[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

权利要求书

1.一种基于深度迁移学习的地铁车辆走行部故障诊断方法，其特征在于，该方法包括以下步骤：

(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；

所述步骤(4)中，在原故障诊断模型基础上使用迁移学习算法进行改进，包括：

在CNN原始架构的第一层故障分类器Cy1后面设置领域判别器Cd，并在其间添加梯度反转层GRL；在领域判别器Cd之前的过程，与初始架构一致，即将预处理得到的目标域Dt的无量纲数据经过特征提取层Cf1、Cf2、扁平化层Cf3进行特征提取，然后在经过初步Sigmoid特征分类的连接层Cy1过程中，区分出输入的特征来自源域Ds或目标域Dt；在领域判别器Cd后面加上全连接分类器，针对Dt提取的特征进行故障分类；

所述的梯度反转层GRL包括：经过CNN提取的特征在前向传播过程中实施恒等变换，在反向传播过程中改变领域判别器Cd回传的梯度符号，实现Ds和Dt数据集训练过程中梯度方向一致，在这个过程中产生的误差为领域误差Ld；GRL的前向计算和反向传播过程表示为：

R(x)＝x，

式中I为单位矩阵，x为数据集，R(x)为CNN提取的特征正向传播过程，dR/dx为领域分类误差反向传播过程中的梯度；

所述的领域对抗模型训练是实现数据集来源领域分类损失的最大化，其中整体损失的计算转化成故障分类误差最小化和领域分类损失最大化：

式中L(*)表示整体损失函数，Ld(*)表示领域分类损失最大化函数，Ly(*)表示故障分类误差最小化函数，λ表示权衡参数，x_i为数据集中的数据，y_i为对数据进行的故障分类标签，Cf,Cy,Cd分别为特征提取器、故障分类器、领域判别器，θ_f,θ_y,θ_d分别表示Cf,Cy,Cd的参数，分别表示Cf,Cy,Cd的参数的最优值；

所述的全连接分类器包括：使用三层全连接分类器Dy作为区分器；前两层全连接分类器Dy1、Dy2为ReLu激活函数，前两层有1024层；最后一层全连接分类器Dy3为softmax分类器来计算新条件下的故障分类损失Ln；则损耗函数重新公式化为：

L＝Ly-Ld+Ln

式中L为整体损失，Ly为故障初始分类器损失，Ld为领域分类损失，Ln为故障分类损失。

2.根据权利要求1所述的基于深度迁移学习的地铁车辆走行部故障诊断方法，其特征在于，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。