一种基于深度迁移学习的地铁车辆走行部故障诊断方法

摘要

本发明公开了一种基于深度迁移学习的地铁车辆走行部故障诊断方法，包括不同条件状态数据的提取、卷积神经网络的特征提取和基本分类、深度迁移学习的非对抗训练的特征对齐。首先，在不同条件状态数据的提取的基础上，通过对信号进行小波阈值降噪处理和数据归一化实现数据预处理；然后，以卷积神经网络CNN作为基本架构来提取特征和特征分类；最后使用迁移学习算法对架构进行改进，进行领域对抗训练，使源域特征分布和目标域特征分布对齐，不断调整模型参数直至参数收敛，实现走行部的故障识别。本发明提升了地铁车辆走行部在仅有少量目标数据时的诊断精度，降低诊断成本，增强了走行部故障诊断的环境适应性和通用性，具有潜在的经济价值。