CN112001273A - 一种将卷积自编码器和逻辑回归相结合的故障诊断***及方法 - Google Patents

一种将卷积自编码器和逻辑回归相结合的故障诊断***及方法 Download PDF

Info

Publication number
CN112001273A
CN112001273A CN202010783358.1A CN202010783358A CN112001273A CN 112001273 A CN112001273 A CN 112001273A CN 202010783358 A CN202010783358 A CN 202010783358A CN 112001273 A CN112001273 A CN 112001273A
Authority
CN
China
Prior art keywords
data
length
encoder
dimensional
time domain
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.)
Pending
Application number
CN202010783358.1A
Other languages
English (en)
Inventor
董炜
翟守超
孙新亚
吉吟东
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202010783358.1A priority Critical patent/CN112001273A/zh
Publication of CN112001273A publication Critical patent/CN112001273A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
    • B61L23/04—Control, warning or like safety means along the route or between vehicles or trains for monitoring the mechanical state of the route
    • B61L23/042—Track changes detection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)

Abstract

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***。

Description

一种将卷积自编码器和逻辑回归相结合的故障诊断***及 方法
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***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***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：
Figure BDA0002621011970000021
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***，所述故障诊断***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。
本发明的所述故障诊断***还包括一维时域数据的预处理组件，所述预处理组件被配置为：
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。
本发明的故障诊断***的所述转换组件，按照式A进行配置：
Figure BDA0002621011970000031
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。
本发明的故障诊断***，所述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％。
附图说明
图1西门子S700K交流电动转辙机的正常动作曲线；
图2动作电流曲线示意图；
图3自编码器结构示意图；
图4-1CAE的结构示意图；
图4-2DCAE的结构示意图；
图5信号转成图像方法示意图；
图6故障诊断结构框图；
图7DCAE编码器参数；
图8为9条典型的高速铁路道岔电流曲线；
图9各类电流曲线转为的2-D灰度图；
图10卷积自编码器网络结构；
具体实施方式
下面结合附图对本发明进行详细说明。
根据一种实施例，将卷积自编码器和逻辑回归相结合的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。
根据一种实施例，一维时域数据为道岔电流信号数据，二维图像数据为二维灰度图像数据。
道岔作为铁路运行中关键的信号设备，是铁路信号的主要控制对象之一，用于实现列车的跨线运行及线路转换。道岔可分为转辙器部分、连接部分、辙叉及护轨部分；其中转辙器部分作为道岔的核心部分，主要用于推动道岔的可动部件完成道岔整体的定位或反位转换操作。
如图1、图2所示，给出了四门子S700K交流电动转辙机的标准A 相动作电流曲线，道岔的整个动作过程可分为：解锁-转换-锁闭三步。 1DQJ继电器吸起后，开始记录电流曲线；2DQJ继电器转极时，电流曲线将出现一个较大的峰值(称为启动电流)，表明道岔启动电路已接通，道岔开始动作；道岔动作过程依次为解锁、转换和锁闭。其中，解锁与转换的分界点以斥离尖轨开始动作为准，锁闭以斥离尖轨密贴到位为准；道岔转换完毕后，BHJ继电器落下，1DQJ自闭电路断开进入缓放状态。在1DQJ缓放期间，启动电路中的仍有两相小电流(简称作“小台阶”)存在。1DQJ落下后，停止记录电流曲线。
