基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法技术

本发明专利技术公开了一种基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法，包括以下步骤：采集轨道车辆走行部的传感数据，并保存在数据库中；建立结构学习模型和生成式对抗网络模型，将结构学习模型和生成式对抗网络模型的结果叠加作为健康基线数据；获取目标时段内轨道车辆走行部的传感数据作为实时监测数据，根据实时监测数据和对应的健康基线数据计算实时偏差；计算目标时段中所有实时偏差的平均误差，若平均误差大于预设的报警阈值，判断出现异常。本发明专利技术能够对于轨道车辆走行部结构特征进行精确的机理分析，实现异常检测的动态实时跟踪。态实时跟踪。态实时跟踪。

【技术实现步骤摘要】
基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法


[0001]本专利技术涉及故障检测领域，尤其涉及一种基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法。

技术介绍

[0002]走行部是现代轨道车辆核心系统，已经成为高度复杂的机电设备，其运行过程依赖于机械、热力学、机电、电子和计算机等多领域设备的协调运行，同时具有运行环境复杂、服役时间长等显著特点。因此，利用蓬勃发展的机器学习和大数据技术，实现走行部在线故障检测和预测，从而提高轨道车辆安全性和出勤率，已经成为轨道交通装备技术发展的关键趋势。
[0003]走行部故障通常通过轴箱轴承温度进行监测。目前温度传感器已得到广泛部署，一般轨道车辆每轴配置8个传感器，其中2个分别放置于轮轴两端以感知环境温度，剩下的6个传感器均匀布置于轮轴两段的2个轴承上，分别部署在轴承的左上方、上方和右上方。由于轮轴故障时一般轴温出现飞跃式变化，因此，直接根据温度阈值难以提前发现故障，通常需要进行一定的机理分析建立故障检测和预测模型。但是，走行部集成了多种机电部件，来源极为多样化，精确的机理分析难以实施。

