一种轨道交通车辆关键部件无范例类增量故障诊断方法

本发明涉及轨道交通，具体涉及一种轨道交通车辆关键部件无范例类增量故障诊断方法。

背景技术：

1、牵引电机、齿轮箱和轴箱为轨道交通车辆走行与传动系统中的关键部件，其运行状态直接影响车辆牵引、制动和走行安全。基于深度学习的智能故障诊断方法能够从电机电流、齿轮箱振动和轴箱振动等多通道监测信号中自动提取判别特征，为轨道交通车辆关键部件的在线状态监测提供了技术基础。现有方法通常建立在封闭类别集合和静态数据分布的假设上，即训练阶段已经获得全部故障类别，并假设模型部署后不会出现新的故障类型。

2、轨道交通车辆服役周期长、运行线路与载荷工况复杂，关键部件的故障类别会随着磨损、疲劳、退化和多部件耦合而持续增加。例如，系统可能先获得牵引电机故障知识，随后陆续出现齿轮裂纹、齿面磨损、齿轮箱轴承损伤、轴箱轴承损伤以及复合故障。类增量学习要求车载或地面诊断模型在仅获得当前新故障类别样本的情况下扩展可识别类别，同时保持对历史故障类别的诊断能力。若直接使用新类别样本更新深度模型，新类别梯度会覆盖历史知识，造成历史类别准确率显著下降，即灾难性遗忘。

3、通过保存少量历史故障原始样本并在后续任务中回放，可以缓解灾难性遗忘。然而，轨道交通车辆监测数据涉及车辆技术状态、运行线路、载荷工况及维修策略，长期保留或跨任务调用历史原始信号受到数据管理与安全要求约束；同时，车载监测终端和边缘设备存储资源有限，持续保存高频、多通道、长时间的电流与振动信号会增加硬件和维护成本。因此，需要满足无范例约束，即在任务中禁止存储和访问任何旧故障类别的原始监测样本。

4、无范例类增量故障诊断通常保存每类特征均值作为原型，并通过最近类均值分类器进行诊断。但随着特征提取器在新的车辆关键部件故障任务中更新，旧类别样本在特征空间中的真实位置会发生变化，而原型仍停留在旧特征空间中，形成不可直接观测的特征漂移。现有原型校正方法多在任务结束时进行一次静态补偿，难以跟踪训练过程中逐步变化且具有非线性、类别差异性的漂移。

5、此外，仅保存类别中心不能描述牵引电机、齿轮箱和轴箱各故障类别分布的边缘。缺少旧样本参与训练时，新类别特征可能侵入旧类别分布的边缘区域，导致单一故障与复合故障、不同部件故障在决策边界处发生重叠。即使旧类别原型被校准，若未对旧类别边缘进行显式保护，仍会产生误分类和遗忘。

技术实现思路

1、针对现有技术中的上述不足，本发明提供了一种轨道交通车辆关键部件无范例类增量故障诊断方法，用于解决现有轨道交通车辆关键部件无范例类增量故障诊断无法直接测量旧类别特征漂移、静态原型校正难以跟踪训练过程及仅保护类别中心导致新旧类别边缘重叠的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：

3、一种轨道交通车辆关键部件无范例类增量故障诊断方法，包括以下步骤：

4、获取轨道交通车辆关键部件的故障类别监测信号，进行数据预处理，构建带故障类别标签的训练样本，训练基于特征提取器与线性分类器的故障诊断模型；

5、利用训练好的特征提取器提取各故障类别对应的训练样本的特征向量，计算各故障类别的原型及对应训练样本的归一化方向向量，通过聚类操作，生成各故障类别的方向聚类，筛选边界特征；

6、将各故障类型的原型存入原型存储库，将边界特征存入边界特征库；

7、当存在新故障类别时，将旧故障类别训练好的故障诊断模型作为旧模型并冻结，利用新故障类别构建新训练样本对当前故障诊断模型进行训练；

8、针对每个旧故障类别，随机选取若干新训练样本并施加初始扰动，输入至旧特征提取器，以最小化增加初始扰动的新训练样本的特征向量与旧故障类别的原型的距离为目标进行扰动优化，生成最优扰动，并叠加至对应的新训练样本，生成对抗漂移样本；

