CN110991471B - 一种高速列车牵引***故障诊断方法 - Google Patents

一种高速列车牵引***故障诊断方法 Download PDF

Info

Publication number
CN110991471B
CN110991471B CN201910708383.0A CN201910708383A CN110991471B CN 110991471 B CN110991471 B CN 110991471B CN 201910708383 A CN201910708383 A CN 201910708383A CN 110991471 B CN110991471 B CN 110991471B
Authority
CN
China
Prior art keywords
encoder
lstm
feature vector
fault
self
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910708383.0A
Other languages
English (en)
Other versions
CN110991471A (zh
Inventor
冒泽慧
闫宇
姜斌
严星刚
吕迅竑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201910708383.0A priority Critical patent/CN110991471B/zh
Publication of CN110991471A publication Critical patent/CN110991471A/zh
Application granted granted Critical
Publication of CN110991471B publication Critical patent/CN110991471B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/08—Railway vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明公开了一种高速列车牵引***故障诊断方法，涉及高速列车故障诊断领域，其包括如下步骤：从半物理仿真平台采集序列数据并进行预处理，得到数据集，所述数据集包括训练集和测试集；利用状态微分反馈控制对LSTM自编码器进行改进，得到LSTM自编码器一，所述LSTM自编码器一由L个LSTM单元组成；利用所述数据集对所述LSTM自编码器一训练获取LSTM自编码器二；利用所述LSTM自编码器二对所述测试集提取原始特征向量；利用t‑SNE算法对所述原始特征向量进行特征降维；对降维后的原始特征向量通过DBSCAN聚类方法进行故障诊断，得到诊断结果。本发明可以有效地解决高速列车牵引***微小渐变故障诊断困难，诊断精确度不高的问题。

