一种道岔转辙机小样本故障诊断方法及装置

本发明属于道岔转辙机智能诊断，尤其是设计一种道岔转辙机小样本故障诊断方法及装置。

背景技术：

1、信号系统是一个复杂的控制系统，包括许多机械设备和软件。这些设备和软件协同工作，使得列车能够安全、高效地运行。由于信号系统的复杂性和特殊性，一个小故障可能会造成重大安全事故。一些研究表明，道岔转辙机故障约占信号系统总故障的40％。转辙机是重要的信号基础设备，通过转换尖轨的方向控制列车的运行方向。然而，转辙机在恶劣的工作环境下发生一些故障，严重威胁了列车的安全运行。因此，为了确保列车安全运行，研究转辙机故障诊断技术显得尤为重要。

2、目前我国城市轨道交通的道岔转辙机运行维护管理采用传统的运维模式实现维护支持。然而，传统的运维模式因为监测手段的落后和诊断模型的残缺，导致无法提供更准确的转辙机状态信息和更精准的故障识别。此外，由于在实际场景中难以获取大量的故障数据，难以满足现有转辙机故障诊断方法对足够标记数据的需求，从而导致诊断精度低、泛化性能差。元学习可作为一种有效的手段解决转辙机故障数据少导致深度学习模型泛化性能差的问题，然而仍存在原型在不同的迭代中变化较大的局限性。因此，为了在转辙机故障稀缺的实际场景下提高行车效率和安全性，急需道岔转辙故障诊断方法来实现实时的状态监测和高效、精准地进行故障识别。

技术实现思路

1、本发明的目的在于：提供了一种道岔转辙机小样本故障诊断方法及装置，用以解决现有技术中监测手段落后和故障数据稀缺导致故障识别精度低和模型泛化性能差的问题。为了实现上述目的，本发明采用以下的方法和装置：

2、根据发明提供的一种道岔转辙机小样本故障诊断方法，包括以下步骤：

3、s01：通过道岔转辙机采集模块采集转换过程的振动数据，所述的振动数据为竖直方向的振动数据信号，传感器安装在转辙机动作杆的末端上，所述竖直方向振动数据信号类型包括转辙机正常状态数据和故障状态数据；

4、s02：将采集的转辙机振动数据划分为支持集s和查询集q，所述支持集s中包含有标签样本和无标签样本；

5、s03：将转辙机的支持集和查询集数据输入到双尺度神经网络(dsnn)模型中分别提取深层和浅层特征，并将提取的深层和浅层特征以向量的形式输出到特征度量空间；

6、s04：在特征度量空间中，通过使用半监督加权原型更新策略，计算所述支持集s中每种状态下有标签样本特征向量的平均值作为原型，并计算每种状态下无标签样本特征向量与原型之间的平方欧氏距离并进行加权，实现对原型的位置进行微调，再计算不同原型相互之间的平方欧氏距离并进行加权以扩大原型相互之间的距离，从而提高了半监督原型网络的稳定性和区分能力；

7、s05：使用支持集数据训练和优化半监督加权原型网络(sswpn)模型，然后将查询集数据输入到训练好的半监督加权原型网络(sswpn)模型中，若半监督加权原型网络(sswpn)模型在查询集上能够识别出不同的类别，具体表现为良好的准确率、稳定性和泛化性，则可以用于实现道岔转辙机小样本故障诊断。将优化好的sswpn作为模式识别算法用于道岔转辙机小样本故障诊断，并对待诊断的道岔转辙机小样本数据进行诊断，得到转辙机故障分类结果；本发明使用真实场景中故障稀缺的数据，提高了故障诊断识别精度和模型的泛化性能，可以实现道岔转辙机的小样本故障诊断，为跨设备和小样本故障诊断提供理论依据。

8、上述方案进一步优选的，所述步骤s02中，对转辙机的振动数据划分支持集s和查询集q，具体包括以下子步骤：

9、s0201：对振动数据进行标记，所述的振动数据包括5种类型，即振动数据包括1种道岔转辙机正常状态数据和4种故障状态数据，以转辙机定位向反位运动过程为例，正常状态的标签为0，动作杠断裂故障状态的标签为1，卡阻故障状态的标签为2，卡缺口故障状态的标签为3，多次操岔状态的标签为4；每种类型包含有50个样本；在每种类型中取20个样本作为支持集，剩余30个样本作为查询集；

10、s0202：在支持集中每次取1个样本或者5个样本进行训练；此外，在支持集中每次取5个样本作为无标签样本校正原型中心；

11、上述方案进一步优选的，所述步骤s03中，提取转辙机中的深层和浅层特征具体包括以下子步骤：

12、s0301：所述的支持集和查询集中的振动数据经过卷积核大小为1×1的卷积层进行卷积操作，得到特征图，再将特征图输入卷积核大小为1×1的卷积层中使其通道数扩大至2倍，并将通道数扩大后的特征平均划分为两组相同通道的特征。

