一种基于循环生成对抗网络的牵引控制系统故障场景生成方法技术方案

本发明专利技术提供一种基于循环生成对抗网络的牵引控制系统故障场景生成方法，包括：获取故障数据集X

【技术实现步骤摘要】
一种基于循环生成对抗网络的牵引控制系统故障场景生成方法


[0001]本专利技术涉及列车故障场景生成
，尤其是一种基于循环生成对抗网络的牵引控制系统故障场景生成方法。

技术介绍

[0002]高速列车自问世以来，以高运量、低时耗的特点，颠覆了传统铁路的低效率。牵引控制系统(TCS)作为动车组的动力来源，对高速列车的安全运行至关重要。随着高速列车的长期运行，TCS中各部件的性能会出现不同程度的退化，从而导致高速列车的故障和安全隐患。
[0003]近年来，基于数据驱动的故障检测与诊断(FDD)以其独特的优势在TCS安全运行中得到广泛应用。
[0004]但是，这种方法需要大量的历史数据。尤其对于退化的故障、微弱的故障、瞬态的故障等，在高速列车实际运行中很难获取。虽然这些故障数据在仿真实验中很容易获得，但是由于复杂的运行环境和多变的运行条件，仿真得到的故障数据与实际运行故障数据仍有一些差异。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供一种基于循环生成对抗网络的牵引控制系统故障场景生成方法，本专利技术构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环生成对抗网络的牵引控制系统故障场景生成方法，其特征在于，包括以下步骤：S1)、分别制作仿真得到的故障数据集X
f
和运行现场的故障数据集Y
f
，并按照一定比例将数据集划分为训练集和测试集；S2)、确定网络的输入和输出，构建基于CycleGAN的故障场景生成模型，其中，所述的故障场景生成模型包括2个对称的网络GAN1和GAN2，且所述的网络GAN1和GAN2分别包括两个生成器G和F和两个判别器D
X
和D
Y
，设计故障场景生成模型的损失函数；S3)、设置生成器G和F和两个判别器D
X
和D
Y
的参数并将预处理后的故障信号训练集输入故障场景生成模型中进行训练；S4)、将随机抽取故障信号测试集的样本输入训练的故障场景生成模型中进行测试，输出得到生成的故障信号。2.根据权利要求1所述的一种基于循环生成对抗网络的牵引控制系统故障场景生成方法，其特征在于：步骤S1)中，将仿真得到的故障数据集X
f
和运行现场的故障数据集Y
f
在[
‑
1，1]之间进行归一化处理，加快训练网络的收敛性，处理后得到的一维实向量为：1]之间进行归一化处理，加快训练网络的收敛性，处理后得到的一维实向量为：式中：分别表示数据集X
f
，Y
f
中第i个信号；和分别表示信号和的第1，
…
，n维的信号幅值；m，n表示数据集X
f
，Y
f
中样本数据的数目；d表示信号的维度。3.根据权利要求2所述的一种基于循环生成对抗网络的牵引控制系统故障场景生成方法，其特征在于：步骤S2)中，所述的网络的输入为信号x
f
和y
f
，输出为分别生成的现场运行故障信号和仿真故障信号4.根据权利要求1所述的一种基于循环生成对抗网络的牵引控制系统故障场景生成方法，其特征在于：步骤S2)中，所述的两个生成器G和F分别完成从故障信号样本空间X
f
到故障信号样本空间Y的映射与逆映射，所述的判别器D
X
用于分辨真实的模拟故障信号与生成的模拟故障信号信号；所述的判别器D
Y
用于分辨真实的运行中的故障信号与生成的运行中的故障信号，且两个生成器G和F采用多层感知机的结构，两个判别器D
X
和D
Y
采用深度自编码器的结构。5.根据权利要求1所述的一种基于循环生成对抗网络的牵引控制系统故障场景生成方法，其特征在于：步骤S2)中，所述的损失函数采用最小二乘损失的对抗性损失、采用L1范数的循环一致性损失和恒等映射损失；其中，所述的对抗性损失loss
GAN1
，loss
GAN2
分别表示为：分别表示为：
所述的循环一致性损失loss
cyc
(G，F)表示为：所述的恒等映射损失loss
identity1
，loss
identity2
表示为：表示为：其中，E代表期望，代表Y
f
的分布，生成器G代表X
f
到Y
f
的映射关系，判别器D
Y
用于判别它的输入样本是否来自于Y
f
的真实样本，生成器F代表Y
f
到X
f
的映射关系，判别器D
X
用于判别它的输入样本是否来自于X
f
的真实样本，‖
·
‖1代表L1范数。6.根据权利要求5所述的一种基于循环生成对抗网络的牵引控制系统故障场景生成方法，其特征在于：步骤S2)中，所述的中生成器G的损失函数loss
G
表示为：所述的生成器F的损失函数loss
F
表示为：所述的判别器D
Y
的损失函...

【专利技术属性】
技术研发人员：杨笑悦，张森，肖蒙，王文宪，成利刚，贾莉，吴开信，吕秋霞，
申请(专利权)人：五邑大学，
类型：发明
国别省市：