技术实现思路

[0004]本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法，学习轨道车辆走行部结构特征作为健康基线，支持在线实时异常检测。
[0005]为解决上述技术问题，本专利技术提出的技术方案为：
[0006]一种基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法，包括以下步骤：
[0007]采集轨道车辆走行部的传感数据，并保存在数据库中；
[0008]建立结构学习模型和生成式对抗网络模型，对所述结构学习模型训练时根据FFX算法和Deap算法筛选最优模型并进行简化，简化后的最优模型根据数据库的历史数据预测目标时段的传感数据，生成式对抗网络模型根据目标时段的传感数据预测值和实际值生成目标时段的数据序列，将结构学习模型和生成式对抗网络模型的结果叠加作为健康基线数据；
[0009]获取目标时段内轨道车辆走行部的传感数据作为实时监测数据，根据实时监测数据和对应的健康基线数据计算实时偏差；
[0010]计算目标时段中所有实时偏差的平均误差，若平均误差大于预设的报警阈值，判断出现异常。
[0011]进一步的，建立结构学习模型的具体步骤包括：
[0012]设定运算子集合P作为基函数集合Ψ的初始值，将因变量X作为操作数，以及对应的目标变量y作为评估指标计算的参考；
[0013]从基函数集合Ψ选择目标基函数作为运算子或操作数，并将其加入到当前基函数集合中，重复本步骤，直到当前基函数集合的大小和质量达到预设的迭代触发阈值；
[0014]对当前基函数集合与模型参数进行融合得到当前模型，用当前模型根据因变量对目标变量进行估计，通过计算目标变量的估计值和实际值的误差学习模型参数；
[0015]通过模型评价指标对当前模型的质量进行评价，若当前模型的质量不满足要求则返回设定运算子集合P作为基函数集合Ψ的初始值的步骤，或者返回从基函数集合Ψ选择目标基函数作为运算子或操作数的步骤，若当前模型的质量满足要求则输出当前模型。
[0016]进一步的，当前模型的表达式如下：
[0017][0018]上式中，i＝1，...，n
b
，为目标变量估计值，X为因变量，为x1到xm的合并矩阵Ψ
i
为当前基函数集合，ai为Ψ
i
中各基函数的系数，b为偏移量，nb表示基函数集合个数，m为输入数据维数，x1到x
m
分别表示m个观测变量，即m个传感器的传感数据。
[0019]进一步的，所述模型评价指标具体包括：
[0020]模型优化目标：以最小化目标变量的估计值和实际值的误差平方和为优化目标，即准确性因子；
[0021]模型泛化性：用准确性因子和复杂度因子度量模型准确率和模型复杂度，使用模型复杂度作为模型的约束，与准确性因子进行约束求解，同时保证模型的准确性和泛化性。
[0022]进一步的，所述准确性因子表达式如下：
[0023][0024]上式中，RMSE是标准的均方根误差，ti为采样点t的第i个时刻，y
ti
为采样点t的第i个时刻的目标变量观测量，为采样点t的第i个时刻的目标变量估计量，n为目标变量y向量的大小。
[0025]所述复杂度因子由基函数个数表示，表达式如下：
[0026][0027]上式中，X为因变量，为x1到xm的合并矩阵，ai为基函数集合Ψ
i
中各基函数的系数，b为偏移量，nb表示基函数集合个数，f(X)为结构学习模型。
[0028]进一步的，用准确性因子和复杂度因子度量模型准确率和模型复杂度时对两者进行平衡，表达式如下：
[0029]L＝RMSE+λC，λ∈[0，1][0030]上式中，RMSE为准确性因子，C为复杂度因子，λ为准确性和复杂度之间的平衡因子。
[0031]进一步的，对所述结构学习模型训练时根据FFX算法和Deap算法筛选最优模型并进行简化的具体步骤包括：
[0032]生成基函数集；
[0033]识别最优基函数并使用路径规整学习进行参数学习；
[0034]根据最小化错误率和复杂度过滤冗余候选函数，得到最优模型集，将最优模型集作为种群；
[0035]根据遗传算法，对所述种群繁殖产生子孙候选集，并进行突变和交叉操作；
[0036]对子孙候选集进行评估，根据评估结果选择优秀子孙构成种群并返回上一步，直到种群收敛，输出种群对应的最优模型集。
[0037]进一步的，所述生成式对抗网络的生成器包括微分方程生成器，微分方程生成器表达式如下：
[0038][0039]其中，t∈[0，1]，生成G由多个子网络组成，每个子网络学习特定波形的动态特征，系统状态h＝y
‑
y^，y为目标变量实际观测值，且y^为目标变量估计值，z为随机噪音，θ
G
为生成式对抗网络的网络参数。
[0040]进一步的，所述生成式对抗网络的生成器包括微分方程求解器，公式如下：
[0041]h
t+1
＝ODETimeStep(h
t
，Δ，G(h
t
，t，z；θ
G
))
[0042]其中，t∈[0，1]，生成器G由多个子网络组成，每个子网络学习特定波形的动态特征，h
t
为生成样本，Δ为步长。
[0043]进一步的，所述生成式对抗网络模型的判别器使用RNN分类进行判断。
[0044]与现有技术相比，本专利技术的优点在于：
[0045]本专利技术建立结构学习模型和生成式对抗网络模型，能够将学习到的系统结构特征作为健康基线，并且对模型进行择优和简化，在实时异常检测过程中，利用结构学习模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法，其特征在于，包括以下步骤：采集轨道车辆走行部的传感数据，并保存在数据库中；建立结构学习模型和生成式对抗网络模型，对所述结构学习模型训练时根据FFX算法和Deap算法筛选最优模型并进行简化，简化后的最优模型根据数据库的历史数据预测目标时段的传感数据，生成式对抗网络模型根据目标时段的传感数据预测值和实际值生成目标时段的数据序列，将结构学习模型和生成式对抗网络模型的结果叠加作为健康基线数据；获取目标时段内轨道车辆走行部的传感数据作为实时监测数据，根据实时监测数据和对应的健康基线数据计算实时偏差；计算目标时段中所有实时偏差的平均误差，若平均误差大于预设的报警阈值，判断出现异常。2.根据权利要求1所述的基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法，其特征在于，建立结构学习模型的具体步骤包括：设定运算子集合P作为基函数集合Ψ的初始值，将因变量X作为操作数，以及对应的目标变量y作为评估指标计算的参考；从基函数集合Ψ选择目标基函数作为运算子或操作数，并将其加入到当前基函数集合中，重复本步骤，直到当前基函数集合的大小和质量达到预设的迭代触发阈值；对当前基函数集合与模型参数进行融合得到当前模型，用当前模型根据因变量对目标变量进行估计，通过计算目标变量的估计值和实际值的误差学习模型参数；通过模型评价指标对当前模型的质量进行评价，若当前模型的质量不满足要求则返回设定运算子集合P作为基函数集合Ψ的初始值的步骤，或者返回从基函数集合Ψ选择目标基函数作为运算子或操作数的步骤，若当前模型的质量满足要求则输出当前模型。3.根据权利要求2所述的基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法，其特征在于，当前模型的表达式如下：上式中，i＝1,...,n
b
，为目标变量估计值，X为因变量，为x1到xm的合并矩阵，Ψ
i
为当前基函数集合，ai为Ψ
i
中各基函数的系数，b为偏移量，nb表示基函数集合个数，m为输入数据维数，x1到x
m
分别表示m个观测变量，即m个传感器的传感数据。4.根据权利要求2所述的基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法，其特征在于，所述模型评价指标具体包括：模型优化目标：以最小化目标变量的估计值和实际值的误差平方和为优化目标，即准确性因子模型泛化性：用准确性因子和复杂度因子度量模型准确率和模型复杂度，使用模型复杂度作为模型的约束，与准确性因子进行约束求解，同时保证模型的准确性和泛化性。5.根据权利要求4所述的基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法，其特征在于，所述准确性因子表达式如下：<...

【专利技术属性】
技术研发人员：邓仰东，肖罡，倪宇飞，万可谦，黄凡玲，刘小兰，杨钦文，
申请(专利权)人：江西科骏实业有限公司，
类型：发明
国别省市：