[发明专利]一种基于元学习的小样本转辙机故障智能诊断方法

说明书

本发明提供了一种基于元学习的小样本转辙机故障智能诊断方法，该方法包括：采集并预处理小样本的转辙机动作电流或功率数据；构建以贝叶斯学习算法为训练框架且包括元学习器和基础学习器的小样本转辙机故障诊断模型；利用元训练集训练小样本转辙机故障诊断模型，得到优化的元学习器参数分布；对基础学习器参数进行调整，得到训练好的小样本转辙机故障诊断模型；将待诊断的转辙机动作电流或功率数据输入至训练好的小样本转辙机故障诊断模型，得到故障诊断结果。本发明从小样本模型角度解决了转辙机故障数据少且类别不均衡给故障诊断带来的问题，且具备多种型号转辙机间的迁移诊断能力，为转辙机智能故障诊断提供了一种新的技术方案。

技术领域

本发明属于铁路转辙机故障诊断领域，尤其涉及一种基于元学习的小样本转辙机故障智能诊断方法。

背景技术

转辙机作为转换道岔的关键设备，其工作状态的及时诊断对铁路行车安全和运输效率至关重要。现有的转辙机故障诊断方法可分为基于传统机器学习方法和基于深度学习方法两大类。

1.传统机器学习方法：提取微机监测系统采集的转辙机动作电流(或功率)数据的时域、频域、时频域等多种特征，并对该高维特征进行降维后输入如支持向量机、隐马尔科夫模型等传统机器学习模型中进行故障诊断。该故障检测方法所用模型简单但表征能力不强，在特征提取时较大程度地依赖人工经验，在多分类问题上表现欠佳。

2.深度学习方法：近年来，有较多研究使用表征能力较强的深度神经网络模型进行转辙机故障诊断。然而深度神经网络在增强模型表征能力的同时引入了大量的可训练模型参数，这就要求必须有足够多的有标签数据对模型进行训练。然而转辙机作为高可靠高安全等级的信号设备，故障样本少且存在故障类别不均衡现象，影响了上述方法的实际应用效果。虽有研究使用生成对抗网络等生成模型对小样本不均衡数据扩充后再进行故障诊断，但该类方法是从数据角度出发，通过数据增强方式克服小样本故障诊断问题，需要进行额外的样本扩充预处理工作且生成样本的质量对模型诊断效果有一定影响。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于元学习的小样本转辙机故障智能诊断方法，从小样本模型角度解决了转辙机故障数据少且类别不均衡给故障诊断带来的问题。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种基于元学习的小样本转辙机故障智能诊断方法包括以下步骤：

S1、采集小样本的转辙机动作电流或功率数据；

S2、对采集数据进行预处理；

S3、若是训练小样本转辙机故障诊断模型，则利用预处理后的数据生成元学习任务，并划分元训练集和元测试集，并进入步骤S4，若对预处理后的数据进行故障诊断，则进入步骤S7；

S4、构建以贝叶斯学习算法为训练框架且包括元学习器和基础学习器的小样本转辙机故障诊断模型；

S5、利用元训练集训练小样本转辙机故障诊断模型，得到优化的元学习器参数分布；

S6、基于优化的元学习器参数分布，对基础学习器参数进行调整，得到训练好的小样本转辙机故障诊断模型；

S7、将待诊断的转辙机动作电流或功率数据输入至训练好的小样本转辙机故障诊断模型，得到故障诊断结果。

本发明的有益效果是：本发明通过采集小样本数据，并对其进行预处理，利用经预处理后的生成元学习任务，构建并训练小样本转辙机故障诊断模型。本发明从小样本模型角度解决了转辙机现场故障数据少且类别不均衡给故障诊断带来的问题，且具备多种型号转辙机间的迁移诊断能力，为转辙机智能故障诊断提供了一种新的技术方案。

进一步地，所述步骤S3中利用预处理后的数据生成元学习任务，并划分元训练集和元测试集，其具体为：