Description

一种高速列车牵引***故障诊断方法
技术领域
本发明涉及高速列车故障诊断领域，尤其涉及一种基于数据学习的高速列车牵引***微小渐变故障的诊断方法。
背景技术
目前，高速列车在中国的客运和货运方面发挥着越来越重要的作用，牵引***作为高速列车的动力核心***，其发生故障将导致列车停车、延误等事故，造成巨大损失。其中，微小渐变故障发生于显著性故障的初期，具有故障特性不明显、易被未知扰动与噪声掩盖的特点。因此，牵引***微小渐变故障检测与诊断较显著性故障存在难度。对牵引***微小渐变故障进行有效的检测与诊断，进而及时采取有效措施，能够提高***的安全性，降低维护成本与损失。
对微小渐变故障有效的故障诊断能够提高***的安全性，降低维护成本和损失，对于其安全维护与设备的健康管理等方面具有极其重要的意义。由于牵引***的复杂性与微小渐变故障的故障特性不明显，变化特性不明显，目前基于数据驱动算法难以有效的实现对微小渐变故障的检测与诊断。
发明内容
本发明的目的在于提供一种高速列车牵引***故障诊断方法，以解决现有技术中存在的微小渐变故障诊断困难，诊断精确度不高的技术问题。
本发明提供的一种高速列车牵引***故障诊断方法，包括：
(a)从半物理仿真平台采集序列数据并进行预处理，得到数据集，所述数据集包括训练集和测试集；
(b)利用状态微分反馈控制对LSTM自编码器进行改进，得到LSTM自编码器一，所述LSTM自编码器一由L个LSTM单元组成；
(c)利用所述数据集对所述LSTM自编码器一训练获取LSTM自编码器二；
(d)利用所述LSTM自编码器二对所述测试集提取原始特征向量；
(e)利用t-SNE算法对所述原始特征向量进行特征降维；
(f)对降维后的原始特征向量通过DBSCAN聚类方法进行故障诊断，得到诊断结果。
相对于现有技术，本发明基于数据学习的高速列车牵引***微小渐变故障的诊断方法，具有如下有益效果：
基于改进LSTM单元自编码器进行微小渐变故障的序列数据进行特征提取，这种方法能够较好的提取微小渐变故障的原始特征；
通过t-SNE算法对原始特征进行降维处理，降低原始特征信息的冗余，提高诊断性能和降低计算复杂度；
通过DBSCAN聚类方法实现对微小渐变故障的无监督诊断，不需要事先标记，诊断精确度很高，对于未知的故障也有一定的诊断能力，满足微小渐变故障诊断要求。
针对高速列车牵引电机***，该方法对于牵引***中间电容、中间电阻与速度传感器退化故障等微小渐变故障进行诊断，适用范围比较广，有工程应用价值。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的改进的LSTM单元结构；
图2(a)为本发明实施例提供的编解码器模型总体框架和训练流程；
图2(b)为本发明实施例提供故障诊断模型的总体框架和流程；
图3(a)为本发明实施例提供已知故障类型的不同降维方法的效果图；
图3(b)为本发明实施例提供未知故障类型的t-SNE降维方法的效果图；
图4(a)为本发明实施例提供已知故障类别聚类效果图；
图4(b)为本发明实施例提供未知故障类别聚类效果图；
图5为本发明实施例高速列车牵引***的架构示意图；
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
如图2(b)所示，本发明基于数据学习的高速列车牵引***微小渐变故障的诊断方法主要包括如下步骤：
1、从半物理仿真平台采集序列数据并进行预处理，得到数据集，所述数据集包括训练集和测试集
对于采集的数据进行预处理：补充缺失值、修改异常值、平滑滤波、降低噪声、归一化处理。
具体的，对所述训练集与所述测试集的缺失值采用2-最近距离邻法填充数据中的缺失值；对序列数据异常值通过箱形图进行分析，并采用2-最近距离邻法修改数据中被判定为异常值的数值；序列数据通过小波滤波的方式进行平滑滤波，降低序列数据中的噪声；序列数据采用Z-归一化方法，完成序列数据的归一化。
2、利用状态微分反馈控制对LSTM自编码器进行改进，得到LSTM自编码器一，所述LSTM自编码器一由L个LSTM单元组成
对基本的LSTM单元进行改进，将状态微分反馈控制应用于LSTM单元中：状态微分反馈控制被应用于改进的LSTM单元中。
具体的，动态***的状态向量在时间t-1和时间t-2时刻的状态微分信号pt-1在时刻t-1被更新，并在时刻t时刻被反馈到***中参与控制LSTM隐单元状态向量ct的遗忘与更新。改进的LSTM单元描述如下式所示：
Figure GDA0004211394970000051
其中，ft表示遗忘门层输出，rt表示更新门层输出，ct表示隐单元状态，
Figure GDA0004211394970000052
表示待选新状态量，pt表示单元隐状态向量的微分向量，ot表示输出门层输出，ht表示LSTM单元输出。
