一种基于域对抗迁移学习的电磁阀故障诊断方法及系统技术方案

本发明专利技术公开了一种基于域对抗迁移学习的电磁阀故障诊断方法及系统。所述方法包括：搭建均衡风缸控制系统试验台，利用离线测试数据集对机车的在线运行数据进行补充，基于信息散度筛选离线测试数据作为源域，将源域数据和实际运行的目标域数据进行混合，作为电磁阀故障诊断方法的输入；根据制动机压力输出曲线的周期特性，分阶段提取压力特征值，并通过证据理论得到更高重要度的故障诊断特征；以训练数据和对应的故障类型分别作为输入和输出数据，对诊断模型进行训练得到故障分类器模型；将待测电磁阀压力时间序列的特征输入故障分类器中，获得最终的电磁阀故障诊断结果。本发明专利技术能够有效地提高电磁阀的故障诊断准确度。效地提高电磁阀的故障诊断准确度。效地提高电磁阀的故障诊断准确度。

【技术实现步骤摘要】
一种基于域对抗迁移学习的电磁阀故障诊断方法及系统


[0001]本专利技术属于列车制动系统电磁阀故障诊断
，尤其涉及一种基于域对抗迁移学习的电磁阀故障诊断方法及系统。

技术介绍

[0002]制动机是一个由多模块组成，工作部件繁多，工作模式复杂的系统，其中任何一个部件发生故障，都可能会影响到整个系统的工作。根据分布式制动机的组成结构和工作原理分析，可将制动系统的故障按层次分为两大类：信号层和物理层。经过统计列车实际运行过程中记录的故障数据，物理层故障主要包括阀类故障、传感器故障、缸管类故障等，信号层故障主要包括处理器故障、网络传输故障等。通常来说，关键部件的故障诊断具有更重要的意义。
[0003]对制动机关键部件进行故障诊断，需要对故障类型、故障位置甚至故障程度进行诊断分析，辅助提出维修决策，恢复制动机的正常运行，提高制动机运行的安全性。制动机部件存在复杂的耦合关系，很难构建精确的机理模型，导致基于机理模型的制动机故障诊断准确性不高。由于分布式制动机模块之间的冗余备份功能，使得在机车运行过程中采集到的部件故障数据极为缺乏，影响了数据驱动诊断方法的有效性。
[0004]现有一些基于迁移学习的故障诊断专利如中国专利公开号为CN111860677A，公布日为2020年10月30日，专利技术名称为“一种基于部分域对抗的滚动轴承迁移学习故障诊断方法”，该专利技术提出了源域样本加权后再进行域分类的策略，提升了样本域自适应能力，解决了滚动轴承在目标域进行无监督标签预测的问题。中国专利公开号为CN115144747A，公布日为2022年10月4日，专利技术名称为“一种基于对抗迁移学习的多工况电机故障诊断方法及系统”，该专利技术依据卷积神经网络作为特征提取器提取特征，并加入局部域判别器实现多工况的电机故障诊断。在故障诊断应用上，现有的电磁阀故障诊断方法过度依赖于实际的故障运行数据；在故障诊断方法上，现有的对抗迁移学习故障诊断专利主要集中在对源域和目标域样本的进一步挑选，缺乏对于诊断特征的进一步处理，没有提取出对于电磁阀故障诊断相关度大的特征，导致诊断精度不足。

