[发明专利]一种将卷积自编码器和逻辑回归相结合的故障诊断系统及方法

说明书

本发明涉及一种将卷积自编码器和逻辑回归相结合的故障诊断方法，所述故障诊断方法包括如下步骤：将一维时域数据转换成二维图像数据；利用深度卷积自动编码器DCAE自动从所述二维图像数据中提取二维图像特征数据；将所述二维图像特征数据输入逻辑回归LR进行道岔故障诊断。本发明的有益效果在于，该方法通过自动提取特征，克服了传统数据驱动诊断方法中手工提取特征和依赖于大量专家知识和先验知识的缺点。该方法对实际高速铁路道岔现场实测数据的精度可达99.52％。本发明还涉及一种将卷积自编码器和逻辑回归相结合的故障诊断系统。

技术领域

本发明属于高铁道岔故障诊断技术领域，特别涉及一种将卷积自编码器和逻辑回归相结合的故障诊断系统及方法。

背景技术

高速铁路道岔故障诊断的主要方法有解析模型法、专家系统法和传统机器学习法。传统的机器学习方法通过分析各种典型的道岔故障机理，对道岔数据采用不同的特征提取方法。然而，基于传统机器学习方法的故障诊断依赖于人工特征提取。与传统的机器学习方法相比，深度学习可以在不依赖人工经验的情况下从原始数据中自动提取特征，已有的报道包括采用一种基于堆叠式自动编码器的故障检测方法，通过重构误差是否超过合适的阈值来区分道岔的故障，以及一种基于 LeNet-5的卷积神经网络用于道岔故障诊断。然而，前述深度学习对数据的需求是非常高的。综上可知，提供一种数据要求低、能够自动提取特征又能保证高铁道岔的故障诊断的精度较高的深度学习方法，是当前急需解决的技术问题。

发明内容

为了解决以上技术问题，本发明提供了一种将卷积自编码器和逻辑回归相结合的故障诊断方法，所述故障诊断方法包括如下步骤：

将一维时域数据转换成二维图像数据；

利用卷积自动编码器自动从所述二维图像数据中提取二维图像特征数据；

将所述二维图像特征数据输入逻辑回归LR进行道岔故障诊断。

本发明的所述故障诊断方法还包括一维时域数据的预处理步骤：

对所述一维时域数据进行长度处理，其中长度L不足n个采样点的数据对其进行末尾补零操作，而超过n个采样点的数据对其进行截取，得到每条长度L都为n个采样点的一维时域数据数据，所述长度为采样点个数，其中50≤n≤300；

将每条长度都为n个采样点的一维时域数据数据的长度信息作为特征提取出来，以备与自动提取的特征相结合；

对每条长度都为n个采样点的一维时域数据进行归一化处理，使峰值范围处于[0,1]之间。

本发明优选的所述一维时域数据为道岔电流信号数据，所述二维图像数据为二维灰度图像数据，所述自动编码器为深度卷积自动编码器DCAE。

本发明将所述道岔电流信号数据转换成所述二维灰度图像数据的按照式A进行：

其中，P(a,b)表示图像的像素强度，a＝1...K，b＝1...K；L(i)表示分段信号的值,i＝1...K²；K表示获取的图像的长和宽。

本发明的深度卷积自动编码器DCAE包括编码器和解码器，所述编码器由5个卷积层和5个池化层构成，所述解码器由5个反卷积层和5 个上采样层构成，优选的是，所述DCAE中加入残差网络。

本发明还提供了一种将卷积自编码器和逻辑回归相结合的故障诊断系统，所述故障诊断系统包括如下组件：

转换组件，所述转换组件被配置为将一维时域数据转换成二维图像数据；

特征提取组件，所述特征提取组件被配置为利用自动编码器自动从所述二维图像数据中提取二维图像特征数据；

故障诊断组件，所述故障诊断组件被配置为将所述二维图像特征数据输入逻辑回归LR进行道岔故障诊断。