噪声影响下变工况的高速列车制动闸片健康状态监测系统及构建方法技术方案

本发明专利技术公开一种噪声影响下变工况的高速列车制动闸片健康状态监测系统及构建方法，其包括输入层，用于对接收的制动闸片信号进行预处理；特征提取模块，用于对经输入层得到的制动闸片信号进行特征提取；IAM混合模块，包括若干并行设置的提取单元，用于分别对特征提取模块提取的特征进行再提取，并将各提取单元提取的特征进行拼接；分类器，用于依据IAM混合模块输出的拼接结果进行分类，确定的制动闸片故障类型。本发明专利技术通过IAM模块能够学习所提取特征的多个域不变表征并对齐，通过所提出的损失函数减小源域与目标域之间的距离，实现源域与目标域之间的迁移，从而能够在噪声影响及变工况下更好的实现对制动闸片监控状态监测。下更好的实现对制动闸片监控状态监测。下更好的实现对制动闸片监控状态监测。

【技术实现步骤摘要】
噪声影响下变工况的高速列车制动闸片健康状态监测系统及构建方法


[0001]本专利技术属于轨道交通
，涉及高速列车制动闸片监测，尤其涉及噪声影响下变工况的高速列车制动闸片健康状态监测技术。

技术介绍

[0002]盘式制动器是高速列车制动系统的重要组成部分，主要通过制动闸片与制动盘之间的摩擦实现，其性能变化与列车的服役安全紧密联系。制动闸片上摩擦块的健康状态对高速列车的制动性能有着重要影响。摩擦块损伤会导致制动闸片寿命减少、制动盘损耗加快甚至危及列车的行车安全。高速列车的制动过程中，随着摩擦块所处工况的不断变化，采集的制动摩擦信号会出现数据分布差异，实现未知工况的制动闸片状态监测有重要意义。同时车体振动、电磁信号等干扰因素产生的噪声信号为制动闸片的特征提取与状态识别带来巨大挑战。
[0003]近年来，利用大数据驱动的深度学习算法在制动状态监测领域得到了应用，其通过采集的大量标记数据训练诊断模型，进而实现状态的有效识别。Liu等提出了一种基于多维特征融合和集成学习的重载列车制动系统状态监测模型.通过主成分分析和特征融合，消除了重要特征集的冗余信息，提高了故障识别率和训练效率(Multidimensional Feature Fusion and Ensemble Learning
‑
Based Fault Diagnosis for the Braking System of Heavy
‑
Haul Train，LIU Z,ZHANG M,LIU F,et al.[J].Ieee Transactions on Industrial Informatics,2021,17(1):41
‑
51)。Hu等应用子领域泛化的方法，对制动闸片中不同偏磨状态的摩擦块实现状态监测(Deep subdomain generalisation network for health monitoring of high
‑
speed train brake pads，HU R,ZHANG M,MENG X,et al.[J].Engineering Applications of Artificial Intelligence,2022,113)。以上研究对列车制动系统与制动闸片进行了状态监测研究，取得了较好的效果，但并没有考虑变工况下的制动状态监测。变化的工况会导致采集的摩擦块数据分布概率随之改变，进而发生域偏移现象。在实际中，列车速度、负载等工况不恒定，无法采集所有工况的摩擦数据。因此，通过已知工况的数据解决未知工况下的制动闸片状态监测成为研究热点。
[0004]迁移学习在解决变工况状态监测问题上取得了较好的效果，但在噪声干扰的情况下，制动数据偏离真实值，进而导致样本的分布被扰乱，无法有效区分不同标签的样本。尤其是在工作环境多变的高速列车制动过程中，由于制动闸片处于多工况变化状态，噪声呈现多种强度，从而导致制动闸片难以基于传统监测技术实现有效监测。