根据一个实施例，自动编码器是三层的非监督神经网络，分为编码网络与解码网络两个部分,结构如图3所示。自动编码器的输入数据和输出目标相同，通过编码网络将高维空间的输入数据转换为低维空间的编码矢量，通过解码网络将低维空间的编码矢量重构回原来的输入数据。
根据一个实施例，自动编码器是卷积自编码器，是在传统编码器基础上结合了卷积神经网络的卷积和池化操作对数据进行特征提取，应用反卷积操作对特征进行解码，通过堆叠形成深度卷积自编码器网络结构。
在自编码器的基础上引入卷积操作，将普通的矩阵内积操作替换为卷积操作，以端对端的方式学习完整的卷积和反卷积映射。该网络主要分为编码和解码两部分，由一系列卷积层、下采样层、上采样层和反卷积层组成。卷积层充当特征提取器，对样本内容的细节特征进行编码，同时消除噪声；池化层对输入的特征图进行压缩，提取主要特征，同时简化网络复杂度。然后，反卷积层对样本抽样进行解码以恢复样本内部细节；上采样解决了反卷积过程中滤波器重叠的问题。在DCAE中，权重是共享的，以保持空间局部性；同时解决了AE因为层数增加参数成指数增长的问题，大大降低了参数的数量。CAE的结构如图4-1所示，DCAE的结构如图4-2所示。
在编码器的部分，主要由卷积层和池化层构成，卷积层用来进行特征的自动提取，在卷积层中，当前层的卷积核与上一层的特征向量进行卷积，再经过激活函数形成了这一层的特征映射。在一些实施例中，卷积层输出可以用下式(1)表示:
Figure BDA0002621011970000061
其中，
Figure BDA0002621011970000062
表示第i卷积层第j个卷积核对应的特征向量，Mj表示当前神经元的接受域，
Figure BDA0002621011970000063
表示第i层第j个卷积核的第l个加权系数，
Figure BDA0002621011970000064
表示第l层第j个卷积核对应的偏置系数，而f为非线性函数，其计算公式(2)为：
Figure BDA0002621011970000065
下采样层在减少数据维数的同时保留了有用信息，采用池化技术来保持特征，使特征具有缩放、位移和不变性；同时，下采样层具有二次特征提取的作用，其计算公式(3)为
Figure BDA0002621011970000071
其中，down(·)表示下采样，
Figure BDA0002621011970000072
表示加权系数，
Figure BDA0002621011970000073
表示偏置系数。利用随机权值初始化的反向传播算法可以很容易地训练卷积自动编码器。
解码器部分主要是由反卷积层和反池化层构成，反卷积和反池化与卷积和池化非常相似，卷积的反向传播过程就是反卷积的前向传播过程。反池化层的输出表示为：
Figure BDA0002621011970000074
其中，up表示反池化(上采样)，×表示反池化(上采样)操作，β表示加权系数，b表示偏置系数。
第L层的反卷积层的输出为：
Figure BDA0002621011970000075
其中，
Figure BDA0002621011970000076
代表第L层反卷积层第J个卷积核对应的特征向量，M 表示当前神经元的接受域，×表示反卷积操作，W表示第L层第J个反卷积核的对应的偏置系数，而f为非线性函数。
逻辑回归是传统机器学习的一种分类方法。它的特点是简单、高效和低数据需求。根据一个实施例，为了实现多重分类，根据每个类别直接建立两个分类器。此类别的样本标记为1，其他类别的样本标记为0。如果我们有K个类，那么我们得到K个不同标签的通用逻辑分类器。假如给定数据集X∈Rm×n，它们的标记Y∈Rk，即这些样本有个k 不同的类别。
根据一个实施例，挑选出标记为c(c≤k)的样本，将挑选出来的带有标记的样本的标记置为1，将剩下的不带有标记的样本的标记置为0。然后就用这些数据训练出一个分类器，得到hc(x)(表示针对标记的 logistic分类函数)。按照上面的步骤，可以得到个不同的分类器。针对一个测试样本，需要找到这个分类函数输出值最大的那一个，即为测试样本的标记。
argmaxhc(x)c＝1,2,...k， (4)
根据一个实施例，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；在一些实施例中，数据集中的采样点长度基本不会超过150。在另外一些实施例中，为了尽可能的包含曲线有效信息与降低数据的维度，对实验数据进行长度(采样点个数) 处理，其中长度不足169个采样点的数据对其进行末尾补零操作，而超过169个采样点的数据对其进行截取，使每条数据长度都为169个采样点。所在输入层中，通过预处理，将动作电流曲线数据集的长度设置为169。
将每条长度都为n个采样点的一维时域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。
根据一个实施例，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：
Figure BDA0002621011970000081
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。
根据一个实施例，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。
