本發(fā)明涉及互聯(lián)網(wǎng)大數(shù)據(jù)及故障檢測(cè)領(lǐng)域，具體涉及基于數(shù)據(jù)增強(qiáng)策略的跨座式單軌列車齒輪箱故障檢測(cè)方法。

背景技術(shù)：

1、與傳統(tǒng)的地鐵相比，跨座式單軌列車作為特殊的城市軌道交通系統(tǒng)，其軌道懸掛在高架結(jié)構(gòu)上，不需要地下隧道，更易適應(yīng)不同地形，減少對(duì)城市土地的依賴。齒輪箱作為單軌列車傳動(dòng)系統(tǒng)的核心組件，需要應(yīng)對(duì)頻繁啟停和高速重載等任務(wù)，時(shí)常運(yùn)行在惡劣的工作環(huán)境中，不可避免地導(dǎo)致其零部件的老化和各種損壞，增加了故障發(fā)生的風(fēng)險(xiǎn)。有效的故障檢測(cè)技術(shù)能夠及早發(fā)現(xiàn)故障和評(píng)估故障等級(jí)，進(jìn)而降低因故障導(dǎo)致的城市軌道交通安全問題和經(jīng)濟(jì)損失的風(fēng)險(xiǎn)，減少設(shè)備的運(yùn)行維護(hù)成本，對(duì)保證跨座式單軌列車的可靠運(yùn)行和長(zhǎng)期經(jīng)濟(jì)效益具有重要意義。

2、在機(jī)械設(shè)備故障診斷領(lǐng)域，早期的基于信號(hào)處理的故障診斷方法通常需要較強(qiáng)的專家知識(shí)，通過人工分析信號(hào)以獲得對(duì)設(shè)備的檢測(cè)結(jié)果。隨著設(shè)備結(jié)構(gòu)和組成日趨復(fù)雜，采集的信號(hào)含有更多的成分和干擾，給信號(hào)處理技術(shù)帶來了極大挑戰(zhàn)。隨著計(jì)算機(jī)科學(xué)的發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的智能故障診斷技術(shù)也隨之涌現(xiàn)，與傳統(tǒng)的需要專家經(jīng)驗(yàn)或手動(dòng)特征提取的故障診斷方式不同，智能故障檢測(cè)技術(shù)可以通過利用設(shè)備監(jiān)測(cè)數(shù)據(jù)訓(xùn)練故障檢測(cè)模型，使測(cè)量信號(hào)與設(shè)備健康狀態(tài)之間建立有效的映射，進(jìn)而完成對(duì)設(shè)備的健康狀態(tài)維護(hù)。

3、最近，隨著深度學(xué)習(xí)的逐漸成熟和多樣化，其強(qiáng)大的數(shù)據(jù)挖掘能力受到了研究人員的廣泛關(guān)注。然而要使深度學(xué)習(xí)模型具有出色的檢測(cè)效果，是需要大量并且均衡的訓(xùn)練樣本來完成對(duì)模型的訓(xùn)練，才能實(shí)現(xiàn)其高性能的特點(diǎn)。但在實(shí)際工程環(huán)境中，特別是在旋轉(zhuǎn)機(jī)械故障檢測(cè)領(lǐng)域，存在監(jiān)測(cè)數(shù)據(jù)可利用率低的情況。一方面，盡管由多個(gè)傳感器組成的狀態(tài)監(jiān)測(cè)系統(tǒng)可以不斷采集數(shù)據(jù)，但設(shè)備大部分時(shí)間都處于正常運(yùn)行狀態(tài)，設(shè)備在故障狀態(tài)下的持續(xù)時(shí)間較短，因此收集的數(shù)據(jù)大部分是健康數(shù)據(jù)，故障樣本占少數(shù)。另一方面，某些設(shè)備的傳感器安裝復(fù)雜，并且設(shè)備故障往往使突發(fā)的，無法提前計(jì)劃和安排數(shù)據(jù)采集工作，因此，獲取某些設(shè)備的故障信號(hào)極其困難。