如果LSTM控制向量
Figure GDA0004211394970000056
稳定，则LSTM单元隐单元状态c会在稳定待更新向量的作用下稳定，从而LSTM网络会稳定下来。控制向量/>
Figure GDA0004211394970000057
与LSTM单元状态c的状态微分向量p有关。在微小渐变故障序列数据的序列样本较短时，故障信息变量的差分向量在泰勒展开一阶近似时呈线性变化。当LSTM单元所学习到隐单元状态c与微小渐变故障信息变量具有较高相关性时，随着序列数据的迭代输入，LSTM单元隐单元状态c的差分向量p稳定。而/>
Figure GDA0004211394970000053
与差分向量p具有很强的相关性，因此会产生稳定的控制向量/>
Figure GDA0004211394970000054
此时，LSTM单元隐单元状态变量不易被遗忘与更新。当LSTM单元所学到的隐单元状态c与微小渐变故障信息变量相关性较弱时，由于差分向量p不稳定，LSTM单元的隐单元状态c由于不稳定控制向量/>
Figure GDA0004211394970000055
会被经常遗忘与更新。其次，训练完成的LSTM自编码器可以获取表征故障信息变量的差分趋势信号，可以较早地诊断微小渐变故障。
3、利用所述数据集对所述LSTM自编码器一训练获取LSTM自编码器二
利用训练集特征向量对编解码器模型无监督训练获取LSTM自编码器。基于改进的LSTM自编码器处理牵引***序列数据后，将故障信息变量嵌入到固定长度的原始特征向量中。在编解码器模型的训练过程中，LSTM自编码器读取牵引***的序列样本X，每个样本
Figure GDA0004211394970000061
为向量型序列数据，其中X＝x1,x2...,xL-1,xL，Nv表示向量维度，L表示序列数据样本长度。在完成序列数据样本X的读取处理过程之后，LSTM自编码器中最后一层隐单元状态/>
Figure GDA0004211394970000062
将被保留并作为原始特征向量。GRU解码器初始化其第一层的隐单元状态为原始特征向量/>
Figure GDA0004211394970000063
并输出目标序列/>
Figure GDA0004211394970000064
其中/>
Figure GDA0004211394970000065
训练的目标为编解码器输出序列
Figure GDA0004211394970000066
与输入序列X在度量下保持相似，但顺序相反。在本发明中，通过最小化/>
Figure GDA0004211394970000067
和X之间的平方误差Jed进行训练：
Figure GDA0004211394970000068
其中DN表示整个训练集，在本发明中，编解码器模型训练的优化器为Adam优化器。
4、利用所述LSTM自编码器二对所述测试集提取原始特征向量使用训练好的LSTM自编码器模型，在输入部分输入测试集的序列样本X,每个样本
Figure GDA0004211394970000069
为向量型序列数据，其中X＝x1,x2...,xL-1,xL，Nv表示向量维度，L表示序列数据样本长度。在完成序列数据样本X的读取处理过程之后，LSTM自编码器中最后一层隐单元状态/>
Figure GDA00042113949700000610
将被保留并作为原始特征向量，从而完成LSTM自编码器对测试集数据的原始特征向量提取的任务。
训练后的LSTM自编码器对牵引***微小渐变故障的序列数据提取原始特征向量。
5、利用t-SNE算法对所述原始特征向量进行特征降维
通过t-SNE算法对原始特征向量
Figure GDA0004211394970000071
进行降维，解决原始特征向量维数高，信息冗余的问题。在t-SNE算法中，损失函数JSNE为原始特征向量空间与目标降维空间中数据分布联合概率PD与QD的差异。概率分布差异采用Kullback-Leibler散度。T-SNE算法的损失函数JSNE表述如下所示：
Figure GDA0004211394970000072
其中pij与qij被定义为：
Figure GDA0004211394970000073
下标i,j,k,l分别表示样本中编号为第i,j,k,l的样本，/>
Figure GDA0004211394970000074
表示高维空间中的原始特征向量，z表示降维后的特征向量，σ表示与与原始特征向量/>
Figure GDA0004211394970000075
相关的高斯核函数的带宽。在优化过程中，通过随机梯度下降法来最小化KL散度。损失函数JSNE的梯度信息由下式给出：
Figure GDA0004211394970000076
在t-SNE算法中，通过最小化从高维原始特征向量空间与低维特征向量空间的KL距离，从而保持降维前后特征向量分布的相似性。
