[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

说明书

本发明公开了一种基于域对抗迁移学习的电磁阀故障诊断方法及系统。所述方法包括：搭建均衡风缸控制系统试验台，利用离线测试数据集对机车的在线运行数据进行补充，基于信息散度筛选离线测试数据作为源域，将源域数据和实际运行的目标域数据进行混合，作为电磁阀故障诊断方法的输入；根据制动机压力输出曲线的周期特性，分阶段提取压力特征值，并通过证据理论得到更高重要度的故障诊断特征；以训练数据和对应的故障类型分别作为输入和输出数据，对诊断模型进行训练得到故障分类器模型；将待测电磁阀压力时间序列的特征输入故障分类器中，获得最终的电磁阀故障诊断结果。本发明能够有效地提高电磁阀的故障诊断准确度。

技术领域

本发明属于列车制动系统电磁阀故障诊断技术领域，尤其涉及一种基于域对抗迁移学习的电磁阀故障诊断方法及系统。

背景技术

制动机是一个由多模块组成，工作部件繁多，工作模式复杂的系统，其中任何一个部件发生故障，都可能会影响到整个系统的工作。根据分布式制动机的组成结构和工作原理分析，可将制动系统的故障按层次分为两大类：信号层和物理层。经过统计列车实际运行过程中记录的故障数据，物理层故障主要包括阀类故障、传感器故障、缸管类故障等，信号层故障主要包括处理器故障、网络传输故障等。通常来说，关键部件的故障诊断具有更重要的意义。

对制动机关键部件进行故障诊断，需要对故障类型、故障位置甚至故障程度进行诊断分析，辅助提出维修决策，恢复制动机的正常运行，提高制动机运行的安全性。制动机部件存在复杂的耦合关系，很难构建精确的机理模型，导致基于机理模型的制动机故障诊断准确性不高。由于分布式制动机模块之间的冗余备份功能，使得在机车运行过程中采集到的部件故障数据极为缺乏，影响了数据驱动诊断方法的有效性。

现有一些基于迁移学习的故障诊断专利如中国专利公开号为CN111860677A，公布日为2020年10月30日，发明名称为“一种基于部分域对抗的滚动轴承迁移学习故障诊断方法”，该发明提出了源域样本加权后再进行域分类的策略，提升了样本域自适应能力，解决了滚动轴承在目标域进行无监督标签预测的问题。中国专利公开号为CN115144747A，公布日为2022年10月4日，发明名称为“一种基于对抗迁移学习的多工况电机故障诊断方法及系统”，该发明依据卷积神经网络作为特征提取器提取特征，并加入局部域判别器实现多工况的电机故障诊断。在故障诊断应用上，现有的电磁阀故障诊断方法过度依赖于实际的故障运行数据；在故障诊断方法上，现有的对抗迁移学习故障诊断专利主要集中在对源域和目标域样本的进一步挑选，缺乏对于诊断特征的进一步处理，没有提取出对于电磁阀故障诊断相关度大的特征，导致诊断精度不足。

发明内容

为了解决现有技术存在的上述技术问题，本发明提供一种基于域对抗迁移学习的电磁阀故障诊断方法及系统。利用迁移学习对在线故障数据量要求不大的特点，本发明以制动模块内的电磁阀为主要诊断对象，通过离线测试数据和所采集机车运行时的压力时间序列训练出能准确判断制动机模块故障的诊断模型，提高了电磁阀的故障诊断准确度。

本发明解决上述技术问题的技术方案是：一种基于域对抗迁移学习的电磁阀故障诊断方法，包括如下步骤：

S1：从真实列车均衡模块中不同故障类型的电磁阀，提取实际运行电磁阀压力时间序列，；

S2：通过参数调节模拟电磁阀的不同故障类型，从均衡风缸控制系统试验台中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、制动的电磁阀相关压力时间序列，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；