【技术实现步骤摘要】
一种道岔转辙机小样本故障诊断方法及装置
[0001]本专利技术属于道岔转辙机智能诊断
，尤其是设计一种道岔转辙机小样本故障诊断方法及装置
。
技术介绍
[0002]信号系统是一个复杂的控制系统，包括许多机械设备和软件
。
这些设备和软件协同工作，使得列车能够安全
、
高效地运行
。
由于信号系统的复杂性和特殊性，一个小故障可能会造成重大安全事故
。
一些研究表明，道岔转辙机故障约占信号系统总故障的
40
％
。
转辙机是重要的信号基础设备，通过转换尖轨的方向控制列车的运行方向
。
然而，转辙机在恶劣的工作环境下发生一些故障，严重威胁了列车的安全运行
。
因此，为了确保列车安全运行，研究转辙机故障诊断技术显得尤为重要
。
[0003]目前我国城市轨道交通的道岔转辙机运行维护管理采用传统的运维模式实现维护支持
。
然而，传统的运维模式因为监测手段的落后和诊断模型的残缺，导致无法提供更准确的转辙机状态信息和更精准的故障识别
。
此外，由于在实际场景中难以获取大量的故障数据，难以满足现有转辙机故障诊断方法对足够标记数据的需求，从而导致诊断精度低
、
泛化性能差
。
元学习可作为一种有效的手段解决转辙机故障数据少导致深度学习模型泛化性能差的问题，然而仍存在原型在不同的迭代中变化较大的局限性
。>因此，为了在转辙机故障稀缺的实际场景下提高行车效率和安全性，急需道岔转辙故障诊断方法来实现实时的状态监测和高效
、
精准地进行故障识别
。
技术实现思路
[0004]本专利技术的目的在于：提供了一种道岔转辙机小样本故障诊断方法及装置，用以解决现有技术中监测手段落后和故障数据稀缺导致故障识别精度低和模型泛化性能差的问题
。
为了实现上述目的，本专利技术采用以下的方法和装置：
[0005]根据专利技术提供的一种道岔转辙机小样本故障诊断方法，包括以下步骤：
[0006]S01
：通过道岔转辙机采集模块采集转换过程的振动数据，所述的振动数据为竖直方向的振动数据信号，传感器安装在转辙机动作杆的末端上，所述竖直方向振动数据信号类型包括转辙机正常状态数据和故障状态数据；
[0007]S02
：将采集的转辙机振动数据划分为支持集
S
和查询集
Q
，所述支持集
S
中包含有标签样本和无标签样本；
[0008]S03
：将转辙机的支持集和查询集数据输入到双尺度神经网络
(DSNN)
模型中分别提取深层和浅层特征，并将提取的深层和浅层特征以向量的形式输出到特征度量空间；
[0009]S04
：在特征度量空间中，通过使用半监督加权原型更新策略，计算所述支持集
S
中每种状态下有标签样本特征向量的平均值作为原型，并计算每种状态下无标签样本特征向量与原型之间的平方欧氏距离并进行加权，实现对原型的位置进行微调，再计算不同原型相互之间的平方欧氏距离并进行加权以扩大原型相互之间的距离，从而提高了半监督原型
网络的稳定性和区分能力；
[0010]S05
：使用支持集数据训练和优化半监督加权原型网络
(SSWPN)
模型，然后将查询集数据输入到训练好的半监督加权原型网络
(SSWPN)
模型中，若半监督加权原型网络
(SSWPN)
模型在查询集上能够识别出不同的类别，具体表现为良好的准确率
、
稳定性和泛化性，则可以用于实现道岔转辙机小样本故障诊断
。
将优化好的
SSWPN
作为模式识别算法用于道岔转辙机小样本故障诊断，并对待诊断的道岔转辙机小样本数据进行诊断，得到转辙机故障分类结果；本专利技术使用真实场景中故障稀缺的数据，提高了故障诊断识别精度和模型的泛化性能，可以实现道岔转辙机的小样本故障诊断，为跨设备和小样本故障诊断提供理论依据
。
[0011]上述方案进一步优选的，所述步骤
S02
中，对转辙机的振动数据划分支持集
S
和查询集
Q
，具体包括以下子步骤：
[0012]S0201
：对振动数据进行标记，所述的振动数据包括5种类型，即振动数据包括1种道岔转辙机正常状态数据和4种故障状态数据，以转辙机定位向反位运动过程为例，正常状态的标签为0，动作杠断裂故障状态的标签为1，卡阻故障状态的标签为2，卡缺口故障状态的标签为3，多次操岔状态的标签为4；每种类型包含有
50
个样本；在每种类型中取
20
个样本作为支持集，剩余
30
个样本作为查询集；
[0013]S0202
：在支持集中每次取1个样本或者5个样本进行训练；此外，在支持集中每次取5个样本作为无标签样本校正原型中心；
[0014]上述方案进一步优选的，所述步骤
S03
中，提取转辙机中的深层和浅层特征具体包括以下子步骤：
[0015]S0301
：所述的支持集和查询集中的振动数据经过卷积核大小为1×1的卷积层进行卷积操作，得到特征图，再将特征图输入卷积核大小为1×1的卷积层中使其通道数扩大至2倍，并将通道数扩大后的特征平均划分为两组相同通道的特征
。
[0016]S0302
