[发明专利]一种基于域对抗迁移学习的电磁阀故障诊断方法及系统

权利要求书

1.一种基于域对抗迁移学习的电磁阀故障诊断方法，其特征在于，包括如下步骤：

S1：从列车均衡模块不同故障类型的电磁阀中提取电磁阀实际运行压力时间序列；

S2：从均衡风缸控制系统试验台中，通过参数调节模拟电磁阀的不同故障类型，采集离线试验台测试电磁阀压力时间序列；

S3：将列车均衡模块运行分为快速充风、稳定充风、快速排风、稳定排风四个阶段，分阶段提取缓解、制动的压力时间序列，得到电磁阀故障诊断特征；

S4：提取快速充排风阶段和稳定充排风阶段的多个不同的时间差和压力差特征；

S5：基于证据理论分析特征重要度，通过特征冲突消解，得到对于电磁阀故障诊断相关度更高的特征；

S6：融合离线均衡模块试验台压力时间序列和实际运行故障压力时间序列，用于解决实际运行数据故障标签缺乏的问题，所提取的充排风电磁阀动作频率作为一组训练数据；

S7：以训练数据和电磁阀故障类型分别作为故障诊断模型的输入和输出，训练迁移学习模型，得到电磁阀的故障诊断结果；

S8：重复S4～S7，反向传播域对抗分类器参数和故障分类器参数，得到最终的故障分类器模型；

S9：获取待测电磁阀所在的真实列车均衡模块的总分缸、均衡风缸和列车管压力时间序列，按照域对抗训练的方法获取源域和目标域中具有共性的特征，输入到S8中的故障分类器中，获得最终的电磁阀故障诊断结果。

2.根据权利要求1所述的一种基于域对抗迁移学习的电磁阀故障诊断方法，其特征在于，所述步骤S2中，电磁阀故障诊断类型包括：电磁阀正常、充风电磁阀泄露故障、排风电磁阀泄露故障、弹簧老化、橡胶圈故障。

3.根据权利要求1所述的一种基于域对抗迁移学习的电磁阀故障诊断方法，其特征在于，所述步骤S4中，提取快速充排风和稳定充排风阶段的压力特征值包括时间差和压力差具体为：

时间差特征：基于压力曲线阶段划分的结果，将列车控制模块关键部件均衡风缸、列车管、预控风缸和制动缸的压力变化在快速排风阶段、稳定排风阶段、快速充风阶段和稳定充风阶段四个阶段所经历的时间作为制动机故障诊断的时间差特征；

压力差特征分别为：均衡风缸压力目标值与均衡风缸压力的差值，均衡风缸压力与列车管压力的差值，预控风缸压力目标值与预控风缸压力的差值和预控风缸压力与制动缸压力的差值，对这四组压力差进行初始特征提取，构建多维制动机状态特征。

4.根据权利要求1所述的一种基于域对抗迁移学习的电磁阀故障诊断方法，其特征在于，所述步骤S5中，采用证据理论对特征进行重要性分析，得到对电磁阀故障诊断敏感的数据特征，进一步包括：

A1：设定特征辩论框架Φ＝{θ₁,θ₂,…θ_N}，定义映射函数m，用以表示所选特征的被接受程度，且

m(φ)＝0

式中φ表示该观点不在辩论框架内，m(A)表示论点A的基本概率分配值，描述了对于观点A的被接受程度，即证据，若m(A)＞0，则称A为焦元；

A2：在辩论框架Φ上，计算所选特征的信任度函数Beli(A)和似然函数P_Beli(A)，得到对应的信任区间[Beli(A),P_Beli(A)]，对于论点A

式中A表示论点A的对抗集；

A3：对于所选特征，经过其它论点的证据融合，得到最终的故障诊断特征

式中为冲突因子，反映论点B_A和C_A的证据冲突。

5.根据权利要求1所述的一种基于域对抗迁移学习的电磁阀故障诊断方法，其特征在于，所述步骤S7中，通过域对抗迁移学习方法，实现从试验台数据到实际运行数据的迁移；进一步包括：

B1：计算测试台不同源域数据集对于目标域的信息散度，选择信息散度最小的源域作为域对抗迁移学习模型的部分输入；

B2：特征生成器用于生成混合样本集中样本的关键特征，故障分类器根据关键特征识别故障；

B3：域分类器对特征空间的数据进行分类，分出数据来自哪个域；

B4：故障分类器对输入的特征进行诊断，给出最终的故障诊断结果。