[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有效
| 申请号： | 201811574962.2 | 申请日： | 2018-12-21 |
| 公开（公告）号： | CN109766927B | 公开（公告）日： | 2023-08-22 |
| 发明（设计）人： | 董炜;张国华;庄志;孙新亚;闫友为;燕翔;蒋灵明;吉吟东 | 申请（专利权）人： | 清华大学 |
| 主分类号： | G06F18/214 | 分类号： | G06F18/214;G06F18/23;G06F18/2411;G06F18/21;B61L5/06;G01R31/00 |
| 代理公司： | 北京卓爱普专利代理事务所(特殊普通合伙) 11920 | 代理人： | 王玉松 |
| 地址： | 100084 北京市海淀*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供一种基于混合深度学习的高铁道岔智能故障检测方法，该方法将结合深度学习自动特征提取及传统机器学习异常点检测的混合深度学习方法运用到道岔故障检测方法研究中，利用深度学习进行自动特征提取，形成了维度更小且更加抽象的特征数据，解决了特征提取过程依赖人工经验及聚类算法在高维数据下的计算困难问题；然后使用聚类算法结合专家知识选取正常数据簇，解决无法获得大量有标签数据问题；最后使用标注为正常的数据训练单分类支持向量机进行异常点检测并解决了道岔故障检测过程中无标签或标签不足的问题。 | ||
| 搜索关键词： | 基于 混合 深度 学习 铁道 智能 故障 检测 方法 | ||
【主权项】：
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。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于清华大学，未经清华大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201811574962.2/，转载请声明来源钻瓜专利网。
