[发明专利]一种基于深度迁移学习的地铁车辆走行部故障诊断方法

说明书

本发明公开了一种基于深度迁移学习的地铁车辆走行部故障诊断方法，包括不同条件状态数据的提取、卷积神经网络的特征提取和基本分类、深度迁移学习的非对抗训练的特征对齐。首先，在不同条件状态数据的提取的基础上，通过对信号进行小波阈值降噪处理和数据归一化实现数据预处理；然后，以卷积神经网络CNN作为基本架构来提取特征和特征分类；最后使用迁移学习算法对架构进行改进，进行领域对抗训练，使源域特征分布和目标域特征分布对齐，不断调整模型参数直至参数收敛，实现走行部的故障识别。本发明提升了地铁车辆走行部在仅有少量目标数据时的诊断精度，降低诊断成本，增强了走行部故障诊断的环境适应性和通用性，具有潜在的经济价值。

技术领域

本发明属于故障诊断与健康管理技术领域，尤其涉及一种基于深度迁移学习的地铁车辆走行部故障诊断方法。

背景技术

地铁核心部件之一的走行部，其健康状态直接危及列车运行安全，因此需要对走行部的健康状态进行故障诊断。我国现如今的地铁走行部诊断基本依赖于检修人员实地检查、维修及运行状态的确认，人力物力消耗巨大。故障诊断与健康管理技术训练了一种故障诊断模型，实现不需人工检测即能对走行部进行故障诊断。但是在实际运行过程中，走行部不轻易发生故障，模型训练所需的故障数据难以获取，而故障诊断模型的性能极大程度上依赖于训练数据。同时，当走行部运行条件或者设备发生轻微变化，模型就得重新开始训练。而迁移学习能够通过存储前一模型训练好的的参数迁移到新的模型中来帮助训练新的模型，找到新旧模型之间的相似性，提高模型的泛化性能。

发明内容

本发明目的在于解决地铁车辆走行部故障诊断模型故障数据难以获取，泛化性能低的问题，提出了一种基于深度迁移学习的地铁车辆走行部故障诊断方法。

为实现本发明的目的，本发明所采用的技术方案是：一种基于深度迁移学习的地铁车辆走行部故障诊断方法，包括以下步骤：

(1)针对走行部所处环境条件，设置若干个不同运行条件{0,1,…,m}，通过传感器收集走行部在不同条件下的运行状态信号数据作为数据集；

(2)运行条件0作为迁移学习任务的源域，运行条件i,i∈{1,2,…,m}为目标域，对数据集进行小波阈值降噪处理，然后进行数据归一化实现预处理；

(3)利用卷积神经网络CNN搭建故障诊断模型，提取源域和目标域特征和故障分类；

(4)在原故障诊断模型基础上使用迁移学习算法进行改进，进行领域对抗训练，使源域特征分布和目标域特征分布对齐，不断调整模型参数直至参数收敛；

(5)使用收敛后的新的故障诊断模型，再提取目标域特征和故障分类，实现新环境条件下走行部故障诊断。

进一步的，所述步骤(2)中，迁移学习任务表示为环境条件改变设置，包括两个域：源域Ds＝{x_s1,...,x_sn}和目标域Dt＝{x_t1,...,x_tk}，其中x_sn是源域的第n个信号数据，x_tk是目标域的第k个信号数据；对数据集Ds,Dt进行小波阈值降噪处理，具体包括：

首先，选择db10小波基作为将原始信号分解的母小波，分解为三层；然后，使用全局统一阈值其中σ＝MAD/0.6745，MAD为高斯噪声标准方差的调整系数，N为信号长度；接着，选择软阈值去噪法过滤小波系数，以小波系数的绝对值为计算值，令其减去阈值，当结果为正则保留计算结果为小波系数，若为负则使结果为零；最后，根据降噪后的小波系数进行小波重构，至此小波阈值降噪完成。

进一步的，所述步骤(2)中，通过归一化因子对两个域的数据集进行归一化，数据进行归一化方法是min-max标准化，具体为：