4、基于上述原因，當(dāng)故障數(shù)據(jù)樣本采集稀少時(shí)，會(huì)導(dǎo)致小樣本問題。在故障檢測(cè)領(lǐng)域，過少的故障樣本量會(huì)使模型在訓(xùn)練過程中無法獲取全面的信息，難以捕捉到設(shè)備狀態(tài)的多樣性和復(fù)雜性，導(dǎo)致對(duì)設(shè)備的檢測(cè)效果不夠準(zhǔn)確。其次，小樣本訓(xùn)練的模型難以泛化到新的情況下，模型可能無法適應(yīng)新的數(shù)據(jù)集或?qū)嶋H工程場(chǎng)景，導(dǎo)致性能下降。這些問題使得小樣本下的故障檢測(cè)結(jié)果可能不準(zhǔn)確、不穩(wěn)定。因此，如何設(shè)計(jì)一種能夠提高跨座式單軌列車齒輪箱故障檢測(cè)的準(zhǔn)確性和可靠性的方法是亟需解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述現(xiàn)有技術(shù)的不足，本發(fā)明所要解決的技術(shù)問題是：如何提供一種基于數(shù)據(jù)增強(qiáng)策略的跨座式單軌列車齒輪箱故障檢測(cè)方法，通過svmd算法對(duì)實(shí)測(cè)故障數(shù)據(jù)進(jìn)行擴(kuò)充，并通過擴(kuò)充后的數(shù)據(jù)訓(xùn)練生成對(duì)抗網(wǎng)絡(luò)模型來生成虛擬故障數(shù)據(jù)，進(jìn)而通過生成的虛擬故障數(shù)據(jù)和健康數(shù)據(jù)一起訓(xùn)練故障檢測(cè)模型，能夠解決齒輪箱故障類型多樣、數(shù)據(jù)采集困難導(dǎo)致的小樣本問題，從而提高跨座式單軌列車齒輪箱故障檢測(cè)的準(zhǔn)確性和可靠性。

2、為了解決上述技術(shù)問題，本發(fā)明采用了如下的技術(shù)方案：

3、基于數(shù)據(jù)增強(qiáng)策略的跨座式單軌列車齒輪箱故障檢測(cè)方法，包括：

4、s1：獲取待檢測(cè)的跨座式單軌列車齒輪箱數(shù)據(jù)；

5、s2：將跨座式單軌列車齒輪箱數(shù)據(jù)輸入訓(xùn)練好的故障檢測(cè)模型中，輸出對(duì)應(yīng)的預(yù)測(cè)故障標(biāo)簽；

6、故障檢測(cè)模型的訓(xùn)練步驟包括：

7、s201：獲取跨座式單軌列車齒輪箱的健康數(shù)據(jù)和實(shí)測(cè)故障數(shù)據(jù)；

8、s202：基于連續(xù)變模態(tài)分解算法對(duì)實(shí)測(cè)故障數(shù)據(jù)進(jìn)行擴(kuò)充，得到初步擴(kuò)充樣本；

9、s203：通過初步擴(kuò)充樣本和健康數(shù)據(jù)訓(xùn)練1d?mopgan模型；其中1d?mopgan模型的生成器用于根據(jù)健康數(shù)據(jù)生成虛擬故障數(shù)據(jù)，鑒別器用于區(qū)分虛擬故障數(shù)據(jù)和實(shí)測(cè)故障數(shù)據(jù)；

10、s204：將健康數(shù)據(jù)輸入訓(xùn)練好的1d?mopgan模型的生成器中，輸出虛擬故障數(shù)據(jù)；

11、s205：將生成的虛擬故障數(shù)據(jù)和健康數(shù)據(jù)一起作為故障檢測(cè)模型的訓(xùn)練集；

12、s206：通過訓(xùn)練集訓(xùn)練故障檢測(cè)模型，直至模型收斂或達(dá)到最大迭代次數(shù)；

13、s3：將預(yù)測(cè)故障標(biāo)簽作為待檢測(cè)跨座式單軌列車齒輪箱數(shù)據(jù)的故障檢測(cè)結(jié)果進(jìn)行輸出。

14、優(yōu)選的，步驟s202中，通過如下步驟生成初步擴(kuò)充樣本：

15、s2021：通過連續(xù)變模態(tài)分解算法對(duì)實(shí)測(cè)故障數(shù)據(jù)進(jìn)行分解，得到若干個(gè)imf分量；

