【技术实现步骤摘要】
本申请涉及高速列车转向架数据处理领域，尤其涉及一种高速列车转向架故障识别及模型训练方法、装置。
技术介绍
1、随着深度学习技术的发展，通过神经网络识别高速列车转向架故障的研究越来越多。现有研究，首先采集不同故障场景下的大量训练数据，并根据采集的训练数据，对神经网络进行训练，从而识别不同类型的故障。然而上述方法仅仅适用于典型故障的识别，当需要识别特殊类型的故障时，往往会因为训练数据量过小，从而导致训练获取的神经网络出现过拟合现象。
2、为了解决上述问题，现有技术通过数字孪生技术，搭建可以准确模拟高速列车转向架的运行状态的数字孪生模型，从而模拟特殊故障场景，获取大量模拟数据作为训练数据。虽然获取的模拟数据能够作为训练数据，对神经网络模型进行训练。然而在单一固有属性基础上修正的数值模型所计算得到的时域振动数据与实际测试数据未必具备良好的一致性，使得数字孪生模型难以有效服务于转向架故障识别的研究应用中。
3、因此，高速列车转向架在特殊故障场景下，由于训练数据稀疏导致后续训练获取的模型精确度低的问题，成为当前需要解决的技术
【技术保护点】
1.一种高速列车转向架故障识别模型训练方法，其特征在于，包括：
2.如权利要求1所述的一种高速列车转向架故障识别模型训练方法，其特征在于，所述基于跨域信号相似准则，对所述数字孪生模型的第一参数进行优化，包括：
3.如权利要求2所述的一种高速列车转向架故障识别模型训练方法，其特征在于，所述以最小化所述高速列车转向架的模拟域加速度信号与实测域加速度信号的相似度构建优化目标函数，包括：
4.如权利要求3所述的一种高速列车转向架故障识别模型训练方法，其特征在于，所述计算所述高速列车转向架中各预设节点处的模拟域加速度信号与实测域加速度信号的相
...【技术特征摘要】
1.一种高速列车转向架故障识别模型训练方法，其特征在于，包括：
2.如权利要求1所述的一种高速列车转向架故障识别模型训练方法，其特征在于，所述基于跨域信号相似准则，对所述数字孪生模型的第一参数进行优化，包括：
3.如权利要求2所述的一种高速列车转向架故障识别模型训练方法，其特征在于，所述以最小化所述高速列车转向架的模拟域加速度信号与实测域加速度信号的相似度构建优化目标函数，包括：
4.如权利要求3所述的一种高速列车转向架故障识别模型训练方法，其特征在于，所述计算所述高速列车转向架中各预设节点处的模拟域加速度信号与实测域加速度信号的相似度，包括：
5.如权利要求3所述的一种高速列车转向架故障识别模型训练方法，其特征在于，所述根据各预设节点对应的权重值以及所述相似度，构建所述优化目标函数，包括：
6.如权利要求1所述的一种高速列车转向架故障识别模型训练方法，其特征在于，所述依次根据所有所述模拟数据以及所有所述实测数据，训练预设的迁移学习网络模型，包括：
7.如权利要求1所述的一种高速列车转向架故障识别模型训练方法，其特征在于，所有所述实测数据以及所有所述模拟数据，均包含高速列车转向架故障标签。
8.一种高速列车转向架故障识别方法，其特征在于，包括：
9.一种高速列车转向架故障识别模型训练装置，其特征在于，包括：数...
【专利技术属性】
技术研发人员：杨建辉，赵清瑄，蒲脯林，李毅为，
申请(专利权)人：兰州交通大学，
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。