[发明专利]一种轨道交通设备故障诊断方法

权利要求书

1.一种轨道交通设备故障诊断方法，其特征在于，包括：

基于目标轨道交通设备的运行信号，利用基于所述目标轨道交通设备的典型故障输入输出信号训练获取的神经网络故障诊断模型，获取故障诊断结果或者预测结果。

2.根据权利要求1所述的方法，其特征在于，在基于所述目标轨道交通设备的运行信号，获取所述故障诊断结果或者预测结果的步骤之前，还包括：

基于所述目标轨道交通设备的所有特征量信号采集点和所有典型故障类型，构建初始神经网络模型；

提取所述目标轨道交通设备的振动信号频谱中的待诊断故障样本，以每种故障类型对应的各频段上的谱峰能量值作为故障特征量，形成训练样本；

利用所述训练样本训练所述初始神经网络模型，获取所述神经网络故障诊断模型。

3.根据权利要求1或2所述的方法，其特征在于，所述运行信号为设备振动信号的频谱向量，所述设备振动信号的频谱向量表示设备的振动信号在不同波段上的相对能量。

4.根据权利要求3所述的方法，其特征在于，所述神经网络故障诊断模型采用RBF神经网络，所述RBF神经网络为单隐层RBF神经网络，所述RBF神经网络的隐层单元的转移函数是关于中心对称的径向基函数。

5.根据权利要求4所述的方法，其特征在于，所述RBF神经网络的单隐层的神经元传递函数采用S型正切函数tansig，输出层的神经元函数采用S型函数logsig。

6.根据权利要求4所述的方法，其特征在于，在基于所述目标轨道交通设备的运行信号，获取所述故障诊断结果或者预测结果的步骤之前，还包括：

读取所述目标轨道交通设备的振动信号，并将所述振动信号与其对应的故障或正常标签作为振动时序数据；

对所述振动时序数据进行L2正则化处理，并将处理结果填充至矩阵中，形成矩阵组；

对所述矩阵组进行初次卷积处理，并利用激活函数对初次卷积结果进行激活；

对激活后的初次卷积结果进行下采样，并对下采样结果进行再次卷积处理，压缩所述振动时序数据的时间维度。

7.根据权利要求6所述的方法，其特征在于，还包括：

将压缩后的所述振动时序数据输入所述RBF神经网络，经所述RBF神经网络的全连接层对整个网络进行细微特征提取；

经过softmax层对网络输出进行处理，将网络输出定为故障与正常及二者的可能概率。

8.根据权利要求7所述的方法，其特征在于，还包括：

利用给定误差公式，对照所述RBF神经网络输出的可能概率与所述标签，获取诊断误差；

利用链式法则，获取每一权重对整体误差的影响比率，并按给定限值公式限制学习效率；

基于所述诊断误差、所述每一权重对整体误差的影响比率和限制后的所述学习效率，通过反向传播对所述RBF神经网络的权重进行修正，直至所有权重达到收敛。