下面实施例进一步提供了道岔故障诊断的完整的方法。首先介绍该实施例的道岔现场实际数据的数据处理方法，接着介绍如何将其转换成2-D灰度图，最后介绍了网络结构和一些具体的参数。
A：数据处理
针对道岔动作电流曲线数据，所有数据按时间顺序排序并标准化。为了尽可能的包含曲线有效信息与降低数据的维度，对实验数据进行长度(采样点个数)处理，其中长度不足169个采样点的数据对其进行末尾补零操作，而超过169个采样点的数据对其进行截取，使每条数据长度都为169个采样点。为保证曲线长度所代表的信息不丢失，将每条曲线的长度信息，作为特征提取出来，以备与自动提取的特征相结合。最后对数据进行归一化处理，使峰值范围处于[0,1]之间，便于进行统一的衡量，加速后续自动特征提取速度。
B：转成灰度图
由于最常见的数据类型是时域信号，本实施例采用了一种将一维时域数据转换为二维灰度图片的方法，以便卷积自编码器直接从道岔原始动作电流数据中自动提取特征。没有任何预定义的参数，这可以尽可能地消除专家的经验。具体方法如图5所示。
在这种转换方法中，时域原始信号按顺序满足图像的像素。为了获得K×K尺寸的图像，将从原始信号中随机获得具有长度K2的分段信号。设L(i)，i＝1...M2表示分段信号的值。P(a,b)，a＝1...K，b＝1...K表示图像的像素强度，如式A所示。
Figure BDA0002621011970000091
C：网络结构
如图6所示的网络结构由编码器、解码器和逻辑回归组成。利用 DCAE自动提取道岔当前曲线数据集的特征，而不是依靠人工经验，然后将特征数据输入Logistic回归进行道岔故障诊断。
为了防止由于网络层数过多而引起的梯度弥散现象的发生，在提出的模型中加入了残差网络(跨层连接)，在防止过拟合现象发生的同时，使网络模型训练正常，使模型的效果更好、更稳定。
本实施例DCAE-Logistic Regression的网络结构由编码器、解码器和LogisticRegression三个部分构成。具体结构如图6所示。其中编码器由5个卷积层和5个池化层构成，解码器由5个反卷积层和5 个上采样层构成。损失函数选择了categoricalcrossentropy，DCAE 的训练过程是用RMSprop来最小化原始数据和重构数据的误差函数。
逻辑回归参数方面penalty(惩罚项)选择了L2正则化，正则化系数为1.0，tol为0.0001，max_iter为100。
DCAE编码层的具体参数如表1、图7所示，参数方面除跨层连接外解码层与编码层基本相对称。下面根据一个具体实施例，给出故障诊断结果。
利用中国某高速铁路的现场历史数据对基于DCAE和Logistic Regression的故障诊断方法进行了评价，并与现有的故障诊断方法进行了比较。其中，实验结果是在基于DCAE和Logistic Regression的故障诊断模型下通过高铁现场的道岔数据得到的，
A：数据描述
通过对中国某铁路局微机监测现场道岔电流数据的分析，结合道岔故障诊断领域的相关知识，总结出9条典型的高速铁路道岔电流曲线及其产生的原因(如图8和表1所示)。
表1表道岔各故障产生的原因
Figure 1
高铁运行现场的道岔数据由20000个正常样本和7*500个故障样本组成，每一个样本都是道岔的运行的电流曲线，样本非常的不均衡，与故障诊断实际情况相同。数据集中每个样本的长度为169。将其转化为2-D灰度图像，放入模型进行训练与故障诊断。灰度图像如图9所示。
B：所提出模型的参数
编码器由5个卷积层和5个汇聚层组成，解码器由5个解卷积层和5个解卷积层组成。损失函数选择“交叉熵”类别。DCAE的训练过程是利用Adam最小化原始数据和重构数据的误差函数。
DCAE编码层的具体参数如图7所示。在参数方面，除了跨层连接外，解码层和编码层基本对称。
在逻辑回归部分，penalty选择L2正则化，正则化系数为1.0，TOL为0.0001，最大值为100。
C：基于现场数据的实验结果
在输入层，随机抽取70％的样本作为训练样本，其余30％的样本用于测试故障诊断性能。为了减少随机因素的影响，进行了十次交叉验证。模型的结果见表2。
表2模型的结果
Figure BDA0002621011970000121
表2中，准确率最高为99.94，最低为98.55，平均值为99.43，可均方误差为0.2，平均测试准确率在98.55％到99.94％之间，均方误差较低，在0.2以下。数据包括9中不同状态下的样本，其诊断结果同样稳定在较高水平，表明所提方法有能力诊断多种工况、大量样本、不同故障位置和不同故障类型的健康状态，且可以看出显示出诊断模型效果优秀达到较高的水平且很稳定。
为了更进一步的证明本文提出的方法的优越性，通过其他三种方法进行对比，分比1：CAE+SVM，2：CAE+SVM+residual 3：CAE+Logistic Regression。这三个实验分别进行了10折交叉验证，对诊断结果进行统计和分析的结果如下表所示。
表3诊断结果进行统计和分析结果
Figure BDA0002621011970000131
由表3可以得出，CAE-Logistic Regression-residual的诊断准确率较CAE-Logistic Regression高，可以看出residual对于本模型有实际的意义，可以提升准确率。而CAE-Logistic Regression-residual比CAE+SVM-residual准确高，可以看出对于基于DCAE提取出的道岔特征，Logistic Regression要比SVM效果更好，并且更加稳定。
以上所述实施例仅仅是本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (10)

