公开(公告)号：CN117874468A

公开(公告)日：2024-04-12

申请号：CN202410151550.7

申请日：2024-02-02

Applicant: 五邑大学

Inventor： 杨笑悦 ,  陈龙 ,  杨雨城 ,  张森

IPC: G06F18/20 ,  G06F18/241 ,  G06N3/0464 ,  G06N3/08 ,  G01M13/00

Abstract: 本发明提供一种基于CycflowGan和AEM的牵引系统故障诊断方法，包括以下步骤：S1）、通过获取数字仿真平台获取故障数据训练集#imgabs0#和测试数据集#imgabs1#；S2）、搭建基于Cycleflow‑Gan的故障检测模型，通过故障检测模型判定是否有故障发生；S3）、搭建基于AdaBoost Ensemble Model的集成故障定位模型。本发明能够检测高速列车运行过程中发生的微小故障并对故障进行准确的定位，通过将真实获取的故障数据测试集输入进强分类器，输出混淆矩阵实现故障的定位；本发明通过在实验室获取的故障数据集，训练故障检测模型和故障定位模型，故障诊断结果准确。

公开(公告)号：CN115906925A

公开(公告)日：2023-04-04

申请号：CN202211210914.1

申请日：2022-09-30

Applicant: 五邑大学

Inventor： 杨笑悦 ,  张森 ,  肖蒙 ,  王文宪 ,  成利刚 ,  贾莉 ,  吴开信 ,  吕秋霞

IPC: G06N3/045 ,  G06N3/0455 ,  G06N3/084 ,  G06N3/094 ,  G06F30/15 ,  G06F30/27

Abstract: 本发明提供一种基于循环生成对抗网络的牵引控制系统故障场景生成方法，包括：获取故障数据集Xf和运行现场的故障数据集Yf，将数据集划分为训练集和测试集；确定网络的输入和输出，构建基于CycleGAN的故障场景生成模型；设置生成器G和F和两个判别器DX和DY的参数并将预处理后的故障信号训练集输入故障场景生成模型中进行训练，输出得到生成的故障信号。本发明基于CycleGAN的模型使用对抗性损失和循环一致性损失同时学习正向映射和反向映射，对抗性损失有助于生成相关性高的故障样本，循环一致性损失防止生成器过分学习目标样本空间中的样本而过度改变原始目标空间中的样本，同时恒等映射损失尽可能的保留故障信号信息。