[发明专利]一种基于生成对抗网络的高铁转向系统故障检测LSTM方法

权利要求书

1.一种基于生成对抗网络的高铁转向系统故障检测LSTM方法，其特征在于，具体步骤包括：

步骤一、针对某高铁列车，在该列车上不同位置都搭载震动信号传感器；

步骤二、在列车转向系统正常的情况下，利用各震动信号传感器测量各位置的震动信号；

其中，每次测量的所有正常位置的震动信号作为一组数据；

步骤三、在列车转向系统故障的情况下，利用各震动信号传感器测量各位置的震动信号；

其中，每次测量的所有故障位置的震动信号作为一组数据；

步骤四、针对每次测量，将正常情况的该组数据合成一个向量，将其贴标签为1；将故障情况的该组数据合成一个向量，贴标签为-1；

步骤五、对正常状态和故障状态下分别测量若干次，并将各向量贴上对应标签，将所有贴完标签的向量合并成一个数据集，并划分训练集和测试集；

步骤六、在训练集中，选择n个故障状态的di维向量F1,F2,…,Fn，m个正常状态的di维向量N1,N2,…,Nm，nm；利用生成对抗网络对故障状态的n个向量进行过采样，得到m-n个新故障状态向量；

具体步骤如下：

步骤601、建立三层感知机神经生成网络G，并对权重参数进行随机初始化，使其在(0,1)内均匀分布：

神经生成网络G的公式如下：

其中，表示神经生成网络G中从第i-1层第j个神经元到第i层第k个神经元的权重；i＝1,2,3为三层感知机网络的层数标号，k表示第i层神经元的标号，k＝1,2,...,K_i，j代表第i-1层神经元的标号，j＝1,2,...,J_i-1，J_i-1表示第i-1层的总神经元数目，表示生成网络第i-1层第j个神经元的输出，表示生成网络第i层第k个神经元的输出；

遍历完所有i,k即可得到神经生成网络G的最终输出向量输出层的单元个数为di，与故障状态向量的维数相同；

步骤602、建立三层感知机神经判别网络D，用于判断神经生成网络G生成的向量是否为真，并对权重参数进行随机初始化，使其在(0,1)内均匀分布：

其中，判别网络D中从第i-1层第j个神经元到第i层第k个神经元的权重；表示判别网络D第i-1层第j个神经元的输出，表示判别网络D第i层第k个神经元的输出；

遍历完所有i,k即可得到神经判别网络D的输出d₃，神经判别网络D的输出层单元个数为1；实际运行时，初始化依次取值为生成网络G的输出向量g_3,1,g_3,2,...g_3,m-n循环带入公式(3)，生成各自对应的m-n个输出向量：d_3,1,d_3,2,...d_3,m-n，由此构成m-n个输出概率；

步骤603、令当前训练迭代步数t＝1，将神经生成网络G输出集合g_3,1,g_3,2,...g_3,m-n作为伪故障状态向量与真实故障状态向量集合F1,F2,…,Fn共同作为训练数据，使用随机梯度下降方法训练神经判别网络D，并更新判别网络D的权重参数使得目标函数V(D)最大；

目标函数V(D)如下：

其中，D(Fl)代表以Fl为输入的判别网络D的输出结果，D(g_3,l)代表以伪故障状态向量g_3,l为输入的判别网络D的输出结果；

步骤604、保持神经判别网络D更新的权重参数不变，使用随机梯度下降方法训练神经生成网络G，更新权重参数使得目标函数π(G)最小；

具体过程为：

将伪故障状态向量g_3,1,g_3,2,...g_3,m-n依次输入神经判别网络D，计算生成网络目标函数π(G)，目标函数π(G)如下：

步骤605、令迭代步数t＝t+1，重复步骤603-604，至迭代步数t大于训练最大迭代步数tmax，得到此时最优的权重参数和r_i^k,j；

步骤606、将故障向量F1,F2,…,Fn，输入最优的权重参数对应的神经生成网络G，得到最终输出m-n个新故障状态向量{g'_3,1,g'_3,2,...g'_3,m-n}作为伪故障状态放入训练集中，令其标签为-1；

步骤七、利用新故障状态向量{g'_3,1,g'_3,2,...g'_3,m-n}，n个故障向量F1,F2,…,Fn以及m个正常向量N1,N2,…,Nm，共2m个数据对LSTM网络故障检测模型进行训练，并用训练好的LSTM故障检测模型对测试集进行故障检测；

步骤八、利用对LSTM故障检测的测试结果，计算指标G-mean大小进行验证。