技术实现思路

[0005]为了解决现有技术存在的上述技术问题，本专利技术提供一种基于域对抗迁移学习的电磁阀故障诊断方法及系统。利用迁移学习对在线故障数据量要求不大的特点，本专利技术以制动模块内的电磁阀为主要诊断对象，通过离线测试数据和所采集机车运行时的压力时间序列训练出能准确判断制动机模块故障的诊断模型，提高了电磁阀的故障诊断准确度。
[0006]本专利技术解决上述技术问题的技术方案是：一种基于域对抗迁移学习的电磁阀故障诊断方法，包括如下步骤：
[0007]S1：从真实列车均衡模块中不同故障类型的电磁阀，提取实际运行电磁阀压力时间序列，；
[0008]S2：通过参数调节模拟电磁阀的不同故障类型，从均衡风缸控制系统试验台中采集离线试验台测试电磁阀压力时间序列；
[0009]S3：将列车均衡模块运行分为快速充风、稳定充风、快速排风、稳定排风四个阶段，分阶段提取缓解、制动的电磁阀相关压力时间序列，得到电磁阀故障诊断特征；
[0010]S4：提取快速充排风阶段和稳定充排风阶段的多个不同的时间差和压力差特征；
[0011]S5：基于证据理论分析特征重要度，通过特征冲突消解，得到对于电磁阀故障诊断相关度更高的特征；
[0012]S6：融合离线均衡模块试验台压力时间序列和实际运行故障数据，用于解决实际运行数据故障标签缺乏的问题，所提取的充排风电磁阀动作频率作为一组训练数据；
[0013]S7：以训练数据和电磁阀故障类型分别作为故障诊断模型的输入和输出，训练迁移学习模型，得到电磁阀的故障诊断结果；
[0014]S8：重复S4～S7，反向传播域对抗分类器参数和故障分类器参数，得到最终的故障分类器模型；
[0015]S9：获取待测电磁阀所在的真实列车均衡模块的总风缸、均衡风缸和列车管压力时间序列，按照域对抗训练的方法获取源域和目标域中具有共性的特征，输入到S8中的故障分类器中，获得最终的电磁阀故障诊断结果。
[0016]在本专利技术所述步骤S2中，电磁阀故障诊断类型包括：电磁阀正常、充风电磁阀泄露故障、排风电磁阀泄露故障、弹簧老化、橡胶圈故障。
[0017]在本专利技术所述步骤S4中，提取快速充排风和稳定充排风阶段的压力特征值包括时间差和压力差。
[0018]时间差特征：基于压力曲线阶段划分的结果，将列车控制模块关键部件均衡风缸、列车管、预控风缸和制动缸的压力变化在快速排风阶段、稳定排风阶段、快速充风阶段和稳定充风阶段四个阶段所经历的时间作为制动机故障诊断的时间差特征。
[0019]压力差特征：考虑到关键部件压力值之间具有跟随特性，不同部件的压力跟随情况可以反映制动机的故障类型。因此，四组具有跟随特性的部件之间的压力差数据，分别为：均衡风缸压力目标值与均衡风缸压力的差值，均衡风缸压力与列车管压力的差值，预控风缸压力目标值与预控风缸压力的差值和预控风缸压力与制动缸压力的差值。根据阶段划分的结果，对这四组压力差进行初始特征提取，构建多维制动机状态特征。
[0020]在本专利技术所述步骤S5中，采用证据理论对特征进行重要性分析，得到对电磁阀故障诊断敏感的数据特征。进一步包括：
[0021]A1：设定特征辩论框架Φ＝{θ1,θ2,
…
θ
N
}，定义映射函数m，用以表示所选特征的被接受程度，且
[0022]m(φ)＝0
[0023][0024]式中φ表示该观点不在辩论框架内，m(A)表示论点A的基本概率分配值，描述了对于观点A的被接受程度，即证据，若m(A)＞0，则称A为焦元；
[0025]A2：在辩论框架Φ上，计算所选特征的信任度函数Beli(A)和似然函数P
Beli
(A)，得到对应的信任区间[Beli(A),P
Beli
(A)]，对于论点A
[0026][0027][0028]式中表示论点A的对抗集；
[0029]A3：对于所选特征，经过其它论点的证据融合，得到最终的故障诊断特征
