基于BIGAN的转辙机无监督故障诊断方法技术

本发明专利技术公开了一种基于BIGAN的转辙机无监督故障诊断方法，具体为：步骤1，对采集的转辙机动作功率数据进行预处理，并将预处理后的数据划分训练集和测试集；步骤2，设计BIGAN网络模型，获得编码器；步骤3，提取已数据预处理之后的测试集的数据特征向量；步骤4，将数据特征向量进行特征降维，得到低纬特征集；步骤5，选取训练集中已知的样本类别各一条数据作为标记样本，获取标记样本对应的低纬特征集，然后对低纬特征集进行聚类，聚类之后，将簇中每个标记样本的类别作为该簇的故障诊断标签，完成诊断。本发明专利技术解决了现有技术中存在传统转辙机故障诊断依赖大量标记好的数据以及故障样本少的情况和样本标签标记难的问题。

【技术实现步骤摘要】

本专利技术属于轨道交通故障诊断方法，涉及一种基于bigan的转辙机无监督故障诊断方法。

技术介绍

1、截止到2023年，中国铁路营业里程超过了15.5万公里，高铁运行速度达到了453公里。随着铁路线路覆盖范围的不断扩大和列车行驶速度的不断提升，国家对铁路关键设备的可靠性和安全性要求也不断提高。转辙机作为铁路的关键设备之一，为道岔转换提供动力和方向，势必要求时刻处于健康的工作状态。然而，由于长期暴露在室外、工作环境恶劣等因素，转辙机易出现故障。目前，实现转辙机故障诊断方法主要是对信号微机监测系统所采集的动作功率或电流曲线进行恒定阈值报警来判断。这种方式严重依赖技术人员对设备出厂时阈值设定的经验和知识，易导致故障的漏报和误报等严重情况。

2、随着传感器、互联网和人工智能技术的崛起，依靠监测数据，结合机器学习理论的智能故障诊断方法逐渐在铁路关键设备上应用，拟代替人工主导的传统方式。传统转辙机智能故障诊断方法通常依赖于大量标记好的数据，这些数据往往难以获取，尤其是在新设备上线或设备使用年限短的情况下。此外，某些罕见的故障样本可能在已有数据中极少出现，从本文档来自技高网...

【技术保护点】

1.基于BIGAN的转辙机无监督故障诊断方法，其特征在于，具体按照如下步骤实施：步骤1对采集的转辙机动作功率数据进行预处理，所述数据预处理包含有数据的补零、裁剪和数据归一化，并将预处理后的数据划分训练集和测试集；步骤2，设计、初始化和训练BIGAN网络模型，获得一个具有特征提取能力的编码器；步骤3，使用步骤2获得的编码器提取已数据预处理之后的测试集的数据特征向量；步骤4，将步骤3提取的数据特征向量采用t-SNE降维技术进行特征降维，得到低纬特征集；步骤5，选取训练集中已知的样本类别各一条数据作为标记样本，根据步骤3和步骤4获取标记样本对应的低纬特征集，采用高斯混合模型GMM对步骤4获得的...

【技术特征摘要】

1.基于bigan的转辙机无监督故障诊断方法，其特征在于，具体按照如下步骤实施：步骤1对采集的转辙机动作功率数据进行预处理，所述数据预处理包含有数据的补零、裁剪和数据归一化，并将预处理后的数据划分训练集和测试集；步骤2，设计、初始化和训练bigan网络模型，获得一个具有特征提取能力的编码器；步骤3，使用步骤2获得的编码器提取已数据预处理之后的测试集的数据特征向量；步骤4，将步骤3提取的数据特征向量采用t-sne降维技术进行特征降维，得到低纬特征集；步骤5，选取训练集中已知的样本类别各一条数据作为标记样本，根据步骤3和步骤4获取标记样本对应的低纬特征集，采用高斯混合模型gmm对步骤4获得的低纬特征集和标记样本对应的低纬特征集进行聚类，聚类之后，将簇中每个标记样本的类别作为该簇的故障诊断标签，完成诊断。

2.根据权利要求1所述的基于bigan的转辙机无监督故障诊断方法，其特征在于，所述步骤1中的数据预处理具体为：

3.根据权利要求2所述的基于bigan的转辙机无监督故障诊断方法，其特征在于，所述步骤1中将预处理后的数据集为划分训练集和测试集其中a和b分别为训练集和测试集的数据个数，满足datatrain∈data且datatest∈data。

4....

【专利技术属性】
技术研发人员：黑新宏，李梦阳，姬文江，金永泽，童新宇，费蓉，邱原，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：