16、s2022：計(jì)算各個(gè)imf分量的峰度值；

17、s2023：選取峰度值大于預(yù)設(shè)值的imf分量作為目標(biāo)imf；

18、s2024：對(duì)目標(biāo)分量進(jìn)行隨機(jī)加權(quán)，得到加權(quán)imf；

19、s2025：將加權(quán)imf和其他未加權(quán)的imf分量進(jìn)行信號(hào)重構(gòu)，得到重構(gòu)信號(hào)x1；

20、s2026：分別計(jì)算實(shí)測(cè)故障數(shù)據(jù)和重構(gòu)信號(hào)x1的標(biāo)準(zhǔn)差a和b；

21、s2027：通過重構(gòu)信號(hào)x1以及標(biāo)準(zhǔn)差a和b計(jì)算初步擴(kuò)充樣本

22、優(yōu)選的，步驟s202中，通過gwo算法自適應(yīng)迭代搜索連續(xù)變模態(tài)分解算法的最優(yōu)平衡參數(shù)。

23、優(yōu)選的，步驟s202中，gwo算法的處理步驟包括：

24、s2121：設(shè)置gwo算法的適應(yīng)度函數(shù)；

25、s2122：初始化gwo算法的灰狼種群；灰狼種群中每個(gè)灰狼個(gè)體代表一個(gè)連續(xù)變模態(tài)分解算法的平衡參數(shù)；

26、s2123：通過適應(yīng)度函數(shù)計(jì)算所有灰狼個(gè)體的適應(yīng)度值，然后將適應(yīng)度值最高的前三個(gè)灰狼個(gè)體作為α狼、β狼和γ狼，并將α狼、β狼和γ狼之外的灰狼個(gè)體作為ω狼；

27、s2124：基于α狼、β狼和γ狼的位置進(jìn)行狩獵，并更新各個(gè)灰狼個(gè)體的位置；

28、s2125：基于灰狼個(gè)體的位置更新適應(yīng)度值，并記錄當(dāng)前灰狼個(gè)體對(duì)應(yīng)的最優(yōu)平衡參數(shù)；

29、s2126：判斷是否滿足終止條件：若是，則輸出最優(yōu)平衡參數(shù)；否則，返回步驟s2123。

30、優(yōu)選的，步驟s2021中，連續(xù)變模態(tài)分解算法的處理步驟包括：

31、1)對(duì)實(shí)測(cè)故障數(shù)據(jù)x(t)進(jìn)行分解，得到l階imf分量ul(t)和殘余信號(hào)xr(t)；

32、公式描述為：

33、x(t)＝ul(t)+xr(t)；

34、殘余信號(hào)xr(t)包含兩部分：第l階imf分量之前得到的所有imf分量之和與未處理的部分原始信號(hào)xu(t)；

35、2)在分解過程中，設(shè)置四個(gè)約束標(biāo)準(zhǔn)來獲取第l個(gè)imf分量：

36、約束標(biāo)準(zhǔn)一：每個(gè)imf分量應(yīng)圍繞其中心頻率緊湊；

37、公式描述為：

38、

39、式中：表示對(duì)時(shí)間t的偏導(dǎo)數(shù)；δ(t)表示狄拉克函數(shù)；*表示卷積運(yùn)算；ωl表示第l階imf分量的中心頻率；

40、約束標(biāo)準(zhǔn)二：使第l階imf分量ul(t)和殘余信號(hào)xr(t)之間的頻譜重疊最小化；通過以下濾波器實(shí)現(xiàn)；

41、

42、式中：α表示平衡參數(shù)；

43、采用如下標(biāo)準(zhǔn)來實(shí)現(xiàn)頻譜重疊最小化；

44、

45、約束標(biāo)準(zhǔn)三：在第l階前獲得的imf分量的中心頻率處，ul(t)的能量達(dá)到最小化；使用如下頻率響應(yīng)的濾波器

46、公式描述為：

47、

48、標(biāo)準(zhǔn)j3如下：

49、

50、約束標(biāo)準(zhǔn)四：原始信號(hào)x(t)由所有提取imf分量之和與未處理信號(hào)重建；

51、3)第l-1階imf分量已知時(shí)，提取第l階imf分量的任務(wù)轉(zhuǎn)換為約束最小化問題；

52、

53、式中：α是平衡j1、j2、j3的參數(shù)；

54、4)將約束最小化問題轉(zhuǎn)換為無約束優(yōu)化問題：首先引入二次懲罰項(xiàng)和拉格朗日乘子來建立增廣拉格朗日函數(shù)，然后根據(jù)parseval定理轉(zhuǎn)換為頻域形式，最后利用乘法交替算法迭代求解；即連續(xù)變模態(tài)分解算法的迭代通過以下公式完成：

55、

56、式中：表示原始信號(hào)x(t)的傅里葉變換；表示以中心頻率迭代第n次時(shí)第l階模式的傅里葉變換；n表示迭代次。

57、優(yōu)選的，步驟s2022中，通過如下公式計(jì)算imf分量的峰度值：

58、

59、式中：k表示峰度值；xi表示imf分量中的第i個(gè)數(shù)值；表示imf分量中數(shù)值的平均值，n表示imf分量中的采樣數(shù)量。

60、優(yōu)選的，步驟s203中，1d?mopgan模型基于生成對(duì)抗網(wǎng)絡(luò)構(gòu)建，將生成對(duì)抗網(wǎng)絡(luò)的生成器和鑒別器由cnn網(wǎng)絡(luò)替換為self-onn網(wǎng)絡(luò)。

61、優(yōu)選的，步驟s203中，訓(xùn)練1d?mopgan模型的損失函數(shù)如下：

62、

63、ltotal＝lossbce+λlossmae；

64、式中：g表示生成器；d表示鑒別器；d(x)和d(g(z))分別表示當(dāng)輸入為實(shí)測(cè)故障數(shù)據(jù)x和虛擬故障數(shù)據(jù)g(z)時(shí)鑒別器的輸出，z是一維的健康數(shù)據(jù)；|·|表示絕對(duì)值；xi表示實(shí)測(cè)故障數(shù)據(jù)；pi表示虛擬故障數(shù)據(jù)；λ表示平衡參數(shù)；和表示期望；n表示樣本的總數(shù)。

65、優(yōu)選的，步驟s206中，故障檢測(cè)模型為隨機(jī)配置網(wǎng)絡(luò)。

66、優(yōu)選的，步驟s206中，隨機(jī)配置網(wǎng)絡(luò)的構(gòu)建步驟如下：

67、s20601：構(gòu)建包含輸入層、隱藏層和輸出層的隨機(jī)配置網(wǎng)絡(luò)；

68、s20602：通過訓(xùn)練數(shù)據(jù)訓(xùn)練隨機(jī)配置網(wǎng)絡(luò)，其中隨機(jī)配置網(wǎng)絡(luò)第l-1層的輸出表示為：

69、

70、式中：fl-1(x)表示隨機(jī)配置網(wǎng)絡(luò)第l-1層的輸出；x＝{x1,x2……,xn}表示訓(xùn)練數(shù)據(jù)；βj表示隱含層節(jié)點(diǎn)j的輸出權(quán)重；g(·)表示激活函數(shù)；wj和bj分別表示隱含層第j個(gè)節(jié)點(diǎn)的輸入權(quán)重和偏置；

71、s20602：通過如下公式計(jì)算當(dāng)前的隨機(jī)配置網(wǎng)絡(luò)輸出與真實(shí)值之間的殘差el-1：

72、el-1＝f-fl-1(x)；

73、式中：f表示隨機(jī)配置網(wǎng)絡(luò)的輸出；

74、s20603：若‖el-1‖2未達(dá)到預(yù)設(shè)誤差ε或未達(dá)到最大節(jié)點(diǎn)數(shù)lmax，則在監(jiān)督機(jī)制下增加一個(gè)新的隱藏層節(jié)點(diǎn)l：

75、

76、式中：hl表示隱含層節(jié)點(diǎn)l的輸出；wl和bl分別表示節(jié)點(diǎn)l的候選參數(shù)；r∈(0,1)；{μl}表示非負(fù)實(shí)數(shù)序列；ξl,q表示監(jiān)督機(jī)制；q＝1,2,…m；

77、s20604：通過最小二乘法全局評(píng)估隨機(jī)配置網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的輸出權(quán)重；

78、β＝argminβ||hβ-y||2＝h+y；

79、式中：β表示輸出權(quán)重；h表示隱含層輸出矩陣；h+表示h的摩爾-彭若斯廣義逆；y＝{y1,y2……,yn}表示標(biāo)簽數(shù)據(jù)；

80、s20605：基于輸出權(quán)重和隱含層輸出矩陣計(jì)算隨機(jī)配置網(wǎng)絡(luò)的輸出結(jié)果f＝hβ；

81、s20606：重復(fù)步驟s20602至s20605，增量式地生成隨機(jī)配置網(wǎng)絡(luò)的隱藏層節(jié)點(diǎn)。

82、本發(fā)明中基于數(shù)據(jù)增強(qiáng)策略的跨座式單軌列車齒輪箱故障檢測(cè)方法與現(xiàn)有技術(shù)相比，具有如下有益效果：

83、本發(fā)明基于連續(xù)變模態(tài)分解(svmd)算法對(duì)實(shí)測(cè)故障數(shù)據(jù)進(jìn)行擴(kuò)充，進(jìn)而通過擴(kuò)充后的樣本和健康數(shù)據(jù)訓(xùn)練1d?mopgan(生成對(duì)抗網(wǎng)絡(luò))模型，使得能夠通過1d?mopgan模型的生成器基于健康數(shù)據(jù)生成虛擬故障數(shù)據(jù)。首先svmd算法通過對(duì)實(shí)測(cè)故障數(shù)據(jù)進(jìn)行分解和重構(gòu)，能夠生成與原始故障數(shù)據(jù)具有相似特征但又不完全相同的新樣本，增加了故障數(shù)據(jù)的多樣性和數(shù)量，能夠保證1d?mopgan模型的訓(xùn)練效果，并且svmd算法在分解過程中能夠突出故障信號(hào)的特征成分，使得擴(kuò)充后的數(shù)據(jù)更加聚焦于故障特征，有助于1d?mopgan模型在訓(xùn)練過程中更加準(zhǔn)確地捕捉故障信息，從而輔助提高跨座式單軌列車齒輪箱故障檢測(cè)的準(zhǔn)確性。其次1d?mopgan模型的生成器能夠?qū)W習(xí)到健康數(shù)據(jù)與故障數(shù)據(jù)之間的潛在關(guān)系并生成逼真的虛擬故障數(shù)據(jù)，這些虛擬數(shù)據(jù)不僅增加了訓(xùn)練樣本的數(shù)量，還豐富了故障類型的多樣性。最后鑒別器通過不斷區(qū)分真實(shí)故障數(shù)據(jù)和生成的虛擬故障數(shù)據(jù)，促使生成器不斷改進(jìn)其生成的數(shù)據(jù)質(zhì)量，使得生成的虛擬故障數(shù)據(jù)更加接近真實(shí)故障數(shù)據(jù)，提高了數(shù)據(jù)的真實(shí)性和可信度。

84、本發(fā)明通過1d?mopgan模型的生成器生成虛擬故障數(shù)，進(jìn)而通過虛擬故障數(shù)據(jù)和實(shí)測(cè)健康數(shù)據(jù)一起訓(xùn)練集訓(xùn)練故障檢測(cè)模型。首先在實(shí)際應(yīng)用中故障數(shù)據(jù)往往比健康數(shù)據(jù)更加稀缺，通過1d?mopgan模型生成虛擬故障數(shù)據(jù)，可以平衡訓(xùn)練集中的健康數(shù)據(jù)和故障數(shù)據(jù)比例，使得模型在訓(xùn)練過程中能夠充分學(xué)習(xí)到健康狀態(tài)和故障狀態(tài)之間的差異。其次結(jié)合虛擬故障數(shù)據(jù)和實(shí)測(cè)健康數(shù)據(jù)訓(xùn)練的故障檢測(cè)模型，能夠?qū)W習(xí)到更加全面的信號(hào)特征，進(jìn)而解決齒輪箱故障類型多樣、數(shù)據(jù)采集困難導(dǎo)致的小樣本問題，有助于模型在檢測(cè)過程中更加準(zhǔn)確地判斷齒輪箱的狀態(tài)，從而提高跨座式單軌列車齒輪箱故障檢測(cè)的準(zhǔn)確性和可靠性。最后通過訓(xùn)練包含多種故障類型的虛擬數(shù)據(jù)，使得故障檢測(cè)模型能夠更好地適應(yīng)不同工況和故障條件下的檢測(cè)需求，從而提高模型的魯棒性和適應(yīng)性。

85、本發(fā)明的故障檢測(cè)模型使用隨機(jī)配置網(wǎng)絡(luò)(scn)模型。首先隨機(jī)配置網(wǎng)絡(luò)通過隨機(jī)生成網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)重，簡(jiǎn)化了模型構(gòu)建過程，使得故障檢測(cè)模型在訓(xùn)練過程中更加高效，能夠快速適應(yīng)不同的檢測(cè)任務(wù)。其次隨機(jī)配置網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力，能夠處理復(fù)雜的非線性關(guān)系，有利于更好的完成跨座式單軌列車齒輪箱故障檢測(cè)。最后隨機(jī)配置網(wǎng)絡(luò)模型通過隨機(jī)性引入了一定的正則化效果，有助于防止模型過擬合，使得模型能夠在不同工況和故障條件下保持穩(wěn)定的檢測(cè)精度。同時(shí)相比其他復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型，隨機(jī)配置網(wǎng)絡(luò)模型在訓(xùn)練過程中所需的計(jì)算資源較少，有利于提高故障檢測(cè)效率。