技术实现思路

[0005]本专利技术的目的是提供一种噪声影响下变工况的高速列车制动闸片健康状态监测系统，将提取到的特征映射到不同的低纬度特征空间，使系统具有更好的鲁棒性，实现不同强度噪声影响下变工况的列车制动闸片状态监测。
[0006]本专利技术的另一目的是提供上述噪声影响下变工况的高速列车制动闸片健康状态监测系统的构建方法。
[0007]为达到上述目的，本专利技术采取以下技术方案来实现。
[0008]本专利技术提供的噪声影响下变工况的高速列车制动闸片健康状态监测系统，其包括：
[0009]输入层，用于对接收的制动闸片信号进行预处理；
[0010]特征提取模块，用于对经输入层得到的制动闸片信号进行特征提取；
[0011]IAM混合模块，包括若干并行设置的提取单元，用于分别对特征提取模块提取的特征进行再提取，并将各提取单元提取的特征进行拼接；
[0012]分类器，用于依据IAM混合模块输出的拼接结果进行分类，确定的制动闸片故障类型。
[0013]上述输入层，目的是对接收的制动闸片信号进行预处理，将制动闸片信号转化成与特征提取模块输入格式一致的特征数据)。本专利技术中，输入层主要由卷积层、BN(Batch Normalization)层、ReLu函数和最大池化层构成。
[0014]上述特征提取模块，是为了提取信号样本的特征，并保护信息的完整性。因此，本专利技术中，特征提取模块使用的是ResNet残差网络。这里的ResNet残差网络包括顺次连接的四种残差块，每种残差块包括三个卷积层(CN1、CN2和CN3)；每种残差块的数量为2～4个。每个残差块的第一个卷积层并行设置下采样层，下采样层由一个卷积层与一个批量标准化层组成，其卷积层的卷积核大小与输出通道数与其并行的残差块的第三个卷积层一致。
[0015]上述IAM混合模块，是为了提取更多的特征，进一步提高系统的识别性能。本专利技术中，所述IAM混合模块中，每个提取单元使用不同的神经网络结构，每个提取单元后设置一个全局平均池，用于将得到的特征数据转换为一维数据，得到表征向量。在优选实现方式中，提取单元使用的神经网络结构为卷积神经网络。
[0016]上述分类器，包括用于重组多个特征的全连接层和用于输出分类结果的softmax层。
[0017]上述高速列车制动闸片健康状态监测系统，还包括优化模块，用于在系统训练过程中，获取系统损失函数，并依据损失值对系统网络参数进行优化。
[0018]所述系统损失函数包括分类损失和域适应损失，损失函数公式如下：
[0019][0020]式中，J(
·
,
·
)表示交叉熵损失函数，表示域适应损失，表示系统预测结果，表示源域第i个信号样本，表示源域第i个信号样本标签，n
s
表示源域信号样本数量，h
j
表示第j个提取单元，n
r
表示提取单元个数，g表示输入层和特征提取模块，X
s
表示源域样品信号，X
t
表示目标域样本信号，λ>0表示权衡参数。
[0021][0022]式中，表示表征与表征之间的条
件分布差异，C表示标签的种类数量，c表示标签种类，表示源域中标签为c的样本数量，表示源域第k个标签为c的样本，表示源域中标签为c的样本集合，表示目标域中标签为c的样本数量，表示目标域第l个标签为c的样本，表示目标域中标签为c的样本集合，H表示通过映射函数φ将样本所映射到的特征空间。
[0023]上述优化模块采用随机梯度下降(SGD)算法对系统网络参数进行优化。
[0024]本专利技术还提供了上述噪声影响下变工况的高速列车制动闸片健康状态监测系统的构建方法，其包括以下步骤：
[0025]S1将训练用数据分为若干批次训练子集，每批次训练子集包含相同数量的源域数据集和目标域数据集；
[0026]S2依次使用各批本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种噪声影响下变工况的高速列车制动闸片健康状态监测系统，其特征在于，包括：输入层，用于对接收的制动闸片信号进行预处理；特征提取模块，用于对经输入层得到的制动闸片信号进行特征提取；IAM混合模块，包括若干并行设置的提取单元，用于分别对特征提取模块提取的特征进行再提取，并将各提取单元提取的特征进行拼接；每个提取单元使用不同的神经网络结构，每个提取单元后设置一个全局平均池；分类器，用于依据IAM混合模块输出的拼接结果进行分类，确定的制动闸片故障类型。2.根据权利要求1所述的噪声影响下变工况的高速列车制动闸片健康状态监测系统，其特征在于，所述特征提取模块使用的是ResNet残差网络。3.根据权利要求2所述的噪声影响下变工况的高速列车制动闸片健康状态监测系统，其特征在于，ResNet残差网络包括顺次连接的四种残差块，每种残差块包括三个卷积层；每种残差块的数量为2～4个；每个残差块的第一个卷积层并行设置下采样层，下采样层由一个卷积层与一个批量标准化层组成，其卷积层的卷积核大小与输出通道数与其并行的残差块的第三个卷积层一致。4.根据权利要求1所述的噪声影响下变工况的高速列车制动闸片健康状态监测系统，其特征在于，所述IAM混合模块中，提取单元的神经网络结构为卷积神经网络。5.根据权利要求1所述的噪声影响下变工况的高速列车制动闸片健康状态监测系统，其特征在于，所述分类器包括用于重组多个特征的全连接层和用于输出分类结果的softmax层。6.根据权利要求1至5任一项所述的噪声影响下变工况的高速列车制动闸片健康状态监测系统，其特征在于，还包括优化模块，用于在系统训练过程中，获取系统损失函数，并依据损失值对系统网络参数进行优化。所述系统损失函数包括分类损失和域适应损失，损失函数公式如下：式中，J(
·
,
·
)表示交叉熵损失函数，表示域适应损失，表示系统预测结果，表示源域第i个信号样本，表示源域第i个信号样本标签，n
s
表示源域信号样本数量，h
j
表示第j个提取单元，n
r
表示提取单元个数，g表示输入层和特征提取模块，X
s
表示源域样品信号，X
t
表示目标域样本信号，λ>0表示权衡...

【专利技术属性】
技术研发人员：张敏，康庄，莫继良，程文明，周仲荣，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：