9、将对抗漂移样本分别输入冻结的旧特征提取器与训练好的当前特征提取器，生成新特征向量及旧特征向量，并计算特征向量差值作为旧特征向量的漂移标签，构建漂移训练集；

10、利用漂移训练集训练漂移预测器，将旧故障类别的原型与边界特征输入训练好的漂移预测器，生成对应的漂移量，以对旧故障类别的原型与边界特征进行校准，生成校准后的旧故障类别原型与边界特征；

11、将校准后的旧故障类别原型与边界特征作为排斥锚点，计算各新故障类别对应的新训练样本的特征向量到所有排斥锚点的最小欧式距离，构建边界排斥损失；

12、基于边界排斥损失，结合分类损失、知识蒸馏损失，构建增量训练总损失，更新当前故障诊断模型，生成更新后的当前故障诊断模型，并计算新故障类别的原型及边界特征，存储至对应的原型存储库及边界特征存储库；

13、将待测监测信号输入更新后的当前特征提取器，提取待测监测信号的特征向量，计算待测监测信号的特征向量与原型存储库中各故障类别原型的距离，将最小距离对应的故障类别作为诊断结果。

14、本发明具有以下有益效果：

15、1.一种轨道交通车辆关键部件无范例类增量故障诊断方法，只保存低维原型与少量边界特征，不保存历史故障原始信号；增量训练中的漂移监督由当前新故障类别对应的新训练样本、冻结旧模型和旧故障类别原型构造，满足数据隐私和边缘存储约束，提高了故障诊断精度；

16、2.本发明还通过对抗优化使新故障类别对应的新训练样本在旧特征空间中靠近不同旧故障类别原型，利用同一对抗漂移样本在旧、新特征提取器中的差异获得可训练的漂移标签，从而在缺少旧样本时对不可见的旧类别漂移进行间接测量；

17、3.本发明还在增量训练过程中周期更新漂移数据和漂移预测器，并同时校准旧故障类别原型与边界特征，相较任务结束时的一次性静态校正，能够持续跟踪特征空间的演化；

18、4.本发明还按照特征方向聚类选取各方向最外侧边界特征，并将其与原型共同作为排斥锚点，既保护旧故障类别中心，又保护旧故障类别分布的多方向边缘，有效抑制新类别特征侵入和决策边界重叠；

19、5.本发明诊断阶段仅需最终特征提取器和原型存储库，计算开销和存储开销较小，适于部署在轨道交通车辆车载监测终端或地面智能运维系统。

1.一种轨道交通车辆关键部件无范例类增量故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的轨道交通车辆关键部件无范例类增量故障诊断方法，其特征在于，利用训练好的特征提取器提取各故障类别对应的训练样本的特征向量，计算各故障类别的原型及对应训练样本的归一化方向向量，通过聚类操作，生成各故障类别的方向聚类，筛选边界特征的过程为：

3.根据权利要求1所述的轨道交通车辆关键部件无范例类增量故障诊断方法，其特征在于，以最小化增加初始扰动的新训练样本的特征向量与旧故障类别的原型的距离为目标进行扰动优化的计算公式为：

4.根据权利要求3所述的轨道交通车辆关键部件无范例类增量故障诊断方法，其特征在于，对抗漂移样本表示为：

5.根据权利要求1所述的轨道交通车辆关键部件无范例类增量故障诊断方法，其特征在于，特征向量差值表示为：

6.根据权利要求1所述的轨道交通车辆关键部件无范例类增量故障诊断方法，其特征在于，利用漂移训练集训练漂移预测器时，引入均方误差进行参数更新，表示为：

7.根据权利要求6所述的轨道交通车辆关键部件无范例类增量故障诊断方法，其特征在于，校准后的旧故障类别原型与边界特征表示为：

8.根据权利要求1所述的轨道交通车辆关键部件无范例类增量故障诊断方法，其特征在于，边界排斥损失表示为：

9.根据权利要求1所述的轨道交通车辆关键部件无范例类增量故障诊断方法，其特征在于，增量训练总损失表示为：

10.根据权利要求1所述的轨道交通车辆关键部件无范例类增量故障诊断方法，其特征在于，诊断结果表示为：