【技术实现步骤摘要】
本专利技术属于高速列车故障诊断方法，涉及一种基于双模态编码和剪枝的高速列车车轴故障诊断方法。
技术介绍
1、随着近年来高铁建设的推进，高铁路网的覆盖范围不断扩大。目前，中国已经建成了世界上最大规模的高铁网络，连接了主要的城市和地区，形成了较为完善的高铁线路网络，人们可以方便地乘坐高铁，实现城市之间的快速出行。而滚动轴承是高速列车运行的重要组成部分，高速列车运行速度快，一旦发生滚动轴承故障，会导致列车失控、脱轨等严重事故，威胁人身安全；通过对滚动轴承故障的诊断和分析，设计及时高效的故障诊断方法可以积累大量的故障数据和经验方法，为列车的运行维护提供参考和借鉴，可以提前发现和解决潜在问题，保障列车运行的安全性，优化维修策略，延长滚动轴承的使用寿命，提高整个列车系统的可靠性和可维护性。
2、目前国内外有基于传感器数据的车轴故障诊断方法，通过对车轴传感器数据进行分析和处理，提取特征并建立故障诊断模型；基于机器学习的车轴故障诊断方法，利用机器学习算法，如支持向量机、神经网络等，对车轴故障进行分类和诊断，可以实现较高的诊断准确率；基于故障模式识别的车轴故障诊断方法，通过建立故障模式库，利用模式匹配的方法对车轴故障进行识别和诊断；基于振动信号的车轴故障诊断方法，通过对车轴振动信号进行分析和处理，提取特征并建立故障诊断模型；基于声音信号的车轴故障诊断方法，通过对车轴声音信号进行分析和处理，提取特征并建立故障诊断模型；基于图像识别的车轴故障诊断方法，通过对车轴外观图像进行分析和处理，提取特征并建立故障诊断模型。以上现有研究方法都能够一定
3、但现有高速列车故障诊断模型缺乏对车轴故障相关特征的捕捉和考虑，导致模型无法捕捉车轴故障的特征，从而影响诊断的准确性；另外也存在模型在训练阶段过度拟合特定的数据集，导致在实际应用中无法泛化到新的数据，那么模型在实际使用时将无法准确诊断车轴故障；现有的模型相对复杂，导致模型难以解释和理解，在实际应用中的可信度和可操作性降低，同时现有的模型需要较长的时间来进行车轴故障诊断，这在高速列车运行会导致列车延误和其它问题。
技术实现思路
1、本专利技术的目的是提供一种基于双模态编码和剪枝的高速列车车轴故障诊断方法，解决了现有技术中存在的缺乏对车轴故障相关特征的捕捉和考虑，导致模型无法捕捉车轴故障的特征，从而影响诊断的准确性的问题。
2、本专利技术所采用的技术方案是，基于双模态编码和剪枝的高速列车车轴故障诊断方法，具体按照如下步骤实施：
3、步骤1，对高速列车车轴振动信号进行采集和记录；
4、步骤2，将步骤1采集到的高速列车车轴振动信号集进行均衡处理；
5、步骤3，将步骤2均衡处理后的高速列车车轴振动信号通过奇异谱分析方法进行信号分解和去噪；
6、步骤4，通过lttb降维拟合算法对经过步骤3处理的高速列车车轴振动信号进行压缩和降维，并对降维后的高速列车车轴振动信号进行滑窗截取，获得截取后的高速列车车轴振动信号；
7、步骤5，采用双模态融合的编码方法对步骤4获得高速列车车轴振动信号进行整合，获得拼接图像；
8、步骤6，将步骤5获得的拼接图像通过laplace方法进行图像增强；
9、步骤7，使用基于剪枝后的botnet网络模型将经步骤6增强的图像进行分类。
10、本专利技术的特征还在于，
11、步骤1中采用车轴振动信号采集仪对对高速列车车轴振动信号进行采集。
12、步骤2具体为：
13、步骤2.1，建立回归树模型
14、高速列车车轴振动信号γ由r秒内车轴振动的时间状态特征量组成，其中，xr表示车轴第r秒时间状态的高速列车车轴振动信号变量，yr表示第r秒时间状态的车轴振动时频域输出数据，即单位时间时频域值，r∈(1，2，3，...，r)，则所采集到的高速列车车轴振动信号集表示为：
15、γ＝{(x1，y1)，(x2，y2)，...，(xr，yr)} (1)
16、将所采集到的高速列车车轴振动信号γ划分为z个子空间τ1(r，yr)，τ2(r，yr)，...，τz(r，yr)，τ1(r，yr)∪τ2(r，yr)∪...∪τz(r，yr)＝γ，其中，τz(r，y)表示第z个子空间，z∈(1，2，3，...，z)，则：
