建立有效的退化狀態(tài)挖掘策略,以提高模型的準確性。具體操作如下：

（1）統(tǒng)計sn×sn競爭層聚類樣本數(shù)目不小于的神經(jīng)元進行編號,并構(gòu)建神經(jīng)元編號集合SNum1。根據(jù)Cset1的第1 維數(shù)據(jù),選擇出輸入特征矩陣X中與SNum1所屬編號對應的樣本。利用選擇出的樣本構(gòu)建數(shù)據(jù)集Dset1=｛xk1|k1=1,2,…,N1｝以及對應的聚類序列集合Cset2=｛（a2,k1,b2,k1,c2,k1）|k1=1,2,…,N1｝,其中N1為選擇后的樣本數(shù)。

（2）統(tǒng)計sn+1×sn+1競爭層聚類樣本數(shù)目不小于的神經(jīng)元編號,并構(gòu)建神經(jīng)元編號集合SNum2。根據(jù)Cset2的第2 維數(shù)據(jù),選擇出輸入特征矩陣X中與SNum2所屬編號對應的樣本。利用選擇出的樣本構(gòu)建數(shù)據(jù)集Dset2=｛xk2|k2=1,2,…,N2｝以及對應的聚類序列集合Cset3=｛（a3,k2,b3,k2,c3,k2）|k2=1,2,…,N2｝,其中N2為第2次選擇后的結(jié)果。

（3）統(tǒng)計sn+2×sn+2競爭層聚類樣本數(shù)目不小于的神經(jīng)元編號,并構(gòu)建神經(jīng)元編號矩陣SNum3。根據(jù)Cset3的第3 維數(shù)據(jù),選擇出輸入特征矩陣X中與SNum3所屬編號對應的樣本。利用選擇出的樣本構(gòu)建數(shù)據(jù)集Dset3=｛xk3|k3=1,2,…,N3｝以及對應的聚類序列集合Cset4=｛（a4,k3,b4,k3,c4,k3）|k3=1,2,…,N3｝,其中N3為第3次選擇后的結(jié)果。

（4）根據(jù)sn+2×sn+2,sn+1×sn+1競爭層神經(jīng)元距離分布,分析SNum3集合中各神經(jīng)元鄰域,將距離最近的神經(jīng)元進行合并,結(jié)果編號與聚類數(shù)目最多的神經(jīng)元保持一致,并更新樣本數(shù)據(jù)集Dset4=｛xk4| k4=1,2,…,N4｝以及對應的聚類序列集合Cset5=｛（a5,k4,b5,k4,c5,k4）|k4=1,2,…,N4｝。

（5）根據(jù)Cset5,將Dset4中的樣本整理至各自對應的聚類狀態(tài)下。分析各狀態(tài)的功率曲線,找到正常狀態(tài)對應的類別并將其移除。最后得到退化狀態(tài)數(shù)據(jù)集。具體流程如圖4所示。

圖4 退化狀態(tài)挖掘流程

2.3 基于BP神經(jīng)網(wǎng)絡退化狀態(tài)識別

BP神經(jīng)網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡,主要由輸入層、隱藏層和輸出層組成［11］,網(wǎng)絡結(jié)構(gòu)如圖5所示。其中輸入層神經(jīng)元數(shù)目m2與輸入數(shù)據(jù)xBP=（x1,x2,…,xm2）的維數(shù)保持一致,隱藏層神經(jīng)元數(shù)目根據(jù)需求設置,輸出層神經(jīng)元數(shù)目數(shù)n2根據(jù)預期分類值Y=｛y1,y2,…,yn2｝設置,ωBP,ij(i=1,2,…,m2；j=1,2,…,p) 和ωBP,jk(j=1,2,…,p；k=1,2,…,n2)分別為輸入層神經(jīng)元和隱藏層神經(jīng)元、隱藏層神經(jīng)元和輸出層神經(jīng)元間的連接權(quán)值,其中p為隱藏層神經(jīng)元個數(shù)。該網(wǎng)絡的主要特點是信號前向傳遞,誤差反向傳播。