1.一种将卷积自编码器和逻辑回归相结合的故障诊断方法，其特征在于，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。
2.如权利要求1所述的故障诊断方法，其特征在于，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，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。
3.如权利要求2所述的故障诊断方法，其特征在于，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。
4.如权利要求3所述的故障诊断方法，其特征在于，
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：
Figure FDA0002621011960000021
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。
5.如权利要求1所述的故障诊断方法，其特征在于，所述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。
6.一种将卷积自编码器和逻辑回归相结合的故障诊断***，其特征在于，所述故障诊断***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。
7.如权利要求6所述的故障诊断***，其特征在于，所述故障诊断***还包括一维时域数据的预处理组件，所述预处理组件被配置为：
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，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。
8.如权利要求7所述的故障诊断***，其特征在于，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。
9.如权利要求8所述的故障诊断***，其特征在于，
所述转换组件，按照式A进行配置：
Figure FDA0002621011960000031
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。
10.如权利要求6所述的故障诊断***，其特征在于，所述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。
CN202010783358.1A 2020-08-06 2020-08-06 一种将卷积自编码器和逻辑回归相结合的故障诊断***及方法 Pending CN112001273A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010783358.1A CN112001273A (zh) 2020-08-06 2020-08-06 一种将卷积自编码器和逻辑回归相结合的故障诊断***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010783358.1A CN112001273A (zh) 2020-08-06 2020-08-06 一种将卷积自编码器和逻辑回归相结合的故障诊断***及方法

Publications (1)

Publication Number Publication Date
CN112001273A true CN112001273A (zh) 2020-11-27

Family

ID=73462891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010783358.1A Pending CN112001273A (zh) 2020-08-06 2020-08-06 一种将卷积自编码器和逻辑回归相结合的故障诊断***及方法

Country Status (1)

Country Link
CN (1) CN112001273A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112762362A (zh) * 2021-01-15 2021-05-07 中国海洋石油集团有限公司 基于卷积神经网络的水下管道泄漏声发射检测方法
CN112948897A (zh) * 2021-03-15 2021-06-11 东北农业大学 一种基于drae与svm相结合的网页防篡改检测方法
CN113469269A (zh) * 2021-07-16 2021-10-01 上海电力大学 基于多通道融合的残差卷积自编码风光荷场景生成方法
CN113530850A (zh) * 2021-08-26 2021-10-22 江苏科技大学 一种基于eas和堆叠胶囊自编码器的离心泵故障诊断方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934335A (zh) * 2019-03-05 2019-06-25 清华大学 基于混合深度学习的高铁道岔故障诊断方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934335A (zh) * 2019-03-05 2019-06-25 清华大学 基于混合深度学习的高铁道岔故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIANGQIAN CHEN 等: "A Novel Fault Diagnosis Method for High-Speed Railway Turnout Based On DCAE-Logistic Regression", 《2020 3RD INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND BIG DATA (ICAIBD)》 *
张西宁等: "一种深度卷积自编码网络及其在滚动轴承故障诊断中的应用", 《西安交通大学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112762362A (zh) * 2021-01-15 2021-05-07 中国海洋石油集团有限公司 基于卷积神经网络的水下管道泄漏声发射检测方法
CN112948897A (zh) * 2021-03-15 2021-06-11 东北农业大学 一种基于drae与svm相结合的网页防篡改检测方法
CN113469269A (zh) * 2021-07-16 2021-10-01 上海电力大学 基于多通道融合的残差卷积自编码风光荷场景生成方法
CN113530850A (zh) * 2021-08-26 2021-10-22 江苏科技大学 一种基于eas和堆叠胶囊自编码器的离心泵故障诊断方法
CN113530850B (zh) * 2021-08-26 2022-10-18 江苏科技大学 一种基于esa和堆叠胶囊自编码器的离心泵故障诊断方法

Similar Documents

Publication Publication Date Title
CN112001273A (zh) 一种将卷积自编码器和逻辑回归相结合的故障诊断***及方法
CN111369563B (zh) 一种基于金字塔空洞卷积网络的语义分割方法
CN110232341B (zh) 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法
CN108827605B (zh) 一种基于改进稀疏滤波的机械故障特征自动提取方法
CN113469236B (zh) 一种自我标签学习的深度聚类图像识别***及方法
CN113191215A (zh) 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法
CN107133612A (zh) 基于图像处理与语音识别技术的智能病房及其运行方法
CN109829916A (zh) 一种基于cnn的变压器故障诊断方法
CN111931625B (zh) 基于非对称损失神经网络的产品关键零件剩余寿命预测方法
CN112488179A (zh) 一种基于gru的旋转机械故障诊断方法
CN111523483B (zh) 中餐菜品图像识别方法及装置
CN111931805B (zh) 一种基于知识引导cnn的小样本相似磨粒辨识方法
CN112557826A (zh) 一种船舶电力***故障诊断方法
CN113158722A (zh) 基于多尺度深度神经网络的旋转机械故障诊断方法
CN115953666B (zh) 一种基于改进Mask-RCNN的变电站现场进度识别方法
CN111915101A (zh) 基于lpp-hmm方法的复杂装备故障预测方法及***
CN110412458A (zh) 一种oltc传动机构故障诊断方法
CN116503636A (zh) 一种基于自监督预训练的多模态遥感影像分类方法
CN103942545A (zh) 一种基于双向压缩数据空间维度缩减的人脸识别方法和装置
CN112149804B (zh) 一种新型卷积神经网络模型及应用
CN117593666A (zh) 一种极光图像的地磁台站数据预测方法及***
CN117237685A (zh) 一种基于多模态深度聚类的机械设备故障诊断方法
CN112633301A (zh) 一种基于深度度量学习的中医舌图像腐腻特征分类方法
CN108898157B (zh) 基于卷积神经网络的数值型数据的雷达图表示的分类方法
CN116610940A (zh) 一种基于小波变换与深度神经网络的装备故障诊断***

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201127

WD01 Invention patent application deemed withdrawn after publication