17、τz(r，yr)＝{(xr，yr)|xr∈τz(r，yr)} (2)
18、计算每个子空间内车轴振动时频域输出数据yr的平均值pz：
19、
20、其中，|τz|表示第z个子空间中所包含的高速列车车轴振动信号所记录的时间秒数；
21、则回归树模型表示为：
22、
23、其中，e(xr∈τz(r，yr))为指示函数，当xr∈τz(r，yr)空间时返回1，反之返回0；
24、步骤2.2，构建决策树模型
25、将回归树模型表示为：
26、
27、其中，t(xr；ρ)表示回归决策树模型，ρ表示该回归决策树模型的平方损失函数参数，平方损失函数参数ρ按照如下方式计算：
28、然后遍历子空间τz(r，yr)中的每一个xr求解平方损失函数参数ρ：
29、
30、z表示决策树的个数，决策树的个数与步骤2.1划分的子空间的个数相等，则第z个车轴振动信号子空间中车轴振动数据序列xr的决策树模型表示为：
31、fz(xr)＝fz-1(xr)+t(xr；ρ) (7)
32、其中，fz-1表示第z-1个高速列车车轴振动信号子空间中车轴振动数据序列xr的决策树模型；
33、计算在第z个高速列车车轴振动信号子空间的振动信号样本xr中，使得回归决策树模型t对应损失函数最小的参数ρz：
34、
35、其中，l(*)表示损失函数，按照如下公式计算：
36、l(yr，f(xr))＝yr-f(xr) (9)
37、其中，f(xr)表示高速列车车轴振动信号序列xr的回归树模型；
38、计算偏导数
39、
40、使用最小二乘法对ρz进行更新，得到更新后的ρz记为ρ′z：
41、
42、对公式(7)的决策树模型更新参数，得到最终的决策树模型：
43、fz(xr)＝fz-1(xr)+t(xr；ρ′z) (12)
44、然后按照上述公式依次接着迭代z-1次参数ρ′z，最终迭代结束后的参数表示为经过z次迭代的决策树模型表示为f(xr)：
45、
46、步骤2.3，利用决策树模型对步骤1采集的车轴振动信号数据集γ进行均衡处理，均衡处理后车轴振动信号数据集表示为γ′：
47、γ′＝{(x1，f(x1))，(x2，f(x2))，...，(xr，f(xr))} (1本文档来自技高网...
【技术保护点】
1.基于双模态编码和剪枝的高速列车车轴故障诊断方法，其特征在于，具体按照如下步骤实施：
2.根据权利要求1所述的基于双模态编码和剪枝的高速列车车轴故障诊断方法，其特征在于，所述步骤1中采用车轴振动信号采集仪对对高速列车车轴振动信号进行采集。
3.根据权利要求1所述的基于双模态编码和剪枝的高速列车车轴故障诊断方法，其特征在于，所述步骤2具体为：
4.根据权利要求3所述的基于双模态编码和剪枝的高速列车车轴故障诊断方法，其特征在于，所述步骤3具体为：
5.根据权利要求4所述的基于双模态编码和剪枝的高速列车车轴故障诊断方法，其特征在于，所述步骤4具体按照如下步骤实施：
6.根据权利要求5所述的基于双模态编码和剪枝的高速列车车轴故障诊断方法，其特征在于，所述步骤4.1中选择出数据点a点具体选择过程为：
7.根据权利要求6所述的基于双模态编码和剪枝的高速列车车轴故障诊断方法，其特征在于，所述步骤5具体为：
8.根据权利要求7所述的基于双模态编码和剪枝的高速列车车轴故障诊断方法，其特征在于，所述步骤6具体为：<...
【技术特征摘要】
1.基于双模态编码和剪枝的高速列车车轴故障诊断方法，其特征在于，具体按照如下步骤实施：
2.根据权利要求1所述的基于双模态编码和剪枝的高速列车车轴故障诊断方法，其特征在于，所述步骤1中采用车轴振动信号采集仪对对高速列车车轴振动信号进行采集。
3.根据权利要求1所述的基于双模态编码和剪枝的高速列车车轴故障诊断方法，其特征在于，所述步骤2具体为：
4.根据权利要求3所述的基于双模态编码和剪枝的高速列车车轴故障诊断方法，其特征在于，所述步骤3具体为：
5.根据权利要求4所述的基于双模态编码和剪枝的高速列车车...
【专利技术属性】
技术研发人员：马维纲，王菁，祁嘉奇，于亚萍，胡登方，张朝辉，李卓莹，康一坤，
申请(专利权)人：西安理工大学，
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。