13、s0302：将第一组的特征输入卷积核大小为3×1的卷积层中捕捉特征的深层关系，将第二组的特征输入卷积核大小为1×1的卷积层中捕捉特征的浅层关系，再分别用有效通道注意力机制学习两组特征内部的关联性。

14、s0303：将两组特征进行通道融合并经过卷积核大小为1×1的卷积层进行降维，从而增强特征在不同尺度中的表达能力和提取能力。

15、s0304：将特征图和s0303降维后的特征进行相加，提高dsnn模型的特征保全能力，然后经过最大池化层和全连接层得到具有判别类型属性信息的特征向量，并输出到高维度量空间中，便于原型网络对特征向量进行有效度量。

16、上述方案进一步优选的，所述步骤s04中，原型微调和更新过程具体包括以下子步骤：

17、s0401：本发明利用无标签数据对支持集的原型位置进行微调，此时无标签数据也被视为支持集的一部分，且支持集s被重新定义为：

18、

19、其中，∪表示并集符号，具体指的是将符号左边集合和右边集合的样本合并，l表示有标签数据集，u表示无标签数据集，xn,i表示第n类中的第i个样本，kl是支持集中有标签数据的样本数量，ku是支持集中无标签数据的样本数量，n表示类型总个数，半监督加权原型利用支持集s中的有标签数据集l生成n类原型，然后利用无标签数据集u对原型位置进行微调。

20、s0402：利用有标签数据集l中各类别的均值作为对应类别的初始原型pn，如表达式(2)所示，h(·)表示通过dsnn模型进行特征提取过程。

21、

22、s0403：通过计算无标签样本的特征向量到初始原型之间的平方欧式距离，即两个向量之间差值的平方，并计算每个距离的权重，然后将两者的加权距离转换为概率计算过程如表达式(3)-(5)所示。

23、di＝e(h(xn,i),pn)                          (3)

24、

25、

26、其中，xn,i∈u是无标签样本集，e(·)表示平方欧式距离，ωi表示第i个无标签样本与第n类原型的距离加权系数，表示无标签样本分配给每个类的加权距离转换概率。

27、s0404：计算无标签样本的特征向量与加权距离转换概率的乘积得到无标签样本引导的原型再计算与初始原型pn之间的距离，以增大不同类原型之间的区分能力；

28、s0405：引入高斯分布exp(-t2/2)，计算无标签样本引导的原型与初始原型pn之间的平方欧氏距离来代替高斯分布中的t2，得到每个原型之间距离相对应的原型权重cn，如表达式(6)-(7)所示。

29、

30、

31、其中，cn表示第n类原型的权重，表示更新的原型，表示包含n类更新的原型的集合，

32、s0406：通过将赋值给初始原型的集合p，即将赋值给pn，如表达式(8)所示，然后不断执行更新过程，即步骤s0403至s0405，实现对原型位置的有效校正，提升对故障样本的区分能力。

33、

34、上述方案进一步优选的，所述步骤s05中，如果基于半监督加权原型网络在查询集上表现出良好的故障诊断准确率，表明所构建的小样本故障诊断模型在转辙机数据稀缺的实际场景中具有明显优势，可以满足实际应用需求。

35、根据本发明的另一个方面，本发明还提供了一种道岔转辙机小样本故障诊断装置，所述装置包括振动数据采集模块701、特征提取模块702和小样本故障诊断模块703；

36、所述的振动数据采集模块701，在zyj7电液转辙机动作杠的末端上安装一个三轴振动加速度传感器(hwt605)用于实时采集振动数据，并通过串行通信将三个正交的振动数据储存到电脑设备中，优选地采用rs-232通信方式；

37、所述的特征提取模块702，用于提取深层和浅层特征，特征提取模块内嵌入了双尺度神经网络(dsnn)模型，支持集和查询集中的振动数据经过特征提取模块后自动提取特征向量，便于在特征度量空间进行度量；

38、所述的小样本故障诊断模块703，用于利用所述的训练好的半监督加权(sswpn)模型对待测的道岔转辙机数据进行故障诊断，得到故障诊断结果。

39、本发明具有以下有益技术效果：

40、(1)本发明提取转辙机振动信号不同尺度上的深层和浅层特征，通过半监督加权原型网络，可用于多种道岔转辙机设备的小样本故障诊断，极大提高故障诊断精度和模型的泛化性能；

41、(2)在本发明中，提出了一种双尺度神经网络，加强了对转辙机不同尺度特征的表达能力和提取能力；

42、(3)在本发明中，提出了一种半监督加权原型更新策略，提高了无标签数据优化原型的稳定性和区分能力；

43、(4)在本发明中，建立了一种半监督加权原型sswpn模型，提高了模型在有限故障样本下的识别精度和泛化性能；

44、(5)本发明所设计的道岔转辙机小样本故障诊断装置具有诊断速度快、诊断精度高、泛化性能好和所需训练样本少的显著优势，可以满足道岔转辙机的实际应用需要，同时在其他领域也具有广阔的应用潜力。