[發(fā)明專利]一種基于深度遷移學(xué)習(xí)的地鐵車輛走行部故障診斷方法

有效

• 申請?zhí)枺?/td>: 202110338855.5
• 申請日: 2021-03-30
• 公開（公告）號: CN113239720B
• 公開（公告）日: 2022-08-23
• 發(fā)明（設(shè)計(jì)）人: 王宇;劉佩琪;軒艷
• 申請（專利權(quán)）人: 河海大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;B61K9/00
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 周科技

本發(fā)明公開了一種基于深度遷移學(xué)習(xí)的地鐵車輛走行部故障診斷方法，包括不同條件狀態(tài)數(shù)據(jù)的提取、卷積神經(jīng)網(wǎng)絡(luò)的特征提取和基本分類、深度遷移學(xué)習(xí)的非對抗訓(xùn)練的特征對齊。首先，在不同條件狀態(tài)數(shù)據(jù)的提取的基礎(chǔ)上，通過對信號進(jìn)行小波閾值降噪處理和數(shù)據(jù)歸一化實(shí)現(xiàn)數(shù)據(jù)預(yù)處理；然后，以卷積神經(jīng)網(wǎng)絡(luò)CNN作為基本架構(gòu)來提取特征和特征分類；最后使用遷移學(xué)習(xí)算法對架構(gòu)進(jìn)行改進(jìn)，進(jìn)行領(lǐng)域?qū)褂?xùn)練，使源域特征分布和目標(biāo)域特征分布對齊，不斷調(diào)整模型參數(shù)直至參數(shù)收斂，實(shí)現(xiàn)走行部的故障識別。本發(fā)明提升了地鐵車輛走行部在僅有少量目標(biāo)數(shù)據(jù)時(shí)的診斷精度，降低診斷成本，增強(qiáng)了走行部故障診斷的環(huán)境適應(yīng)性和通用性，具有潛在的經(jīng)濟(jì)價(jià)值。

技術(shù)領(lǐng)域

本發(fā)明屬于故障診斷與健康管理技術(shù)領(lǐng)域，尤其涉及一種基于深度遷移學(xué)習(xí)的地鐵車輛走行部故障診斷方法。

背景技術(shù)

地鐵核心部件之一的走行部，其健康狀態(tài)直接危及列車運(yùn)行安全，因此需要對走行部的健康狀態(tài)進(jìn)行故障診斷。我國現(xiàn)如今的地鐵走行部診斷基本依賴于檢修人員實(shí)地檢查、維修及運(yùn)行狀態(tài)的確認(rèn)，人力物力消耗巨大。故障診斷與健康管理技術(shù)訓(xùn)練了一種故障診斷模型，實(shí)現(xiàn)不需人工檢測即能對走行部進(jìn)行故障診斷。但是在實(shí)際運(yùn)行過程中，走行部不輕易發(fā)生故障，模型訓(xùn)練所需的故障數(shù)據(jù)難以獲取，而故障診斷模型的性能極大程度上依賴于訓(xùn)練數(shù)據(jù)。同時(shí)，當(dāng)走行部運(yùn)行條件或者設(shè)備發(fā)生輕微變化，模型就得重新開始訓(xùn)練。而遷移學(xué)習(xí)能夠通過存儲前一模型訓(xùn)練好的的參數(shù)遷移到新的模型中來幫助訓(xùn)練新的模型，找到新舊模型之間的相似性，提高模型的泛化性能。

發(fā)明內(nèi)容

本發(fā)明目的在于解決地鐵車輛走行部故障診斷模型故障數(shù)據(jù)難以獲取，泛化性能低的問題，提出了一種基于深度遷移學(xué)習(xí)的地鐵車輛走行部故障診斷方法。

為實(shí)現(xiàn)本發(fā)明的目的，本發(fā)明所采用的技術(shù)方案是：一種基于深度遷移學(xué)習(xí)的地鐵車輛走行部故障診斷方法，包括以下步驟：

(1)針對走行部所處環(huán)境條件，設(shè)置若干個(gè)不同運(yùn)行條件{0,1,…,m}，通過傳感器收集走行部在不同條件下的運(yùn)行狀態(tài)信號數(shù)據(jù)作為數(shù)據(jù)集；

(2)運(yùn)行條件0作為遷移學(xué)習(xí)任務(wù)的源域，運(yùn)行條件i,i∈{1,2,…,m}為目標(biāo)域，對數(shù)據(jù)集進(jìn)行小波閾值降噪處理，然后進(jìn)行數(shù)據(jù)歸一化實(shí)現(xiàn)預(yù)處理；

(3)利用卷積神經(jīng)網(wǎng)絡(luò)CNN搭建故障診斷模型，提取源域和目標(biāo)域特征和故障分類；

(4)在原故障診斷模型基礎(chǔ)上使用遷移學(xué)習(xí)算法進(jìn)行改進(jìn)，進(jìn)行領(lǐng)域?qū)褂?xùn)練，使源域特征分布和目標(biāo)域特征分布對齊，不斷調(diào)整模型參數(shù)直至參數(shù)收斂；

(5)使用收斂后的新的故障診斷模型，再提取目標(biāo)域特征和故障分類，實(shí)現(xiàn)新環(huán)境條件下走行部故障診斷。

進(jìn)一步的，所述步驟(2)中，遷移學(xué)習(xí)任務(wù)表示為環(huán)境條件改變設(shè)置，包括兩個(gè)域：源域Ds＝{x_s1,...,x_sn}和目標(biāo)域Dt＝{x_t1,...,x_tk}，其中x_sn是源域的第n個(gè)信號數(shù)據(jù)，x_tk是目標(biāo)域的第k個(gè)信號數(shù)據(jù)；對數(shù)據(jù)集Ds,Dt進(jìn)行小波閾值降噪處理，具體包括：

首先，選擇db10小波基作為將原始信號分解的母小波，分解為三層；然后，使用全局統(tǒng)一閾值其中σ＝MAD/0.6745，MAD為高斯噪聲標(biāo)準(zhǔn)方差的調(diào)整系數(shù)，N為信號長度；接著，選擇軟閾值去噪法過濾小波系數(shù)，以小波系數(shù)的絕對值為計(jì)算值，令其減去閾值，當(dāng)結(jié)果為正則保留計(jì)算結(jié)果為小波系數(shù)，若為負(fù)則使結(jié)果為零；最后，根據(jù)降噪后的小波系數(shù)進(jìn)行小波重構(gòu)，至此小波閾值降噪完成。

進(jìn)一步的，所述步驟(2)中，通過歸一化因子對兩個(gè)域的數(shù)據(jù)集進(jìn)行歸一化，數(shù)據(jù)進(jìn)行歸一化方法是min-max標(biāo)準(zhǔn)化，具體為：