[發明專利]一種將卷積自編碼器和邏輯回歸相結合的故障診斷系統及方法

在審

• 申請號: 202010783358.1
• 申請日: 2020-08-06
• 公開（公告）號: CN112001273A
• 公開（公告）日: 2020-11-27
• 發明（設計）人: 董煒;翟守超;孫新亞;吉吟東
• 申請（專利權）人: 清華大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06N3/04;G06N3/08;B61L23/04
• 代理公司: 北京愛普納杰專利代理事務所(特殊普通合伙) 11419
• 代理人: 王玉松

本發明涉及一種將卷積自編碼器和邏輯回歸相結合的故障診斷方法，所述故障診斷方法包括如下步驟：將一維時域數據轉換成二維圖像數據；利用深度卷積自動編碼器DCAE自動從所述二維圖像數據中提取二維圖像特征數據；將所述二維圖像特征數據輸入邏輯回歸LR進行道岔故障診斷。本發明的有益效果在于，該方法通過自動提取特征，克服了傳統數據驅動診斷方法中手工提取特征和依賴于大量專家知識和先驗知識的缺點。該方法對實際高速鐵路道岔現場實測數據的精度可達99.52％。本發明還涉及一種將卷積自編碼器和邏輯回歸相結合的故障診斷系統。

技術領域

本發明屬于高鐵道岔故障診斷技術領域，特別涉及一種將卷積自編碼器和邏輯回歸相結合的故障診斷系統及方法。

背景技術

高速鐵路道岔故障診斷的主要方法有解析模型法、專家系統法和傳統機器學習法。傳統的機器學習方法通過分析各種典型的道岔故障機理，對道岔數據采用不同的特征提取方法。然而，基于傳統機器學習方法的故障診斷依賴于人工特征提取。與傳統的機器學習方法相比，深度學習可以在不依賴人工經驗的情況下從原始數據中自動提取特征，已有的報道包括采用一種基于堆疊式自動編碼器的故障檢測方法，通過重構誤差是否超過合適的閾值來區分道岔的故障，以及一種基于 LeNet-5的卷積神經網絡用于道岔故障診斷。然而，前述深度學習對數據的需求是非常高的。綜上可知，提供一種數據要求低、能夠自動提取特征又能保證高鐵道岔的故障診斷的精度較高的深度學習方法，是當前急需解決的技術問題。

發明內容

為了解決以上技術問題，本發明提供了一種將卷積自編碼器和邏輯回歸相結合的故障診斷方法，所述故障診斷方法包括如下步驟：

將一維時域數據轉換成二維圖像數據；

利用卷積自動編碼器自動從所述二維圖像數據中提取二維圖像特征數據；

將所述二維圖像特征數據輸入邏輯回歸LR進行道岔故障診斷。

本發明的所述故障診斷方法還包括一維時域數據的預處理步驟：

對所述一維時域數據進行長度處理，其中長度L不足n個采樣點的數據對其進行末尾補零操作，而超過n個采樣點的數據對其進行截取，得到每條長度L都為n個采樣點的一維時域數據數據，所述長度為采樣點個數，其中50≤n≤300；

將每條長度都為n個采樣點的一維時域數據數據的長度信息作為特征提取出來，以備與自動提取的特征相結合；

對每條長度都為n個采樣點的一維時域數據進行歸一化處理，使峰值范圍處于[0,1]之間。

本發明優選的所述一維時域數據為道岔電流信號數據，所述二維圖像數據為二維灰度圖像數據，所述自動編碼器為深度卷積自動編碼器DCAE。

本發明將所述道岔電流信號數據轉換成所述二維灰度圖像數據的按照式A進行：

其中，P(a,b)表示圖像的像素強度，a＝1...K，b＝1...K；L(i)表示分段信號的值,i＝1...K²；K表示獲取的圖像的長和寬。

本發明的深度卷積自動編碼器DCAE包括編碼器和解碼器，所述編碼器由5個卷積層和5個池化層構成，所述解碼器由5個反卷積層和5 個上采樣層構成，優選的是，所述DCAE中加入殘差網絡。

本發明還提供了一種將卷積自編碼器和邏輯回歸相結合的故障診斷系統，所述故障診斷系統包括如下組件：

轉換組件，所述轉換組件被配置為將一維時域數據轉換成二維圖像數據；

特征提取組件，所述特征提取組件被配置為利用自動編碼器自動從所述二維圖像數據中提取二維圖像特征數據；

故障診斷組件，所述故障診斷組件被配置為將所述二維圖像特征數據輸入邏輯回歸LR進行道岔故障診斷。