圖5 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)模型

利用BP神經(jīng)網(wǎng)絡進行退化狀態(tài)識別過程如下。

1）網(wǎng)絡結(jié)構(gòu)設計

確定各層神經(jīng)元數(shù)目采用3層神經(jīng)網(wǎng)絡結(jié)構(gòu),其中輸入層神經(jīng)元個數(shù)與道岔功率數(shù)據(jù)輸入特征維數(shù)保持一致,數(shù)目為15個。最終建立6種退化狀態(tài)識別分類器,故輸出層神經(jīng)元數(shù)目為6個。針對隱藏層神經(jīng)元數(shù)目,根據(jù)經(jīng)驗公式其中m2和n2分別為輸入層和輸出層神經(jīng)元數(shù)目,a為0～10之間的常數(shù),確定隱藏層神經(jīng)元數(shù)目p的范圍在［5,15］之間變動,計算BP 神經(jīng)網(wǎng)絡識別模型的預測誤差如圖6所示,選取誤差最小的值作為最優(yōu)隱藏層神經(jīng)元數(shù)目,最后選擇隱藏層神經(jīng)元數(shù)目為13個,從而設定15-13-6型神經(jīng)網(wǎng)絡結(jié)構(gòu)模型。

圖6 分類誤差率與隱藏層神經(jīng)元數(shù)目關(guān)系曲線

2）輸入特征歸一化處理

按照2.2 節(jié)所述數(shù)據(jù)歸一化方法對輸入數(shù)據(jù)進行歸一化處理,消除各維數(shù)據(jù)間數(shù)據(jù)級差別。

3）測試集與訓練集數(shù)據(jù)選取

根據(jù)“留出法”設定訓練集數(shù)據(jù)與測試集數(shù)據(jù)比例為3∶1［12］,使用訓練集數(shù)據(jù)進行BP 神經(jīng)網(wǎng)絡的訓練。

4）確定神經(jīng)網(wǎng)絡訓練參數(shù)并進行模型訓練

采用自適應學習率梯度下降算法進行網(wǎng)絡訓練,學習率為0.01。

5）準確性驗證

利用測試集數(shù)據(jù)驗證基于BP 神經(jīng)網(wǎng)絡的退化狀態(tài)識別準確性。

3 試驗驗證

為驗證基于SOM-BP 混合神經(jīng)網(wǎng)絡的道岔退化狀態(tài)研究方法的可行性,現(xiàn)場采集了近2 個月共計2 300 個不同區(qū)段道岔動作非故障功率信號數(shù)據(jù)進行分析,具體實驗分析步驟與結(jié)果如下。

1）基于SOM神經(jīng)網(wǎng)絡退化狀態(tài)挖掘

對2 300個非故障功率數(shù)據(jù)樣本按上述方法進行特征處理后,分別采用（3×3）,（4×4）和（5×5）3種SOM 神經(jīng)網(wǎng)絡競爭層神經(jīng)元輸出,得到圖7和圖8的結(jié)果。圖7為不同數(shù)量競爭層神經(jīng)元輸出的神經(jīng)元樣本分布,其中六角晶格表示競爭層的神經(jīng)元,神經(jīng)元內(nèi)的數(shù)字是聚類的樣本數(shù)目。圖8給出了聚類后的競爭層神經(jīng)元的距離分布。其中,紫色的六角晶格代表競爭層神經(jīng)元。彩色的連接帶用來度量神經(jīng)元間的距離。連接帶顏色的深淺表示神經(jīng)元間距離的遠近。

利用分析流程對SOM 聚類樣本進行選擇、合并以及移除,最終得到6 種道岔退化狀態(tài)。表3給出了各狀態(tài)的聚類序列和樣本數(shù)目以及退化狀態(tài)的描述。

這些退化狀態(tài)的樣本的數(shù)目總計818 個,約占非故障數(shù)據(jù)集的35.57%。這說明數(shù)據(jù)集中有絕大部分樣本未被劃分至退化狀態(tài)中。這些樣本可分為正常和中間狀態(tài)樣本。道岔在由正常至退化狀態(tài)的轉(zhuǎn)移過程中,會經(jīng)歷若干個中間狀態(tài)。這個狀態(tài)與正常狀態(tài)之間的差異模糊。與挖掘出的退化狀態(tài)相比,中間狀態(tài)不具備典型性以反映道岔設備的退化。因此,它們未被劃分至退化狀態(tài)。這說明在退化挖掘過程中,應選擇大容量、樣本類型多樣的數(shù)據(jù)集,以獲得多個能夠表示道岔退化特點的狀態(tài)。

