[发明专利]一种基于深度学习的轨交系统故障诊断方法

权利要求书

1.一种基于深度学习的轨交系统故障诊断方法，其特征在于：包括，

整合轨交数据并进行归一化预处理；

对预处理后的所述轨交数据进行特征提取；

调整所述轨交数据的分布形成数据集，并建立循环神经网络模型；

将所述数据集输入至所述循环神经网络模型中进行训练，并输出符合要求的所述数据集；

利用通过训练的所述数据集进行轨交系统故障的诊断。

2.根据权利要求1所述的基于深度学习的轨交系统故障诊断方法，其特征在于：整合所述轨交数据并进行归一化预处理包括，

获取不同来源、不同特征的所述轨交数据；

依据各项所述轨交数据对应的选取特征值依次进行缩减预处理，获取缩减后的各项所述轨交数据；

依次对缩减后的各项所述轨交数据进行归一化处理。

3.根据权利要求2所述的基于深度学习的轨交系统故障诊断方法，其特征在于：依据如下公式对所述轨交数据进行缩减预处理，获取缩减后的各项所述轨交数据，

其中，t为获取的所述轨交数据，t＇为缩减后的各项所述轨交数据，δ为各项所述轨交数据t对应的选取特征值。

4.根据权利要求1～3任一项所述的基于深度学习的轨交系统故障诊断方法，其特征在于：对预处理后的所述轨交数据进行特征提取时的提取参考量为，

其中，δ＇为进行特征提取时的提取参考量，δ为各项所述轨交数据t对应的选取特征值。

5.根据权利要求4所述的基于深度学习的轨交系统故障诊断方法，其特征在于：调整所述轨交数据的分布包括，

建立拓扑结构，并将提取的特征输入至所述拓扑结构中；

确定参考序列；

获取提取的不同特征之间的综合关联度；

将数据依照特征之间综合关联度从低到高外环式排列；

形成平衡化数据集。

6.根据权利要求5所述的基于深度学习的轨交系统故障诊断方法，其特征在于：定义所述提取参考量最小为参考序列。

7.根据权利要求1～3或5或6任一项所述的基于深度学习的轨交系统故障诊断方法，其特征在于：将所述数据集输入至所述循环神经网络模型中进行训练，并输出符合要求的所述数据集后验证并调整所述循环神经网络模型的超参数。

8.根据权利要求7所述的基于深度学习的轨交系统故障诊断方法，其特征在于：所述循环神经网络模型函数式为，

E＝t′·∑P·H(δ)

其中，t＇为缩减后的各项所述轨交数据，δ为各项所述轨交数据t对应的选取特征值，t为所述轨交数据，P为所述综合关联度函数值，H为各项所述轨交数据t对应的选取特征值δ函数值，E为所述循环神经网络模型输出量。

9.根据权利要求8所述的基于深度学习的轨交系统故障诊断方法，其特征在于：当所述循环神经网络模型E值输出量大于对应的t＇时，定义所述数据集中对应的数据通过所述循环神经网络模型的训练，符合要求。