6、对降维后的原始特征向量通过DBSCAN聚类方法进行故障诊断，得到诊断结果
利用训练集序列数据对编解码器模型无监督训练获取LSTM自编码器模型。待诊断序列数据的原始特征向量
Figure GDA0004211394970000081
由训练完成的LSTM自编码器提取。原始特征向量/>
Figure GDA0004211394970000082
维数高，存在信息冗余，为了降低信息冗余，降低算法运行的复杂度，通过t-SNE算法对原始特征向量ctL降维后得到最终特征向量z。最后，通过DBSCAN聚类方法将特征向量z进行聚类，实现牵引***微小渐变故障诊断。
下面对本发明基于数据学习的高速列车牵引***微小渐变故障的诊断方法进行仿真验证：
步骤1.首先确认微小渐变故障的类型，在本次验证中微小渐变故障类型包括中间电容退化故障(故障I)，中间电阻退化故障(故障II)和速度传感器退化故障(故障III)。在该实验验证中还包含速度传感器偏置故障(故障IV)，这是一种微小突变故障。故障I和故障II用于无监督故障诊断模型训练和最后故障诊断模型测试过程。未经训练的故障类别(在本实验验证中为故障III与故障IV)仅用于对训练好的故障诊断模型性测试验证，故障III、故障IV用于测试模型对于未知故障的泛化能力。本次实验验证中四种故障的详细描述见表1。
表1故障类型描述
Figure GDA0004211394970000083
Figure GDA0004211394970000091
故障I和故障II的数据划分为训练集和测试集，每个样本的数据形式为序列数据的向量。整个数据中总共有大约14000个序列数据向量形式的样本。在整个数据集中随机选择60％的数据来组成训练集(8500个样本)，剩下的样本组成测试集(5455个样本)。其中，健康样本数为1180个，故障I样本数为990个，故障II样本数为935个。同样，故障III的样本数为1175个，故障IV的样本数为1175个.每个序列数据样本的长度范围为20到40。
步骤2.通过训练完成的改进LSTM自编码器提取故障I和故障II测试集的原始特征向量。并应用t-SNE进行特征向量降维。图3(a)展示了不同降维方法(包括t-SNE，核PCA和Isomap)对已知故障类型的特征向量的降维效果。其中，·表示健康样本点，+表示具有故障I的样本点，×表示具有故障II的样本点。在PCA降维结果与Isomap降维结果中可以看出，健康样本的特征向量在低维空间呈现稳定的圆环状分布，故障I与故障II两类微小渐变故障在低维空间中呈现起始于健康圆环的类圆锥状分布，这与微小渐变故障中故障信息变量具有缓时变特性一致，因此，佐证了LSTM自编码器成功提取与微小渐变故障信息变量有关的特征向量。在本发明中，对未用于编解码器训练的故障类型(未知故障类别)进行实验验证测试。故障III和故障IV的测试集用于测试故障诊断算法对未知故障类型的泛化能力。故障III是牵引***中的微小渐变故障，故障IV是牵引***中发生的微小突变故障。图3(b)展示了使用t-SNE算法对于未知故障的特征向量的降维效果,对于未知故障类别，特征向量的降维效果具有良好的类间距离与类内距离。
步骤3.将DBSCAN聚类算法应用于降维后的特征向量样本进行聚类，完成对测试集的故障诊断。DBSCAN聚类算法是一种基于密度的聚类算法，这类密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。同一类别的样本，他们之间的紧密相连的，也就是说，在该类别任意样本周围不远处一定有同类别的样本存在。通过将紧密相连的样本划为一类，这样就得到了一个聚类类别。通过将所有各组紧密相连的样本划为各个不同的类别，则我们就得到了最终的所有聚类类别结果。该方法是基于一组邻域来描述样本集的紧密程度的。DBSCAN使用的方法很简单，它任意选择一个没有类别的核心对象作为种子，然后找到所有这个核心对象能够密度可达的样本集合，即为一个聚类簇。接着继续选择另一个没有类别的核心对象去寻找密度可达的样本集合，这样就得到另一个聚类簇。一直运行到所有核心对象都有类别为止。
图4(a)对已知故障类别的数据进行聚类，聚类结果表明基于改进LSTM自编码器的故障诊断算法能够成功实现对牵引***中间电容与中间电阻的退化故障诊断，即实现牵引***微小渐变故障诊断。图4(b)对未知故障类别的数据进行聚类，聚类结果表明本发明提出的算法对于一些未知故障，也有很好的诊断效果。
由附图4可知本发明的方法可以有效的对高速列车牵引电机的微小渐变故障进行诊断。对于一些未标记的故障，该方法也有很好的诊断效果，泛化能力比较强。
