轨道交通车门系统机械部件磨损程度预测方法与系统与流程

本发明涉及轨道交通安全，尤其涉及一种轨道交通车门系统机械部件磨损程度预测方法与系统。

背景技术：

1、随着轨道交通行业的发展，城市轨道车辆门运行的安全性、可靠性受到广泛重视。目前，企业的主要维修策略仍是“传统的”基于时间的维修(简称tbm)，tbm是指完全根据设备/部件使用时间制定的预防性维修，其连续维修间隔一般为固定值。通过该种策略，只需要根据设备/部件的运行时间制定维护计划即可，故而容易实现。但是，如果在进行预防性维修时设备/部件仍然处于良好的健康状态，则会造成维修资源的不必要浪费；而如果机器的损坏速度比预期的要快，则设备/部件可能在下一次预防性维修执行前就已经发生故障停机。

2、由于监视、存储和数据分析等技术的发展，基于状态的维修(简称cbm)策略已逐渐成为企业优化生产管理的重要手段。cbm是指在设备/部件出现了明显的劣化后实施的维修，而状态的劣化是由被监测的机器状态参数变化反映出来的。cbm策略执行的前提是可靠地预测设备/部件当前时刻的剩余使用寿命，从而为管理者精准地制定生产和维修计划提供有价值的信息。车门系统关键机械磨损部件的磨损程度能够很好的反映其性能和寿命，对其直径进行准确的预测，有利于cbm策略的执行。

3、现在主要的研究集中在故障诊断和亚健康状态诊断，研究的思想是针对监测车门运动的电机输出曲线，个性化的提取相关时域特征，然后使用聚类、分类等机器学习方法，完成对应的预测目标。轨道车辆门系统由于其应用场景的特殊性，其电机输出曲线多变、运行工况复杂、干扰因素众多、特征隐蔽微弱，因此对于车门系统关键机械磨损部件的磨损程度预测研究较少。

4、滚动销是车门系统中一个至关重要的机械部件，其与丝杆接触连接，带动车门的运动。在运动的过程中，直径不断磨损变小，磨损程度不断加大(大概分为四种状态：健康，轻度磨损，中度磨损，严重磨损)。当状态达到严重磨损时，可能会影响到车门的正常开关功能，因此需要在滚动销出现问题前及时预警。滚动销被内置在一个螺母组件中，要在车门上直接测量其直径费时费力，测量成本较高。车门在常规报废周期中，滚动销不会达到严重磨损状态，因此实际运行无法采集到严重磨损数据。目前主要是通过故障模拟实验获得严重磨损数据来建立寿命预测模型。但是由于实验对象与正线对象在运行环境、运行工况等方面存在差异，通过模拟实验构建的模型若直接对正线对象的健康状态和剩余寿命进行预测时，其精度往往难以满足工程实际应用要求。

技术实现思路

1、发明目的：本发明旨在提供一种通过提取域不变特征，建立源域数据与目标域数据共用的映射关系，利用源域数据中的诊断知识对目标对象不同磨损状态进行预测；同时通过不断更新数据与迭代模型进一步提高模型预测精度的轨道交通车门系统机械部件磨损程度预测方法与系统。

2、技术方案：本发明所述的一种轨道交通车门系统机械部件磨损程度预测方法，包括以下步骤：

3、以退化模拟实验目标对象为源域对象，正线运行目标对象为目标域对象，进行数据采集和预处理；

4、将目标域健康状态数据与每个源域健康状态数据进行相似度比较，筛选相似度最高的源域数据；

5、基于域对抗神经网络构建迁移学习预测模型并训练；

6、正线数据采集处理并基于状态偏移检测进行标签标定，更新目标域数据；基于更新后的目标域数据集再次训练迁移学习预测模型。

7、优选地，所述预处理包括数据清洗之后将源域数据和目标域数据进行傅立叶变换和降采样处理，得到时域数据和频域数据，然后进行标准化处理。

8、优选地，所述筛选相似度最高的源域数据采用最大均值差异法。

9、优选地，所述迁移学习预测模型包括频域特征提取器、时域特征提取器、状态预测器、域判别器，所述频域特征提取器和时域特征提取器采用首层宽卷积深度神经网络结构构成的一维卷积神经网络模型，而状态预测器与域判别器采用浅层神经网络。

10、优选地，在模型训练过程中构建网络训练损失函数，所述网络训练损失函数包括状态预测器和域判别器对应的标签分类损失和领域判别损失以及梯度反转实现的对抗损失。

11、优选地，所述网络训练损失函数还包括正则化损失，通过在损失函数中加入惩罚项来防止模型的过拟合。

12、优选地，所述网络训练损失函数还包括在小样本数据训练中反映源域与目标域分布差异的分布损失；所述分布损失lossdis为：

13、

14、其中，n代表样本数，c(n,2)代表组合数目，si,j代表样本i与样本j的相似度损失；

15、

16、其中，hi、hj分别表示样本i与样本j的隐藏特征表示；与分别表示样本i与样本j的类别标签；k(.)表示核函数；f(.)表示关于的增函数；δ1、δ2表示常数。

17、优选地，所述状态偏移检测包括以目标域数据集中当前最严重的磨损状态为基准，设源域数据集中该磨损状态数据与下一磨损状态数据之间的隐藏表示特征的wasserstein距离为状态偏移判定阈值；计算新采集处理的正线数据与目标域中该磨损状态数据的隐藏表示之间的wasserstein距离，若超出判定阈值，则判定新采集处理的正线数据发生了状态偏移，进行现场直径测量，获得带标签的新数据加入目标域数据集，使得目标域数据更新。

18、优选地，当目标域对象数据集中包含两种或更多不同磨损状态的有标签数据时，建立机械部件磨损状态与车门开关次数m之间的映射函数从而逐步建立机械部件寿命预测模型。

19、本发明所述的一种轨道交通车门系统机械部件磨损程度预测系统，包括：

20、数据采集和预处理模块，用于以退化模拟实验目标对象为源域对象，正线运行目标对象为目标域对象，进行数据采集和预处理；

21、源域数据筛选模块，用于将目标域健康状态数据与每个源域健康状态数据进行相似度比较，筛选相似度最高的源域数据；

22、磨损程度预测模型构建和训练模块，用于基于域对抗神经网络构建迁移学习预测模型并进行训练；

23、目标域数据更新及模型二次训练模块，用于正线数据采集处理并基于状态偏移检测进行标签标定，更新目标域数据；基于更新后的目标域数据集再次训练迁移学习预测模型

24、有益效果：与现有技术相比，本发明具有如下显著优点：1、训练领域对抗神经网络，提取域不变特征，建立源域数据与目标域数据共用的映射关系，利用源域数据中的诊断知识对目标对象严重磨损状态进行预测；同时通过不断更新数据与迭代模型，算法的预测精度进一步获得有效提升；2、结合wasserstein距离和深度学习的偏移检测方法，仅在检测到对象状态出现显著偏移时进行直径测量，从而有效降低测量成本和工作量；3、通过引入分布损失函数，模型被训练以提高特征空间中同类数据的聚集度，同时确保不同类别数据之间的分布分离度，不仅促进了类别内数据的紧密度，而且通过在特征提取过程中减少源域和目标域数据的分布差异，增强了隐藏表示的域不变性；同时使得特征提取器能够生成更加稳定和泛化的隐藏表示，这些表示在不同数据域之间具有更好的迁移性，提高预测的准确性和可靠性。