本發(fā)明屬于軌道交通故障診斷領(lǐng)域，尤其涉及一種數(shù)字孿生驅(qū)動(dòng)的鋼軌狀態(tài)遷移診斷方法。

背景技術(shù)：

1、目前，我國(guó)對(duì)鐵路軌道狀態(tài)進(jìn)行診斷的方法主要分為靜態(tài)診斷與動(dòng)態(tài)診斷。軌道靜態(tài)檢測(cè)方法是指無(wú)輪載作用下，對(duì)線路和道岔幾何形位的檢測(cè)，主要由靜態(tài)檢測(cè)小車、高精度全站儀、處理數(shù)據(jù)的軟件等部分組成，可以對(duì)軌道的高程、軌向軌距、超高及光滑度等內(nèi)容進(jìn)行檢測(cè)。雖然這類診斷方法可以精確診斷鋼軌狀態(tài)，但它們必須在軌道交通空窗期開展，且耗費(fèi)大量人力資源。

2、動(dòng)態(tài)檢測(cè)是指將檢測(cè)裝置安裝在列車上，通過(guò)行車平穩(wěn)性反映軌道狀態(tài)及軌道幾何形位等內(nèi)容的檢測(cè)。目前，專用軌檢車是應(yīng)用最為廣泛的一種動(dòng)態(tài)檢測(cè)方法，其是由在軌檢車列車或轉(zhuǎn)向架上安裝檢測(cè)裝備，從而獲得軌道結(jié)構(gòu)健康狀況。但專用軌檢車的研發(fā)、維修保養(yǎng)需要耗費(fèi)很高額的費(fèi)用；更重要的，利用專用軌檢車進(jìn)行軌道狀態(tài)診斷時(shí)，需要為其制定專門的調(diào)度表，這對(duì)運(yùn)營(yíng)密度很高的鐵路部門是十分困難的；且軌道狀態(tài)隨著列車的荷載及其他不同工況而改變，專用軌檢車無(wú)法完成對(duì)不同列車的適應(yīng)度評(píng)估，因此，難以實(shí)現(xiàn)實(shí)時(shí)的軌道狀態(tài)診斷。

3、在運(yùn)營(yíng)車輛上布設(shè)傳感器并收集的列車振動(dòng)響應(yīng)數(shù)據(jù)可以反映出列車運(yùn)行過(guò)程中的狀態(tài)，根據(jù)列車運(yùn)行狀態(tài)便可有效反映出軌道結(jié)構(gòu)的健康與否，并且基于列車振動(dòng)響應(yīng)特征的監(jiān)測(cè)系統(tǒng)具有布設(shè)簡(jiǎn)單，造價(jià)低的優(yōu)點(diǎn)。因此，基于運(yùn)營(yíng)車輛振動(dòng)響應(yīng)信息對(duì)高速鐵路軌道結(jié)構(gòu)進(jìn)行快速識(shí)別定位、實(shí)時(shí)監(jiān)測(cè)的方法可為軌道結(jié)構(gòu)健康檢測(cè)提供了新思路。然而，傳統(tǒng)的數(shù)字信號(hào)分析技術(shù)存在分析不能自適應(yīng)、時(shí)頻分辨率不能同時(shí)達(dá)到最優(yōu)結(jié)果以及模態(tài)混疊等問題，對(duì)結(jié)果影響較大。

4、隨著深度學(xué)習(xí)技術(shù)的發(fā)展，目前也有一些研究圍繞神經(jīng)網(wǎng)絡(luò)在車軌系統(tǒng)中關(guān)鍵部件的診斷展開。然而，這些基于深度學(xué)習(xí)的方法需要人工采集可以反映軌道狀態(tài)的振動(dòng)信號(hào)并制作標(biāo)簽，這往往是不切實(shí)際的，否則將耗費(fèi)大量人力資源。另外，采集到的振動(dòng)信號(hào)可能質(zhì)量較低，故障信息被淹沒，導(dǎo)致在訓(xùn)練網(wǎng)絡(luò)的過(guò)程中產(chǎn)生負(fù)面作用。

5、隨著智能制造技術(shù)的快速發(fā)展，數(shù)字孿生應(yīng)運(yùn)而生，通過(guò)連接物理世界與虛擬世界，為獲取物理世界提供了一種新的途徑。通過(guò)孿生模型收集仿真工況數(shù)據(jù)，豐富標(biāo)簽稀缺數(shù)據(jù)集，是提高故障診斷可靠性的有效途徑。盡管數(shù)字孿生技術(shù)發(fā)展迅速，但通過(guò)孿生模型仿真的數(shù)據(jù)與實(shí)際數(shù)據(jù)并不能完全保持特征一致。如何克服這種差異，將可靠的診斷模型從孿生模型推廣到物理模型中，是保證診斷準(zhǔn)確性的關(guān)鍵問題。

6、現(xiàn)有技術(shù)公開了一種基于gan的風(fēng)機(jī)輪轂測(cè)風(fēng)缺失數(shù)據(jù)的插補(bǔ)方法，應(yīng)用生成對(duì)抗網(wǎng)絡(luò)于針對(duì)于風(fēng)機(jī)的故障診斷領(lǐng)域，將訓(xùn)練樣本輸入到生成模型及判別模型中進(jìn)行迭代訓(xùn)練至達(dá)到納什平衡，通過(guò)訓(xùn)練好的模型完成數(shù)據(jù)的補(bǔ)充工作，但此方法僅利用生成對(duì)抗網(wǎng)絡(luò)來(lái)生成虛擬數(shù)據(jù)并將其添加到數(shù)據(jù)集中，只考慮到真實(shí)數(shù)據(jù)與生成數(shù)據(jù)之間的相關(guān)性，并沒有考慮到故障的分類問題，同時(shí)也沒有設(shè)計(jì)與之相匹配的故障診斷模型。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的一種數(shù)字孿生驅(qū)動(dòng)的鋼軌狀態(tài)遷移診斷方法解決了樣本標(biāo)簽稀缺條件下鋼軌狀態(tài)診斷精度不足的問題。

2、為了達(dá)到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：一種數(shù)字孿生驅(qū)動(dòng)的鋼軌狀態(tài)遷移診斷方法，包括以下步驟：

3、s1、通過(guò)多體動(dòng)力學(xué)建立車軌耦合系統(tǒng)的數(shù)字孿生模型；

4、s2、利用車軌耦合系統(tǒng)的數(shù)字孿生模型仿真車輛通過(guò)不同鋼軌狀態(tài)路段時(shí)軸箱的振動(dòng)響應(yīng)信號(hào)，得到若干組振動(dòng)響應(yīng)信號(hào)；

5、s3、采集車輛通過(guò)不同鋼軌狀態(tài)路段時(shí)軸箱的軸箱振動(dòng)信號(hào)，得到若干組真實(shí)采集的軸箱振動(dòng)信號(hào)，并通過(guò)小波變換分別對(duì)各組振動(dòng)響應(yīng)信號(hào)和各組軸箱振動(dòng)信號(hào)進(jìn)行時(shí)頻分析，獲得各組振動(dòng)響應(yīng)信號(hào)的時(shí)頻圖和各組軸箱振動(dòng)信號(hào)的時(shí)頻圖；

6、s4、將各組振動(dòng)響應(yīng)信號(hào)的時(shí)頻圖作為子域?qū)R遷移網(wǎng)絡(luò)的源域數(shù)據(jù)，并將各組軸箱振動(dòng)信號(hào)的時(shí)頻圖作為子域?qū)R遷移網(wǎng)絡(luò)的目標(biāo)域數(shù)據(jù)，對(duì)子域?qū)R遷移網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練完成的子域?qū)R遷移網(wǎng)絡(luò)；

7、s5、獲取待測(cè)軸箱振動(dòng)信號(hào)的時(shí)頻圖，并輸入訓(xùn)練完成的子域?qū)R遷移網(wǎng)絡(luò)，得到待測(cè)軸箱振動(dòng)信號(hào)的真實(shí)狀態(tài)標(biāo)簽，完成不同鋼軌狀態(tài)的診斷識(shí)別。

8、進(jìn)一步地，所述步驟s3中通過(guò)小波變換對(duì)各組軸箱振動(dòng)信號(hào)進(jìn)行時(shí)頻分析前，先對(duì)各組軸箱振動(dòng)信號(hào)進(jìn)行低通濾波。

9、進(jìn)一步地，所述步驟s4中子域?qū)R遷移網(wǎng)絡(luò)包括特征提取器、狀態(tài)診斷器和n個(gè)領(lǐng)域判別器；所述特征提取器包括依次連接的第一卷積層、第一池化層、第二卷積層、第二池化層、第三卷積層、鋪平層和第一全連接層；在各池化層后均進(jìn)行批歸一化操作；

10、所述狀態(tài)診斷器包括依次連接的第二全連接層、第三全連接層和第四全連接層；

11、各所述領(lǐng)域判別器均包括依次連接的梯度反轉(zhuǎn)層、第五全連接層、第六全連接層和第七全連接層；

12、所述子域?qū)R遷移網(wǎng)絡(luò)中第四全連接層和第七全連接層均使用softmax激活函數(shù)，其余網(wǎng)絡(luò)層均使用relu激活函數(shù)。

13、進(jìn)一步地，所述步驟s4具體為：

14、s401、將各組振動(dòng)響應(yīng)信號(hào)的時(shí)頻圖作為子域?qū)R遷移網(wǎng)絡(luò)的源域數(shù)據(jù)，并將各組軸箱振動(dòng)信號(hào)的時(shí)頻圖作為子域?qū)R遷移網(wǎng)絡(luò)的目標(biāo)域數(shù)據(jù)；

15、s402、利用子域?qū)R遷移網(wǎng)絡(luò)分別提取源域數(shù)據(jù)的特征和目標(biāo)域數(shù)據(jù)的特征；

16、s403、根據(jù)源域數(shù)據(jù)的特征和目標(biāo)域數(shù)據(jù)的特征，利用子域?qū)R遷移網(wǎng)絡(luò)分別得到源域數(shù)據(jù)的分類概率、目標(biāo)域數(shù)據(jù)的偽標(biāo)簽以及所有數(shù)據(jù)的領(lǐng)域分類概率；

17、s404、根據(jù)源域數(shù)據(jù)的分類概率、目標(biāo)域數(shù)據(jù)的偽標(biāo)簽以及所有數(shù)據(jù)的領(lǐng)域分類概率，對(duì)齊遷移網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)參數(shù)更新；

18、s405、判斷子域?qū)R遷移網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)是否達(dá)到收斂，若是，得到訓(xùn)練完成的子域?qū)R遷移網(wǎng)絡(luò)，否則，返回步驟s401。

19、進(jìn)一步地，所述步驟s404中對(duì)子域?qū)R遷移網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)參數(shù)更新的表達(dá)式為：

20、

21、其中，為更新后的特征提取器的網(wǎng)絡(luò)參數(shù)；為更新后的狀態(tài)診斷器的網(wǎng)絡(luò)參數(shù)；為使最小化所對(duì)應(yīng)的θf(wàn)和θc；為子域?qū)R遷移網(wǎng)絡(luò)的損失函數(shù)；θf(wàn)為特征提取器的網(wǎng)絡(luò)參數(shù)；θc為狀態(tài)診斷器的網(wǎng)絡(luò)參數(shù)；θd,k為第k個(gè)領(lǐng)域判別器的網(wǎng)絡(luò)參數(shù)；為包含各領(lǐng)域判別器網(wǎng)絡(luò)參數(shù)的集合；k為領(lǐng)域判別器編號(hào)；|cs|為領(lǐng)域判別器數(shù)量；為更新后的包含各領(lǐng)域判別器網(wǎng)絡(luò)參數(shù)的集合；為使最大化所對(duì)應(yīng)的θf(wàn)和lc為源域數(shù)據(jù)的分類損失；λ為域?qū)R目標(biāo)與分類目標(biāo)間的重要性權(quán)重；ld為所有數(shù)據(jù)的領(lǐng)域判別損失；lw為相同類別源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)間的wasserstein損失；lv為相同類別目標(biāo)域數(shù)據(jù)的類內(nèi)方差損失。

22、進(jìn)一步地，所述源域數(shù)據(jù)的分類損失的表達(dá)式為：

23、

24、其中，ns為源域數(shù)據(jù)中的源域樣本數(shù)量；i為源域數(shù)據(jù)中的源域樣本編號(hào)；lc()為交叉熵?fù)p失；為第i個(gè)源域樣本每個(gè)類別的分類概率；為第i個(gè)源域樣本經(jīng)過(guò)特征提取器后提取到的特征；為第i個(gè)源域樣本；為第i個(gè)源域樣本的類別；為第i個(gè)源域樣本的分類概率集合；為判斷第k個(gè)領(lǐng)域判別器所代表類別是否為第i個(gè)源域樣本的正確分類的判斷函數(shù)，若是，為1，否則，為0；log()為對(duì)數(shù)符號(hào)；為第i個(gè)源域樣本屬于第k個(gè)領(lǐng)域判別器所代表類別的分類概率。

25、進(jìn)一步地，所述所有數(shù)據(jù)的領(lǐng)域判別損失的表達(dá)式為：

26、

27、其中，nk為在源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)中屬于第k個(gè)領(lǐng)域判別器所代表類別的樣本的總數(shù)量；r為樣本編號(hào)；lc()為交叉熵?fù)p失；f(xr)為第r個(gè)樣本xr經(jīng)過(guò)特征提取器后提取到的特征；dk(f(xr))表示將特征f(xr)輸入第k個(gè)領(lǐng)域判別器；dr為樣本xr的領(lǐng)域標(biāo)簽，若為0，則xr來(lái)自源域，否則，xr來(lái)自目標(biāo)域；i[yr＝k]為判斷第r個(gè)樣本xr是否屬于第k個(gè)領(lǐng)域判別器所代表類別，若是，為1，否則，為0；yr為第r個(gè)樣本的類別標(biāo)簽；為第r個(gè)樣本xr的領(lǐng)域分類概率。

28、進(jìn)一步地，所述相同類別源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)間的wasserstein損失的表達(dá)式為：

29、

30、其中，ns為源域數(shù)據(jù)中的源域樣本數(shù)量；i為源域數(shù)據(jù)中的源域樣本編號(hào)；y為類別標(biāo)簽所對(duì)應(yīng)的領(lǐng)域判別器編號(hào)；nt為目標(biāo)域數(shù)據(jù)中的目標(biāo)域樣本數(shù)量；j為目標(biāo)域數(shù)據(jù)中的目標(biāo)域樣本編號(hào)；ps,y＝k為源域數(shù)據(jù)中源域樣本屬于第k個(gè)領(lǐng)域判別器所代表類別的概率分布；pt,y＝k為目標(biāo)域數(shù)據(jù)中目標(biāo)域樣本屬于第k個(gè)領(lǐng)域判別器所代表類別的概率分布；ps,y≠k為源域數(shù)據(jù)中源域樣本不屬于第k個(gè)領(lǐng)域判別器所代表類別的概率分布；π(ps,y＝k,pt,y＝k)為ps,y＝k和pt,y＝k的聯(lián)合概率分布；π(ps,y≠k,pt,y＝k)為ps,y≠k和pt,y＝k的聯(lián)合概率分布；為當(dāng)?shù)趇個(gè)源域樣本屬于第k個(gè)領(lǐng)域判別器所代表類別時(shí)，從提取的特征；為當(dāng)不屬于第k個(gè)領(lǐng)域判別器所代表類別時(shí)，從提取的特征；為第j個(gè)目標(biāo)域樣本屬于第k個(gè)領(lǐng)域判別器所代表類別時(shí)，從中提取的特征；γ1為使ps,y＝k中出現(xiàn)且分布pt,y＝k中出現(xiàn)的聯(lián)合概率分布；γ2為某個(gè)使ps,y≠k中出現(xiàn)且分布pt,y＝k中出現(xiàn)的聯(lián)合概率分布；為在聯(lián)合概率分布π(ps,y＝k,pt,y＝k)下求得的所有與距離的期望，存在γ1使這個(gè)期望最小；為的下確界；為在聯(lián)合概率分布π(ps,y≠k,pt,y＝k)下求得的所有與距離的期望，存在γ2使這個(gè)期望最??；為的下確界；||?||為范數(shù)符號(hào)。

31、進(jìn)一步地，所述相同類別目標(biāo)域數(shù)據(jù)的類內(nèi)方差損失的表達(dá)式為：

32、

33、其中，nt為目標(biāo)域數(shù)據(jù)中的目標(biāo)域樣本數(shù)量；j為目標(biāo)域數(shù)據(jù)中的目標(biāo)域樣本編號(hào)；y為類別標(biāo)簽所對(duì)應(yīng)的領(lǐng)域判別器編號(hào)；為當(dāng)?shù)趈個(gè)目標(biāo)域樣本屬于第k個(gè)領(lǐng)域判別器所代表類別時(shí)，從中提取的特征；為所有屬于第k個(gè)領(lǐng)域判別器所代表類別的樣本的平均值。

34、本發(fā)明的有益效果為：本發(fā)明利用物理世界中車軌耦合系統(tǒng)的動(dòng)力學(xué)參數(shù)建立數(shù)字孿生模型，利用該模型仿真車輛行駛在不同狀態(tài)的鋼軌上時(shí)的軸箱振動(dòng)響應(yīng)信號(hào)，擴(kuò)充了標(biāo)簽稀缺的軸箱信號(hào)數(shù)據(jù)集；使用特征提取器中的多層卷積層通過(guò)對(duì)樣本進(jìn)行特征提取，自適應(yīng)地逐層學(xué)習(xí)故障特征，實(shí)現(xiàn)不同鋼軌狀態(tài)的特征學(xué)習(xí)；為每個(gè)類別的樣本都配備獨(dú)立的領(lǐng)域判別器，保證提取到的源域和目標(biāo)域特征只會(huì)根據(jù)自己的類別進(jìn)行對(duì)齊；設(shè)計(jì)了一個(gè)wasserstein損失函數(shù)，在縮短同類別中源域和目標(biāo)域數(shù)據(jù)特征的同時(shí)盡量增大不同類別間數(shù)據(jù)特征的距離；使用類內(nèi)方差損失函數(shù)縮短同類別中目標(biāo)域數(shù)據(jù)特征之間的距離來(lái)提高鋼軌狀態(tài)診斷的準(zhǔn)確率；同時(shí)考慮了信號(hào)的時(shí)域特征與頻域特征，將仿真信號(hào)與采集信號(hào)的小波時(shí)頻圖作為樣本來(lái)提高網(wǎng)絡(luò)特征學(xué)習(xí)的效果；本發(fā)明中使用的批處理化方法可以解決初始化效果差的問題，幫助梯度傳播到網(wǎng)絡(luò)的每一層，加速模型收斂，同時(shí)有效減緩模型過(guò)擬合問題，避免生成模型崩潰，防止生成的樣本收斂到同一個(gè)點(diǎn)。