圖7 不同數(shù)量競爭層神經(jīng)元輸出的樣本分布

圖8 競爭層神經(jīng)元的距離分布

表3 退化狀態(tài)挖掘結(jié)果

圖9—圖14分別給出了退化狀態(tài)的功率曲線及局部放大圖,可以發(fā)現(xiàn),狀態(tài)4、狀態(tài)5、狀態(tài)6的功率曲線在動作和鎖閉區(qū)段有明顯的波動,且波動程度依次增加,通過與現(xiàn)場人員交流推斷出3種狀態(tài)與道岔轉(zhuǎn)換過程阻力異常故障有關(guān)；狀態(tài)1曲線解鎖功率過低,且鎖閉時功率幅值有異常波動,從而推斷出由于道岔密貼不足導致解鎖功率峰值低,與道岔鎖閉設備故障有關(guān)；狀態(tài)2 曲線在鎖閉時有異常波動,與現(xiàn)場人員交流發(fā)現(xiàn)該類數(shù)據(jù)與鎖閉過程中阻力異常故障有一定關(guān)聯(lián)；而狀態(tài)3曲線的功率值整體偏低,但波動程度不存在異常,與其他5個狀態(tài)相比,這一狀態(tài)的退化特點并不明顯。通過查看現(xiàn)場維護日志,推斷狀態(tài)3產(chǎn)生的原因可能是轉(zhuǎn)轍機在投入使用前調(diào)試不完善所致。

圖9 退化狀態(tài)1功率曲線及局部放大圖

圖10 退化狀態(tài)2功率曲線及局部放大圖

圖11 退化狀態(tài)3功率曲線及局部放大圖

圖12 退化狀態(tài)4功率曲線及局部放大圖

2）基于BP神經(jīng)網(wǎng)絡退化狀態(tài)識別

采用SOM 神經(jīng)網(wǎng)絡對非故障功率數(shù)據(jù)進行聚類學習后,得到出6 種道岔設備典型退化狀態(tài)樣本。針對這6 種退化狀態(tài),建立樣本數(shù)為600 個的退化數(shù)據(jù)集,其中各狀態(tài)樣本數(shù)為100個。按照3∶1的比例隨機劃分數(shù)據(jù)集中各狀態(tài)樣本,分別用于構(gòu)建訓練數(shù)據(jù)集和測試數(shù)據(jù)集。使用訓練集數(shù)據(jù)訓練BP 神經(jīng)網(wǎng)絡,并利用測試集數(shù)據(jù)驗證模型的分類準確性。圖15為BP 神經(jīng)網(wǎng)絡的分類結(jié)果和分類誤差,最終測試樣本的分類準確率達到95.56%。

圖13 退化狀態(tài)5功率曲線及局部放大圖

圖14 退化狀態(tài)6功率曲線及局部放大圖

表4展示了不同方案的識別結(jié)果。基于MIV降維的BP 神經(jīng)網(wǎng)絡的準確率最高。與SVM 相比,BP 神經(jīng)網(wǎng)絡在多分類問題上有更大的優(yōu)越性。此外,如果未對特征集數(shù)據(jù)進一步降維,而是直接使用原始維數(shù)數(shù)據(jù)集對模型進行學習,則會造成模型的準確率較低,證明了對功率數(shù)據(jù)進一步降維處理的必要性。

4 結(jié) 論

（1）利用道岔設備動作功率數(shù)據(jù),針對道岔退化狀態(tài)展開研究。

（2）提出一種基于SOM-BP 混合神經(jīng)網(wǎng)絡的道岔設備退化狀態(tài)研究方法,采用SOM 神經(jīng)網(wǎng)絡進行多次聚類學習并建立選擇策略得到6種典型退化狀態(tài)樣本,使用BP 神經(jīng)網(wǎng)絡對退化狀態(tài)樣本進行識別,從而建立退化狀態(tài)挖掘-識別模型。

圖15 BP神經(jīng)網(wǎng)絡分類結(jié)果及誤差

表4 不同組合方法退化狀態(tài)識別結(jié)果準確率 %

（3）最終采用SOM-BP 混合神經(jīng)網(wǎng)絡進行退化狀態(tài)識別準確率達到95.56%,證實所提出的方法可有效用于道岔設備退化狀態(tài)研究。