[发明专利]基于混合深度学习的高铁道岔智能故障检测方法

权利要求书

1.一种基于混合深度学习的高铁道岔智能故障检测方法，其特征在于，所述方法包括如下步骤：

S1：利用深度降噪自编码器自动提取每个道岔动作电流曲线数据的特征，获得无标签特征数据；

S2：利用密度聚类算法对步骤S1获得的无标签特征数据进行聚类，得到若干聚类簇，选取非异常聚类簇对应的原始数据作为正常数据；

S3：利用正常数据对单分类支持向量机进行训练，构建故障检测模型；将待检测数据输入到故障检测模型中，根据输出结果判断待检测数据是否为故障数据；

步骤S1具体方法为：

S11：数据预处理及数据集划分：将获取的道岔动作电流曲线原始数据按照时间顺序进行排序，并进行归一化处理，将经过归一化处理的道岔动作电流曲线数据分成训练集和测试集；

S12：自动特征提取：利用降噪自编码器提取训练集的特征，获得无标签特征数据；

所述降噪自编码器通过如下方法构建：构建自编码器基本结构，包括输入层、隐层及输出层，隐层及输出层值通过如下方程求出：

h＝σ(Wx+b)Ⅰ

y＝σ(W′h+b′)Ⅱ

其中W和W′为权值，b和b′为偏置；σ(·)表示非线性变换，x、y和h分别代表了输入值、输出值及隐层值，训练自编码器的过程就是最小化损失函数J：

其中J₁为输入与输出之间的误差，K为训练样本数；J₂为防止过拟合的权值衰减项，λ为其系数；J₃是稀疏惩罚项，ρ为指定参数，β为J₃的系数，为第i隐层单元平均激活数，其计算公式如下：

2.如权利要求1所述的基于混合深度学习的高铁道岔智能故障检测方法，其特征在于，深度降噪自编码器自动提取无标签特征数据的特征维数为d，d为最内层隐层神经元的个数。

3.如权利要求2所述的基于混合深度学习的高铁道岔智能故障检测方法，其特征在于，步骤S2具体方法为：

S21：聚类：利用密度聚类算法对步骤S1获得的无标签特征数据进行聚类，并选取相应簇对应的原始数据，得到若干原始数据聚类簇；

S22：结合专家知识从若干个聚类簇内挑选出非异常聚类簇和异常聚类簇，将非异常聚类簇对应的原始数据作为正常数据，为异常聚类簇内故障数据添加故障标签，将添加有故障标签的故障数据作为验证集。

4.如权利要求3所述的基于混合深度学习的高铁道岔智能故障检测方法，其特征在于，步骤S21聚类的无标签特征数据的特征维数为d+1，增加的1维为道岔动作电流曲线采样点个数。

5.如权利要求1所述的基于混合深度学习的高铁道岔智能故障检测方法，其特征在于，步骤S2中所述密度聚类算法为DBSCAN算法。

6.如权利要求1所述的基于混合深度学习的高铁道岔智能故障检测方法，其特征在于，所述降噪自编码器包括6个隐层，每一隐层的神经元个数分别为200、128、64、32、16和d，其中d为降噪自编码器编码的特征维数。

7.如权利要求1所述的基于混合深度学习的高铁道岔智能故障检测方法，其特征在于，步骤S3具体方法为：

S31：利用正常数据对单分类支持向量机进行训练，获得训练后的故障检测模型；

S32：利用验证集对故障检测模型的超参数进行选取，构建故障检测模型，将待检测数据输入到故障检测模型中，根据输出结果判断待检测数据是否为故障数据；

S33：利用测试集对故障检测模型的检测性能进行评估。