如图5所示，本发明实施例还提供了一种高速列车牵引***的架构示意图，该牵引***120包括：至少一个处理器121，例如CPU，至少一个网络接口124或者其他用户接口123，存储器125，至少一个通信总线122。通信总线122用于实现这些组件之间的连接通信。可选的，还包含用户接口123，包括显示器，键盘或者点击设备(例如，鼠标，轨迹球(trackball),触感板或者触感显示屏)。存储器125可能包含高速RAM存储器，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器125可选的可以包含至少一个位于远离前述处理器121的存储装置。
在一些实施方式中，存储器125存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集:
操作***1251，包含各种***程序，用于实现各种基础业务以及处理基于硬件的任务；
应用程序1252，包含各种应用程序，用于实现各种应用业务。
具体地，处理器121用于执行步骤(1)-(4)对应的流程；在这个过程中，处理器121需要通过网络接口124接受传感器组126发送的信号处理。
同时，处理器121还用于：通过用户接口123将故障诊断结果输出至可视化的界面中。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种高速列车牵引***故障诊断方法，其特征在于：
(a)从半物理仿真平台采集序列数据并进行预处理，得到数据集，所述数据集包括训练集和测试集；
(b)利用状态微分反馈控制对LSTM自编码器进行改进，得到LSTM自编码器一，所述LSTM自编码器一由L个LSTM单元组成；
(c)利用所述数据集对所述LSTM自编码器一训练获取LSTM自编码器二；
(d)利用所述LSTM自编码器二对所述测试集提取原始特征向量；
(e)利用t-SNE算法对所述原始特征向量进行特征降维；
(f)对降维后的原始特征向量通过DBSCAN聚类方法进行故障诊断，得到诊断结果；
所述(c)包括：
利用所述数据集对所述LSTM自编码器一训练获取LSTM自编码器二；
所述LSTM自编码器一读取所述数据集,所述数据集
Figure FDA0004211394950000011
为向量型序列数据，X＝x1,x2...,xL-1,xL，Nv表示向量维度，L表示序列数据样本长度；
所述LSTM自编码器一最后一层隐单元状态
Figure FDA0004211394950000012
作为特征向量，将所述特征向量作为GRU解码器第一层的隐单元状态/>
Figure FDA0004211394950000013
所述GRU解码器输出序列/>
Figure FDA0004211394950000014
其中/>
Figure FDA0004211394950000015
对所述
Figure FDA0004211394950000016
与X进行最小化平方误差Jed训练，
Figure FDA0004211394950000017
其中DN表示整个训练集,所述训练在度量下保持相似，顺序相反。
2.如权利要求1所述的高速列车牵引***故障诊断方法，其特征在于：所述(a)中预处理包括：
利用k-最近距离邻法对所述序列数据进行缺失值填充；
通过箱形图对所述序列数据异常值进行分析，利用k-最近距离邻法修改判定为异常值的序列数据；
利用小波滤波对所述序列数据平滑滤波，利用Z-score标准化方法对所述序列数据归一化处理。
3.如权利要求1所述的高速列车牵引***故障诊断方法，其特征在于：所述(d)中，还包括：
所述LSTM自编码器二提取原始特征向量，所述原始特征向量包含故障信息，将所述故障信息变量嵌入到固定长度的所述原始特征向量中。
4.如权利要求1所述的高速列车牵引***故障诊断方法，其特征在于：所述(e)包括：
定义损失函数JSNE，所述损失函数JSNE为所述原始特征向量与目标降维中数据分布联合概率PD与QD的差异，所述概率PD与QD的差异概率分布差异采用Kullback-Leibler散度；
通过随机梯度下降法最小化Kullback-Leibler散度。
5.如权利要求1所述的高速列车牵引***故障诊断方法，其特征在于：所述(f)中,
对降维后的特征向量通过DBSCAN聚类方法进行故障诊断，得到诊断结果。
CN201910708383.0A 2019-08-01 2019-08-01 一种高速列车牵引***故障诊断方法 Active CN110991471B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910708383.0A CN110991471B (zh) 2019-08-01 2019-08-01 一种高速列车牵引***故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910708383.0A CN110991471B (zh) 2019-08-01 2019-08-01 一种高速列车牵引***故障诊断方法

