一种无监督自学习列检算法的制作方法
本发明涉及铁路车辆故障检测,特别涉及一种无监督自学习列检算法。
背景技术:
1、当前,铁路车辆故障轨边图像检测系统(如tfds)已广泛部署,基于深度学习的自动化检测方法逐步应用。现有技术主要分为三类:第一类是基于重建范式的无监督异常检测,使用自编码器或生成器仅对正常图像训练,通过重构差异定位异常。然而这类方法存在根本性缺陷——模型倾向于将异常区域“完美重建”为正常形态,导致细小裂纹或螺栓松动等轻微故障被漏检;反之若异常过于显著,整张图像又会被误判为异常,无法精确定位。第二类是在特征层添加人造噪声(如高斯白噪声)模拟异常,以此训练模型对异常的敏感度,但人造噪声与真实故障的分布差异显著,难以覆盖铁路现场复杂多变的故障模式。第三类是基于元学习或少样本学习的方法,但仍需一定量标注样本,且新型故障不断涌现时需频繁重新训练或人工干预,不具备持续自学习能力。上述技术共同存在以下核心问题:未利用铁路车辆固有的运行周期性(同一车辆在同交路重复运行时具有相似的工况条件),无法区分天气、载荷、速度等正常波动与真实故障;缺乏对自身认知边界的判断能力,即模型“不知道自己所不知道的”,无法主动触发增量学习;自学习过程往往陷入灾难性遗忘,即学到新故障类型后遗忘旧知识;检测依赖单一模态数据,面对图像模糊、光照变化或传感器噪声时鲁棒性不足。
技术实现思路
1、本发明的主要目的在于提供一种无监督自学习列检算法,可以有效解决背景技术中提到的问题。
2、为实现上述目的,本发明采取的技术方案为:
3、一种无监督自学习列检算法,包括以下步骤:
4、步骤s1:获取铁路车辆的运行交路信息,基于车辆运行周期性构建三维正常基线,所述三维正常基线包括时间维度基线、交路维度基线和车辆维度基线,并通过聚类方法对历史检测数据自动分类以筛选正常运行状态用于基线建模;
5、步骤s2:构建分布内解码的异常检测网络,所述网络采用物理信息增强的双路编码-解码结构,以运行交路编码和时间里程信息为条件输入,编码器末端设有特征解耦模块,解码器接收周期性先验引导以生成位于正常分布之内的重构输出,并通过差异约束损失函数控制重构结果与输入之间的差异,推理时基于重构差异生成异常分数并动态计算异常阈值;
6、步骤s3:构建分布外感知模块,通过集成潜在空间密度估计、重建差异分布概率和多分支一致性差异判断样本是否超出已学习知识范围,当判定为分布外未知样本时触发主动增量学习,所述主动增量学习采用基于原型回放的持续学习框架,利用经验回放与参数正则化策略更新模型;
7、步骤s4:融合多源异构数据,包括图像数据、振动或声学数据、温度数据及语义元数据,通过跨模态注意力机制进行特征对齐与融合,并将语义元数据作为条件输入注入检测网络;
8、步骤s5:将检测网络部署于轨旁边缘计算节点进行在线推理,输出正常、异常或分布外未知三类结果,异常结果与分布外样本上报数据中心,数据中心定期执行步骤s2的模型增量更新和步骤s1的基线重构,生成新模型版本并下发至边缘节点,形成自学习闭环。
9、优选的,所述步骤s1中,时间维度基线用于捕获部件随运行时间的渐进老化趋势,交路维度基线利用同一交路内运行规律的一致性过滤随机扰动,车辆维度基线基于同车型同类部件的群体数据建立健康参考分布。
10、优选的,所述步骤s2中,差异约束损失函数包括重建损失、差异上限约束损失、特征分布对齐损失以及周期性一致性损失,其中周期性一致性损失用于确保重构结果保持与输入相同的运行交路语义。
11、优选的,所述步骤s3中,潜在空间密度估计采用高斯混合模型或归一化流建模,重建差异分布尾部行为采用极值理论建模;所述原型回放缓冲区存储正常样本核心嵌入、已识别故障类型原型以及分布外样本临时嵌入,当分布外样本累积达到预设数量并经人工复核确认为新故障类型后,将其原型稳定写入缓冲区。
12、优选的,所述步骤s4中,当缺失某类传感器数据时,网络通过跨模态推断进行信息补全。
13、优选的,所述步骤s5中,边缘节点部署的检测网络为经剪枝量化后的轻量化模型;数据中心执行增量更新时采用弹性权重巩固与知识蒸馏相结合的策略以防止灾难性遗忘。
14、与现有技术相比,本发明具有如下有益效果:
15、本发明利用铁路车辆的运行周期性构建时间-交路-车辆三维正常基线,将工况正常波动与真实故障解耦,从而降低工况变化导致的误报;采用周期性先验引导的分布内解码网络,以差异约束控制重构输出在正常分布之内,避免传统重建范式因过度匹配正常形态而漏检轻微故障或无法定位异常;引入分布外感知模块,通过集成潜在空间密度、重建差异概率及多分支一致性识别未知样本,并触发基于原型回放与弹性权重巩固的增量学习,使模型在无需标注的情况下持续积累新故障知识且不遗忘旧知识;融合图像、振动、温度及语义元数据,利用跨模态注意力增强特征,提高单传感器失效时的检测鲁棒性。
1.一种无监督自学习列检算法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种无监督自学习列检算法,其特征在于:所述步骤s1中,时间维度基线用于捕获部件随运行时间的渐进老化趋势,交路维度基线利用同一交路内运行规律的一致性过滤随机扰动,车辆维度基线基于同车型同类部件的群体数据建立健康参考分布。
3.根据权利要求1所述的一种无监督自学习列检算法,其特征在于:所述步骤s2中,差异约束损失函数包括重建损失、差异上限约束损失、特征分布对齐损失以及周期性一致性损失,其中周期性一致性损失用于确保重构结果保持与输入相同的运行交路语义。
4.根据权利要求1所述的一种无监督自学习列检算法,其特征在于:所述步骤s3中,潜在空间密度估计采用高斯混合模型或归一化流建模,重建差异分布尾部行为采用极值理论建模;所述原型回放缓冲区存储正常样本核心嵌入、已识别故障类型原型以及分布外样本临时嵌入,当分布外样本累积达到预设数量并经人工复核确认为新故障类型后,将其原型稳定写入缓冲区。
5.根据权利要求1所述的一种无监督自学习列检算法,其特征在于:所述步骤s4中,当缺失某类传感器数据时,网络通过跨模态推断进行信息补全。
6.根据权利要求1所述的一种无监督自学习列检算法,其特征在于:所述步骤s5中,边缘节点部署的检测网络为经剪枝量化后的轻量化模型;数据中心执行增量更新时采用弹性权重巩固与知识蒸馏相结合的策略以防止灾难性遗忘。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com