【技术实现步骤摘要】
本专利技术涉及轨道车轴承故障诊断，具体涉及一种基于元学习算法的轨道交通列车轴承故障诊断方法及装置。
技术介绍
1、作为高速列车的重要组成部分之一，列车牵引电机轴承在运行过程中经常面临来自车辆转弯时产生的轴向载荷以及轮对和转向架之间产生的冲击载荷。因此，保持轴承的良好状态对于确保列车运行安全至关重要。在复杂的工作环境下，列车牵引电机轴承可能会出现多种失效形式，如磨损、刮伤、疲劳剥落、胶合和腐蚀等。如果轴承发生故障，将对旅客的生命安全和财产造成潜在威胁。因此，在实时监测列车运行过程中进行轴承故障诊断至关重要，以确保列车的安全运行。
2、早期的高速列车轴承故障诊断依赖于信号处理和机器学习方法，然而这种方法需要大量人为操作，无法很好地适应复杂动态系统中轴承振动信号。近些年来，随着人工智能的快速进步，深度学习算法已经被成功地应用于轴承故障诊断领域，并取得了显著的研究成果。然而，深度学习方法需要大量标记数据进行训练，并且容易出现过拟合问题，这会导致模型的泛化能力相对较差。
技术实现思路
1、本专利技术的目的在于提供一种基于元学习算法的轨道交通列车轴承故障诊断方法及装置，在元学习模型构建过程中引入坐标注意力模块，增强特征提取能力，在样本数量稀缺和跨域情境下实现高速列车轴承故障的准确诊断。
2、为实现上述目的，本专利技术提供了一种基于元学习算法的轨道交通列车轴承故障诊断方法，包括下列步骤：
3、步骤1：利用加速度传感器采集列车轴承振动信号；
4、步骤
5、步骤3：在编码器中对轴承信号特征进行提取，并将提取的特征输出到高维空间，通过距离函数计算预测样本和初始原型之间的距离；
6、步骤4：构建融合卷积模块和坐标注意力模块的imml网络模型；
7、步骤5：对imml模型的参数进行训练和优化，实现列车轴承故障的分类诊断。
8、可选的，步骤2的执行过程，包括下列步骤：
9、步骤2.1：采用softmax函数对轴承振动信号数据进行规范化处理，使其数值分布在0～1之间；
10、步骤2.2：将对应的轴承故障类型进行编号；
11、步骤2.3：使用n-way k-shot训练策略将经过处理的数据分为训练集和测试集，其中n代表每个诊断任务所涉及的类别数量，k表示每个类别下的样本数。
12、可选的，步骤3的执行过程，包括下列步骤：
13、步骤3.1：编码器由4个卷积块组成，每个卷积块由4个层组成，分别是：一维卷积层，批量归一化层，激活函数层和池化层；
14、步骤3.2：在支持集中计算轴承故障类别原型，表达式如下所示：
15、
16、其中，pc是支持集中类别c的原型，k是支持集的样本数，gθ是具有参数θ的编码器，xi表示输入的第i个样本；
17、步骤3.3：计算查询集中每个样本与原型之间的欧氏距离，并计算查询集中查询样本的预测概率，表达式如下所示：
18、
19、
20、其中，fdist为a到b的欧氏距离函数，n是每个episode中的类别数量；xj、yj分别表示查询集中的样本和标签。
21、可选的，构建融合卷积模块和坐标注意力模块的imml网络模型的过程，包括下列步骤：
22、步骤4.1：使用由一维卷积层、批量归一化层、relu激活函数层和最大池化层组成的卷积模块；同时引入坐标注意力模块；
23、步骤4.2：搭建完整的imml模型，将经过归一化处理的数据作为输入。
24、可选的，批量归一化层、relu激活函数和卷积块的输出的表达式如下：
25、
26、其中，xi表示输入的第i个样本，可学习的参数γ和β初始值分别设置为1和0，超参数ε＝1×10-5，均值μ(x)和方差σ(x)定义为：
27、
28、
29、其中，k表示批量大小，激活函数frelu可以定义为：
30、frelu(x)＝max(0,x)
31、则第n个卷积模块的输出可以描述为：
32、xi(n)＝fpool{frelu[fbn(fconv(xi(n-1)),fconv(x(n-1)))]}