Publications (2)

Publication Number Publication Date
CN110991471A CN110991471A (zh) 2020-04-10
CN110991471B true CN110991471B (zh) 2023-07-11

Family

ID=70081714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910708383.0A Active CN110991471B (zh) 2019-08-01 2019-08-01 一种高速列车牵引***故障诊断方法

Country Status (1)

Country Link
CN (1) CN110991471B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860686B (zh) * 2020-07-31 2022-08-19 北京航空航天大学 用于故障诊断的因果关系邻接矩阵特征提取方法
CN112861071B (zh) * 2021-02-05 2022-09-02 哈尔滨工程大学 一种基于深度自编码的高铁牵引***异常检测方法
CN113139590B (zh) * 2021-04-13 2022-03-22 索信达(北京)数据技术有限公司 时间序列数据的降维方法、装置、计算机设备和存储介质
CN113507331A (zh) * 2021-07-01 2021-10-15 西北工业大学 基于信道状态信息的视距与非视距传输识别方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197648A (zh) * 2017-12-28 2018-06-22 华中科技大学 一种基于lstm深度学习模型的水电机组故障诊断方法与***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102055481B1 (ko) * 2017-08-24 2019-12-12 한국과학기술원 Vr 피로로유발인자의 딥 러닝 분석을 사용하는 vr 컨텐츠 체감 품질 정량적 평가 장치 및 방법
CN108536123B (zh) * 2018-03-26 2019-08-30 北京交通大学 基于长短时记忆神经网络的列控车载设备故障诊断方法
CN109561084B (zh) * 2018-11-20 2020-03-17 四川长虹电器股份有限公司 基于lstm自编码网络的url参数异常值检测方法
CN109919364A (zh) * 2019-02-18 2019-06-21 华南理工大学 基于自适应降噪和集成lstm的多变量时间序列预测方法
CN110021165A (zh) * 2019-03-18 2019-07-16 浙江工业大学 一种基于Autoencoder-LSTM融合模型的交通流预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197648A (zh) * 2017-12-28 2018-06-22 华中科技大学 一种基于lstm深度学习模型的水电机组故障诊断方法与***

Also Published As

Publication number Publication date
CN110991471A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN110991471B (zh) 一种高速列车牵引***故障诊断方法
Wang et al. A novel weighted sparse representation classification strategy based on dictionary learning for rotating machinery
CN110132598B (zh) 旋转设备滚动轴承故障噪声诊断算法
CN110059601B (zh) 一种多特征提取与融合的智能故障诊断方法
WO2023044978A1 (zh) 基于对抗流模型的机械设备无监督故障诊断方法
Yang et al. ART–KOHONEN neural network for fault diagnosis of rotating machinery
CN111666982B (zh) 一种基于深度神经网络的机电设备故障诊断方法
CN109116834B (zh) 一种基于深度学习的间歇过程故障检测方法
CN113673346A (zh) 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法
CN112257263B (zh) 基于自注意力机制的设备剩余寿命预测***
CN111207926B (zh) 一种基于滚动轴承故障诊断方法、电子装置及存储介质
CN113792758A (zh) 一种基于自监督学习和聚类的滚动轴承故障诊断方法
CN114722952B (zh) 一种基于表示学习的轴承故障检测和分类的一体化方法
CN112596016A (zh) 基于多个一维卷积神经网络集成的互感器故障诊断方法
CN115204302A (zh) 一种无人机小样本故障诊断***及方法
CN115730637A (zh) 多模态车辆轨迹预测模型训练方法、装置及轨迹预测方法
Wang et al. An enhancement deep feature extraction method for bearing fault diagnosis based on kernel function and autoencoder
CN113268833A (zh) 一种基于深度联合分布对齐的迁移故障诊断方法
CN112257862A (zh) 一种基于关系网络标记样本扩充的半监督辨识方法
CN115169430A (zh) 基于多尺度解码的云网端资源多维时间序列异常检测方法
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN112115922A (zh) 一种增强深度特征学习的旋转机械故障诊断方法
CN116415200A (zh) 一种基于深度学习的异常车辆轨迹异常检测方法及***
Li et al. Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy
CN113850161A (zh) 基于lstm深度降噪自编码器的飞轮故障识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant