[发明专利]一种轨道交通设备的大数据诊断方法

权利要求书

1.一种轨道交通设备的大数据诊断方法，包括：

获取交通设备的至少两组设备信号；

对所述设备信号进行特征提取，利用提取的特征生成特征集；

筛选出所述特征集内满足所述预设条件的优质特征，得到优质特征集合；

对所述优质特征集合进行智能故障识别，得到识别结果；

将各组设备信号对应的的所述识别结果进行集成，生成所述交通设备的最终诊断数据。

2.根据权利要求1所述的一种轨道交通设备的大数据诊断方法，其特征在于，筛选出所述特征集内满足所述预设条件的优质特征，得到优质特征集合，包括：

对所述特征集内的子特征进行距离评估分析，得到所述子特征的距离评估值；

筛选出所述距离评估值大于预设评估值的所述子特征，作为优质特征；

利用多个所述优质特征生成优质特征集合。

3.根据权利要求2所述的一种轨道交通设备的大数据诊断方法，其特征在于，对所述特征集内的所述子特征进行距离评估分析，得到各个所述子特征的距离评估值，包括：

获取特征集，{q_m,c,j|m＝1,2,…,M_c；c＝1,2,…,C；j＝1,2,…,J},其中M_c为第c类的所述子特征的样本数，C为所述子特征的种类，J为每一类的所述子特征个数；q_m,c,j是第c类的第m个样本的第j个特征；

计算第c类中第j个特征的类内距离d_c,j，和第c类M_c个样本第j个特征的平均值u_c,j；

根据所述类内距离d_c,j计算得到d_c,j的平均类内距离根据所述平均值u_c,j计算得到第j个特征的平均类间距离

根据所述平均类内距离和所述平均类间距离计算第j个特征的距离评估值α_j。

4.根据权利要求1所述的一种轨道交通设备的大数据诊断方法，其特征在于，对所述优质特征集合进行智能故障识别，得到识别结果，包括：

针对每组的所述设备信号，分别构建深度ReSNet模型；

将所述优质特征集合内的所述优质特征作为对应的所述深度ReSNet模型的输入进行智能故障识别，输出识别结果。

5.根据权利要求4所述的一种轨道交通设备的大数据诊断方法，其特征在于，所述深度ReSNet模型至少包括两个残差学习单元，所述残差学习单元包括卷积结构。

6.根据权利要求5所述的一种轨道交通设备的大数据诊断方法，其特征在于，所述方法还包括：

通过所述卷积结构中的卷积层对输入的所述优质特征进行卷积操作，得到卷积结果；

通过所述卷积结构中的池化层对所述卷积结果进行下采样池化操作，通过所述池化操作对所述卷积结果内的所述优质特征进行降维。

7.根据权利要求6所述的一种轨道交通设备的大数据诊断方法，其特征在于，所述深度ReSNet模型至少还包括两层全连接层；

所述方法还包括，将降维后的所述优质特征输入全连接层；

在所述全连接层内通过激活函数对输入的所述优质特征进行激活，得到输出结果，将所述输出结果传递到下一所述全连接层；

所述全连接层的最后一层的所述输出结果为模式分类结果，作为所述识别结果。

8.根据权利要求7所述的一种轨道交通设备的大数据诊断方法，其特征在于，将各组设备信号对应的的所述识别结果进行集成，生成所述交通设备的最终诊断数据，计算公式为：

式中，为第n组对应的最后一层所述全连接层的输出，的表达式为式中，Q为健康状态数；

label表示算法识别的设备健康状态标签，MaxL(·)输出向量最大值所在的位置编号，N为所述设备信号的组的数量。