33、其中，fpool是最大池化层，frelu是激活函数层，fbn是批量归一化层，fconv是一维卷积层。
34、可选的，所述坐标注意力模块由6个层组成，依次为最大池化层、一维卷积层、批量归一化层、relu激活函数层、一维卷积层和sigmoid激活函数层。
35、可选的，在对imml模型的参数进行训练和优化的过程中，采用交叉熵损失函数来衡量imml模型的预测值和实际值之间的差距，交叉熵损失函数如以下表达式所示：
36、
37、其中，y(i)和y(i)分别表示第i个样本的真实值和预测值，n表示样本数，损失值越小，表示方法的性能越好。
38、进一步的，本专利技术还提出了一种基于元学习算法的轨道交通列车轴承故障诊断装置，用于所述的基于元学习算法的轨道交通列车轴承故障诊断方法，包括轴承振动信号采集模块、轴承信号预处理模块、轴承信号特征提取模块和轴承故障诊断模块，所述轴承振动信号采集模块、所述轴承信号预处理模块、所述轴承信号特征提取模块和所述轴承故障诊断模块电性连接；
39、所述轴承振动信号采集模块，在轴承垂直、径向和轴向方法安装加速度传感器，采集轴承的振动信号；
40、所述轴承信号预处理模块，负责对获得的轴承振动信号进行归一化预处理，并对每组轴承状态进行编号，将经过处理的数据分为训练集和测试集，其中包括支持集和查询集；
41、所述轴承信号特征提取模块，负责将轴承振动数据输入编码器提取特征，并将提取的特征输出到高维度量空间中，通过距离函数计算预测样本与初始原型之间的距离，以微调原型；
42、所述轴承故障诊断模块，负责对目标轴承样本进行训练和验证，将训练好的样本轨道交通列车进行故障诊断，实现轨道列车轴承的故障分类。
43、本专利技术提供了一种基于元学习算法的轨道交通列车轴承故障诊断方法及装置，方法包括以下步骤：利用加速度传感器采集列车轴承振动信号；对轴承信号进行归一化预处理，将数据分为训练集和测试集，包括支持集和查询集；在编码器中提取特征，并通过距离函数微调原型以计算预测样本与初始原型之间的距离；构建融合卷积模块和坐标注意力模块的imml网络模型；使用训练集更新和优化imml网络模型参数，并对待检测的轨道列车轴承数据进行故障诊断，得到分类结果。本专利技术的方法能够有效减少噪声干扰、提取特征信息能力强、结构简单、诊断速度快且准确率高，可实现智能化轨道列车轴承故障诊断。
本文档来自技高网...【技术保护点】
1.一种基于元学习算法的轨道交通列车轴承故障诊断方法，其特征在于，包括下列步骤：
2.如权利要求1所述的基于元学习算法的轨道交通列车轴承故障诊断方法，其特征在于，
3.如权利要求2所述的基于元学习算法的轨道交通列车轴承故障诊断方法，其特征在于，
4.如权利要求3所述的基于元学习算法的轨道交通列车轴承故障诊断方法，其特征在于，
5.如权利要求4所述的基于元学习算法的轨道交通列车轴承故障诊断方法，其特征在于，
6.如权利要求5所述的基于元学习算法的轨道交通列车轴承故障诊断方法，其特征在于，
7.如权利要求6所述的基于元学习算法的轨道交通列车轴承故障诊断方法，其特征在于，
8.一种基于元学习算法的轨道交通列车轴承故障诊断装置，用于如权利要求1至7任一项中所述的基于元学习算法的轨道交通列车轴承故障诊断方法，其特征在于，
【技术特征摘要】
1.一种基于元学习算法的轨道交通列车轴承故障诊断方法，其特征在于，包括下列步骤：
2.如权利要求1所述的基于元学习算法的轨道交通列车轴承故障诊断方法，其特征在于，
3.如权利要求2所述的基于元学习算法的轨道交通列车轴承故障诊断方法，其特征在于，
4.如权利要求3所述的基于元学习算法的轨道交通列车轴承故障诊断方法，其特征在于，
5.如权利要求4所述的基于...
【专利技术属性】
技术研发人员：贺德强，钟豪，苗剑，靳震震，孙海猛，吴金鑫，徐远，邓建新，陈彦君，李先旺，付洋，
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。