[0030][0031][0032]式中为冲突因子，反映论点B
A
和C
A
的证据冲突。
[0033]在本专利技术所述步骤S7中，通过域对抗迁移学习方法，实现从试验台数据到实际运行数据的迁移，进一步包括：
[0034]B1：计算测试台不同源域数据集对于目标域的信息散度，选择信息散度最小的源域作为域对抗迁移学习模型的部分输入；
[0035]B2：特征生成器用于生成混合样本集中样本的关键特征，故障分类器根据关键特征识别故障；
[0036]B3：域分类器对特征空间的数据进行分类，分出数据来自哪个域；
[0037]B4：故障分类器对输入的特征进行诊断，给出最终的故障诊断结果。
[0038]本专利技术所设计的特征生成器和域分类器采用全连接神经网络，所设计的故障本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于域对抗迁移学习的电磁阀故障诊断方法，其特征在于，包括如下步骤：S1：从列车均衡模块不同故障类型的电磁阀中提取电磁阀实际运行压力时间序列；S2：从均衡风缸控制系统试验台中，通过参数调节模拟电磁阀的不同故障类型，采集离线试验台测试电磁阀压力时间序列；S3：将列车均衡模块运行分为快速充风、稳定充风、快速排风、稳定排风四个阶段，分阶段提取缓解、制动的压力时间序列，得到电磁阀故障诊断特征；S4：提取快速充排风阶段和稳定充排风阶段的多个不同的时间差和压力差特征；S5：基于证据理论分析特征重要度，通过特征冲突消解，得到对于电磁阀故障诊断相关度更高的特征；S6：融合离线均衡模块试验台压力时间序列和实际运行故障压力时间序列，用于解决实际运行数据故障标签缺乏的问题，所提取的充排风电磁阀动作频率作为一组训练数据；S7：以训练数据和电磁阀故障类型分别作为故障诊断模型的输入和输出，训练迁移学习模型，得到电磁阀的故障诊断结果；S8：重复S4～S7，反向传播域对抗分类器参数和故障分类器参数，得到最终的故障分类器模型；S9：获取待测电磁阀所在的真实列车均衡模块的总分缸、均衡风缸和列车管压力时间序列，按照域对抗训练的方法获取源域和目标域中具有共性的特征，输入到S8中的故障分类器中，获得最终的电磁阀故障诊断结果。2.根据权利要求1所述的一种基于域对抗迁移学习的电磁阀故障诊断方法，其特征在于，所述步骤S2中，电磁阀故障诊断类型包括：电磁阀正常、充风电磁阀泄露故障、排风电磁阀泄露故障、弹簧老化、橡胶圈故障。3.根据权利要求1所述的一种基于域对抗迁移学习的电磁阀故障诊断方法，其特征在于，所述步骤S4中，提取快速充排风和稳定充排风阶段的压力特征值包括时间差和压力差具体为：时间差特征：基于压力曲线阶段划分的结果，将列车控制模块关键部件均衡风缸、列车管、预控风缸和制动缸的压力变化在快速排风阶段、稳定排风阶段、快速充风阶段和稳定充风阶段四个阶段所经历的时间作为制动机故障诊断的时间差特征；压力差特征分别为：均衡风缸压力目标值与均衡风缸压力的差值，均衡风缸压力与列车管压力的差值，预控风缸压力目标值与预控风缸压力的差值和预控风缸压力与制动缸压力的差值，对这四组压力差进行初始特征提取，构建多维制动机状态特征。4.根据权利要求1所述的一种基于域对抗迁移学习的电磁阀故障诊断方法，其特征在于，所述步骤S5中，采用证据理论对特征进行重要性分析，得到对电磁阀故障诊断敏感的数据特征，进一步包括：A1：设定特征辩论框架Φ＝{θ1,θ2,
…
θ
N
}，定义映射函数m，用以表示所选特征的被接受程度，且m(φ)＝0式中φ表示该观点不在辩论框架内，m(A)表示论点A的基本概率分配值，描述了对于观
点A的被接受程度，即证...

【专利技术属性】
技术研发人员：刘伟荣，荣介奇，杨迎泽，李恒，张晓勇，黄志武，蒋富，彭军，高凯，李烁，陈彬，彭辉，张瑞，
申请(专利权)人：中南大学，
类型：发明
国别省市：