：将第一组的特征输入卷积核大小为3×1的卷积层中捕捉特征的深层关系，将第二组的特征输入卷积核大小为1×1的卷积层中捕捉特征的浅层关系，再分别用有效通道注意力机制学习两组特征内部的关联性
。
[0017]S0303
：将两组特征进行通道融合并经过卷积核大小为1×1的卷积层进行降维，从而增强特征在不同尺度中的表达能力和提取能力
。
[0018]S0304
：将特征图和
S0303
降维后的特征进行相加，提高
DSNN
模型的特征保全能力，然后经过最大池化层和全连接层得到具有判别类型属性信息的特征向量，并输出到高维度量空间中，便于原型网络对特征向量进行有效度量
。
[0019]上述方案进一步优选的，所述步骤
S04
中，原型微调和更新过程具体包括以下子步骤：
[0020]S0401
：本专利技术利用无标签数据对支持集的原型位置进行微调，此时无标签数据也被视为支持集的一部分，且支持集
S
被重新定义为：
[0021][0022]其中，
∪
表示并集符号，具体指的是将符号左边集合和右边集合的样本合并，
L
表示有标签数据集，
U
表示无标签数据集，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种道岔转辙机小样本故障诊断方法，其特征在于：所述诊断方法包括以下步骤：
S01
：采集道岔转辙机转换过程的振动数据，所述振动数据包括道岔转辙机正常状态数据和故障状态数据；
S02
：将采集的振动数据划分为支持集
S
和查询集
Q
，所述支持集
S
中包含有标签样本和无标签样本；
S03
：将支持集
S
和查询集
Q
输入到双尺度神经网络模型中分别提取深层特征和浅层特征，并将提取的深层特征和浅层特征以向量的形式输出到特征度量空间，形成特征向量；
S04
：在特征度量空间中，通过使用半监督加权原型更新策略计算支持集
S
中每种状态下有标签样本特征向量的平均值作为原型，计算每种状态下无标签样本特征向量与原型之间的平方欧氏距离并进行加权，再计算不同原型相互之间的平方欧氏距离并进行加权；
S05
：使用支持集数据训练和优化半监督加权原型网络模型，然后将查询集数据输入到训练好的半监督加权原型网络模型中，若半监督加权原型网络模型在查询集上识别出不同的类别，实现道岔转辙机小样本故障诊断
。2.
根据权利要求1所述的一种道岔转辙机小样本故障诊断方法，其特征在于：在所述步骤
S02
中，对转辙机的振动数据划分为支持集
S
和查询集
Q
，具体包括以下子步骤：
S0201
：对振动数据进行标记，所述振动数据包括5种类型，每种类型包含有
50
个样本，在每种类型中取
20
个样本作为支持集，剩余
30
个样本作为查询集；
S0202
：在支持集中每次取1个样本或者5个样本进行训练；以及在支持集中每次取5个样本作为无标签样本校正原型位置
。3.
根据权利要求1所述的一种道岔转辙机小样本故障诊断方法，其特征在于：在所述步骤
S03
中，提取转辙机中的深层和浅层特征具体包括以下子步骤：
S0301
：所述的支持集和查询集中的振动数据经过卷积核大小为1×1的卷积层进行卷积操作，得到特征图，再将特征图输入卷积核大小为1×1的卷积层中使其通道数扩大至2倍，并将通道数扩大后的特征图平均划分为两组；
S0302
：将第一组的特征输入卷积核大小为3×1的卷积层中捕捉特征的深层关系，将第二组的特征输入卷积核大小为1×1的卷积层中捕捉特征的浅层关系，分别用有效通道注意力机制学习两组特征内部的关联性；
S0303
：将两组特征进行通道融合并经过卷积核大小为1×1的卷积层进行降维，从而增强特征在不同尺度中的表达能力和提取能力；
S0304
：将
S0301
中进行卷积操作得到的特征图与步骤
S0303
降维后的特征进行相加，然后经过最大池化层和全连接层得到具有判别类型属性信息的特征向量
。4.
根据权利要求1所述的一种道岔转辙机小样本故障诊断方法，其特征在于：在所述步骤
S04
中，原型的微调和更新过程具体包括以下子步骤：
S0401
：利用无标签数据对支持集的原型位置进行微调，此时无标签数据也被视为支持集的一部分，且支持集
S
被重新定义为：其中，
∪
表示并集符号，具体指的是将符号左边集合和右边集合的样本合并，
L
表示有标签数据集，
U
表示无标签数据集，
x
n,i
表示第
n
类中的第
i
个样本，
K
L
表示支持集中有标签数
据的样本数量，
K
U
表示支持集中无标签数据的样本数量，
N
表示类型总个数，半监督加权原型网络模型利用支持集
S
中的有标签数据集
L
【专利技术属性】
技术研发人员：贺德强，劳振鹏，刘旗扬，韦泽贤，陈彦君，刘琪，吴金鑫，钟豪，李先旺，
申请(专利权)人：广西大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。