[发明专利]一种列车运行状态检测数据缺失处理模型及重建的方法

说明书

本发明公开了一种列车运行状态检测数据缺失处理模型及重建的方法，通过构建全新的变分自编码‑生成对抗语义融合网络(VAE‑FGAN)用于对缺失数据进行重建，首先在编码器引入GRU模块，对数据底层特征与高层特征进行融合，使得VAE‑FGAN以无监督的训练形式学习量测数据之间相关性；其次在整个生成网络中引入SE‑NET注意力机制以提升增加特征提取网络对数据特征的表达；最后通过迁移学习与预训练达到参数共享。本发明不仅能保持较高的重建精度，重建数据也能很好的符合量测数据的分布规律，解决了现有技术模型在针对处理高速列车运行过程中部分故障运维数据极少或缺失时的模型泛化能力差、训练不稳定的问题。

技术领域

本发明涉及数据缺失重建技术领域，更具体地，涉及一种列车运行状态检测数据缺失处理模型及重建的方法。

背景技术

高速列车在交通运输体系起到重要作用，其在运行中的安全保障不容出现差错。高速列车的线路常常会遇到山区、隧道等多种多样的复杂环境，会出现网络故障、传输中断、谐波干扰等现象，导致监测数据中存在大量数据缺失情况，无法得到缺失数据段的相关故障特征信息，使后期的多源信息融合造成较大的误差，不利于故障的判定。现有的EM算法、KNN算法这些传统方法都无法较好的模拟高速列车中复杂的数据特征与不同设备之间的相关性。

近年来，提出的生成对抗网络十分热门，202011072927.8一种基于生成对抗网络高速列车量测数据缺失重建的方法公开了基于生成对抗网络高速列车量测数据缺失重建的方法，但是这些模型训练高速列车离散数据时难以保证从随机噪声中产生与原始数据分布的样本，并且难以达到纳什均衡，导致梯度消失。其次，深度学习技术需要依赖大规模、高质量的完整数据来训练深度网络结构。而在实际的高速列车运行的过程中产生的有用数据少之又少，这样很难保证深度学习模型的泛化能力，迁移学习可以保证不同数据下学习的特征与参数共享，有效的解决高速列车小样本运维数据难以训练深度网络模型的问题。

发明内容

本发明要解决的技术问题是针对高速列车运行过程中，部分故障运维数据极少，遇到复杂多变的工况导致运维量测数据缺失，而现有的生成模型处理小样本数据重建问题，模型泛化能力差、训练不稳定的的不足，提供一种小样本数据下迁移生成对抗网络的高速列车量测缺失数据处理模型，解决高速列车量测小样本缺失数据较多带来的重建不准确的问题。

本发明解决的另一技术问题是提供列车运行状态检测数据缺失的重建方法。

本发明的目的通过以下技术方案予以实现：

一种列车运行状态检测数据缺失处理模型，包括数据采集模块、数据预处理模块、变分自编码-生成对抗语义融合网络(VAE-FGAN)模块、迁移学习参数共享模块、数据缺失部分重建模块；所述数据采集模块将数据传输至数据预处理模块，数据预处理模块将处理好的数据传输至变分自编码-生成对抗语义融合网络(VAE-FGAN)模块，变分自编码-生成对抗语义融合网络(VAE-FGAN)模块生成样本并将数据传输至迁移学习参数共享模块得到缺失数据，迁移学习参数共享模块将所得的缺失数据输送至数据缺失部分重建模块进行合理插补，输出完整数据结果。

进一步地，所述数据采集模块包括电流传感器、电压传感器、温度传感器、湿度传感器、位移传感器和电频传感器的一种或多种。

进一步地，步骤S2中所述变分自编码-生成对抗语义融合网络(VAE-FGAN)包括编码器E、生成器G和判别器D；所述编码器E捕获的数据特征信息，并由生成器G生成新样本，判别器D判断生成数据的真伪的同时，并对数据进行分类处理。

进一步地，所述编码器E引入GRU网络模块，利用GRU网络在学习数据特征有着独有的优势，提高编码器E获取数据深层语义的能力，增加了生成数据的质量。

进一步地，所述编码器E与生成器G分别还设有注意力机制SE-NET，用一个权重来表示每个通道在下一阶段的重要性。