[發明專利]一種基于自適應深層特征提取的道岔剩余壽命預測方法

在審

• 申請號: 202110253530.7
• 申請日: 2021-03-09
• 公開（公告）號: CN112785092A
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 李波;徐田華;王昕煜;張瑤;邢垚;付裕靜;許金華
• 申請（專利權）人: 中鐵電氣化局集團有限公司;中鐵電化（西安）通號設備有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/00;G06N3/04
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 湯東鳳

1.一種基于自適應深層特征提取的道岔剩余壽命預測方法，其特征在于，包括如下步驟：

步驟1，深層特征提取和平滑

利用道岔動作功率采集模塊獲取道岔功率數據，對曲線進行分段處理，選取轉換階段數據作為樣本輸入到改進的稀疏自編碼器網絡輸入層，通過編碼和解碼過程以及反向傳播迭代尋優，將誤差最小時的隱藏層表達式輸出為道劣化深層特征，利用局部加權回歸算法對深層特征進行平滑處理，消除噪聲干擾；

步驟2，特征選擇

對平滑處理之后的深層特征進行單調性、趨勢性和魯棒性分析，對特征進行排序，選出與道岔劣化過程高度相關的特征組合，然后利用距離相關系數對特征之間的相關性進行量化，從而選取出冗余度最小的特征組合作為最佳特征組合；

步驟3，特征融合

將最佳特征組合中的所有特征作為輸入向量，選取道岔前期轉換過程數據作為健康數據空間，將整個生命周期的數據映射到健康空間得到預期健康向量，利用原始空間和預期健康空間之間的歐氏距離進行計算得到道岔健康指標；

步驟4，壽命預測

將道岔健康指標輸入到門控循環單元網格，進行道岔剩余壽命預測。

2.根據權利要求1所述基于自適應深層特征提取的道岔剩余壽命預測方法，其特征在于，步驟1的具體過程為：

按照道岔動作原理將道岔功率數據分為(a)啟動解鎖、(b)轉換、(c)鎖閉、(d)表示四個過程，分段處理之后，考慮到退化過程主要發生在轉換過程，選取轉換階段的功率信號作為研究對象，利用功率樣本轉換階段的功率曲線生成輸入數據P＝{P₁,P₂,P₃,...,P_n}，將其輸入到改進的稀疏自編碼器網絡輸入層，稀疏自編碼器網絡包含輸入層、隱藏層和輸出層，通過輸入層到隱藏層的編碼網絡，生成能夠表征道岔功率曲線深層特征的隱藏層表達式F＝{F₁,F₂,...,F_m}；在隱藏層到輸出層的解碼網絡中，由道岔功率曲線深層特征表達式重構得到與原始轉換階段功率曲線誤差最小的輸出曲線其中P_i,F_j(i＝1,2,...n；j＝1,2,...,m)都是長度為T的一維向量，T是功率樣本中的樣本數量；在反向傳播迭代優化中，經過反向傳播迭代優化，損失函數最小時隱藏層的表達式F＝{F₁,F₂,...,F_m}即為最終得到的道岔深層劣化特征曲線；

編碼過程和解碼過程可由如下公式表示：

h＝S_e(W_eP+b_e) (1)

y＝S_d(W_dF+b_d) (2)

其中，h代表編碼過程映射關系，y代表解碼過程映射關系，S_e、S_d分別為編碼和解碼網絡激活函數，通常采用sigmoid函數，其表達式為：

b_e、b_d為偏置量；W_e、W_d為權重矩陣，W_d＝W_e^T，在反向傳播迭代優化中，以損失函數E(θ)最小為優化目標對參數集θ＝{W_e,W_d,b_e,b_d}進行多次迭代優化，損失函數定義如下：

E(θ)＝E_MSE(θ)+E_Sparse(θ) (4)

其中，E_MSE(θ)是輸入層輸出層之間的重構誤差，是稀疏懲罰項，α是權值的激活參數，m為隱藏層神經元數目，ρ為稀疏參數，為隱藏層第j個神經元的平均激活度，β_j(p_i)表示給定輸入p_i時隱藏層第j個神經元的激活度，KL散度被用來度量使用輸入曲線P來近似輸出曲線時所損失的信息量，

在稀疏自編碼器網絡基礎上進行改進，將Dropout機制被引入實現道岔深層特征提取網絡的稀疏性，提出基于改進稀疏自編碼器的特征提取方法，

具體做法是在編碼與解碼過程的激活函數前添加Dropout機制，使得部分神經元激活值以一定概率r被置為0，公式為：

其中，z為原激活函數的輸入，z′為經過Dropout機制之后的激活函數輸入，一旦神經元被置為0，相應的神經元的權重和偏置只是在在本次學習中得不到更新，對原始的編碼和解碼過程不產生影響，

在通過改進稀疏自編碼器網絡得到道岔功率曲線深層特征之后，對提取的特征采用局部加權回歸進行平滑降噪處理；

在LOESS中，每個點使用其給定范圍內的鄰域數據進行計算，可表示為：

其中x是目標值即預測值，x_n表示范圍內x的最鄰近，x與范圍內最遠目標之間的距離為d,假設y是x的目標值，LOESS的目標是找到一個θ，使得∑_iω_i(y_i-θ^Tx_i)²具有最小值，ω_i是權值向量。