一种面向列车传动系统的类脑持续学习故障诊断方法技术方案

本发明专利技术提供了一种面向列车传动系统的类脑持续学习故障诊断方法。该方法模拟了人脑神经突触的记忆与新生，设计了类突触表征结构的生长机制，以实现类脑持续学习的列车传动系统故障诊断。具体地，冻结原有特征提取分支并配合少量旧类样本示例缓解“灾难性遗忘”；同时引入新的特征提取分支，为模型提供可塑性，在多目标损失函数引导下，学习新故障特征，提升模型学习能力上限。此外，该机制集成了端到端的网络剪枝，根据任务难度而动态调整结构生长规模，缓解渐进学习过程中模型的结构化冗余问题。本发明专利技术提出的方法，可以高精度、高实时性拓展可诊断故障的边界，对提升基于深度学习的轨道车辆传动系统智能故障诊断模型的应用潜力具有重要意义。具有重要意义。具有重要意义。

【技术实现步骤摘要】
一种面向列车传动系统的类脑持续学习故障诊断方法


[0001]本专利技术属于轨道交通安全保障领域，具体涉及一种面向列车传动系统的类脑持续学习故障诊断方法。

技术介绍

[0002]轨道车辆传动系统主要包括牵引电机、齿轮箱、轮对轴箱等，起到传递牵引力实现车辆行进的重要作用。由于列车运行环境复杂多变，传动系统不可避免地发生各类故障，给轨道车辆运行带来安全风险。当前列车传动系统的检修通常以里程为依据，达到一定里程数后，对各部件进行维修和更换，这种基于经验的“定期修”往往伴随着过维修和欠维修的问题。随着多源全息感知和智能物联技术的发展，基于深度学习的智能故障诊断技术通过对监测数据的自动辨识实时发现故障，在轨道交通安全保障和智能运维领域受到青睐，引发了从传统的“定期修”到费效比更高的“按需修”的变革。然而，现有的基于深度学习的智能诊断模型在训练完成后，可诊断的故障类型便被固定，如果想增加可诊断故障类别，则需要重新训练模型。轨道车辆传动系统的部件繁多、型号各异，很难预先得到全部潜在故障类型的监测数据，而受制于计算和存储资源、数据传输等限制重新训练模型在很多工程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向列车传动系统的类脑持续学习故障诊断方法，其特征在于，包括以下步骤：1)设当前持续学习阶段s＝0，获取既有的轨道车辆传动系统故障数据集其中，表示多源传感数据，表示对应的标签，Y0表示自主学习初始阶段的轨道车辆传动系统健康状态标签集合，n0表示所包含的样本个数；构造智能诊断模型F0(x|θ0)，其中，F0(x|θ0)由卷积堆叠的表征学习子网E0(x|ξ0)和由Softmax函数激活的全连接层构造的分类子网CL0(x|ψ0)组成；θ0，ξ0，ψ0分别是F0，E0，CL0的可训练参数，且θ0＝{ξ0,ψ0}；设置损失函数训练代数t，学习率η，训练批次bs，对模型可训练参数进行如下优化：训练代数t，学习率η，训练批次bs，对模型可训练参数进行如下优化：其中，l()为指示函数，y
i
和分别是当前样本的健康状态标签和模型预测概率，c表示Y0中标签；优化流程如下：i.输入θ0、F0、损失函数训练代数t、学习率η；ii.初始化θ0iii.利用反向传播算法训练模型，基于下式将θ
0old
更新为θ
0new
，iv.重复iii直到训练代数达到t；v.得到训练完成的模型F
0*
(x|θ
0*
)，其中优化后的可训练参数为θ
0*
；优...

【专利技术属性】
技术研发人员：秦勇，王彪，丁奥，贾利民，程晓卿，田寅，赵雪军，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：