基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115688036A(43)申请公布日2023.02.03(21)申请号202211330861.7(22)申请日2022.10.27(71)申请人江西科骏实业有限公司地址330100江西省南昌市新建区长堎镇子实路1589号2栋(72)发明人邓仰东肖罡倪宇飞万可谦黄凡玲刘小兰杨钦文(74)专利代理机构湖南兆弘专利事务所(普通合伙)43008专利代理师刘畅舟(51)Int.Cl.G06F18/2433(2023.01)G06F18/25(2023.01)G06N3/0475(2023.01)G06N3/094(2023.01)权利要求书3页说明书9页附图3页(54)发明名称基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法(57)摘要本发明公开了一种基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法，包括以下步骤：采集轨道车辆走行部的传感数据，并保存在数据库中；建立结构学习模型和生成式对抗网络模型，将结构学习模型和生成式对抗网络模型的结果叠加作为健康基线数据；获取目标时段内轨道车辆走行部的传感数据作为实时监测数据，根据实时监测数据和对应的健康基线数据计算实时偏差；计算目标时段中所有实时偏差的平均误差，若平均误差大于预设的报警阈值，判断出现异常。本发明能够对于轨道车辆走行部结构特征进行精确的机理分析，实现异常检测的动态实时跟踪。CN115688036ACN115688036A权利要求书1/3页1.一种基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法，其特征在于，包括以下步骤：采集轨道车辆走行部的传感数据，并保存在数据库中；建立结构学习模型和生成式对抗网络模型，对所述结构学习模型训练时根据FFX算法和Deap算法筛选最优模型并进行简化，简化后的最优模型根据数据库的历史数据预测目标时段的传感数据，生成式对抗网络模型根据目标时段的传感数据预测值和实际值生成目标时段的数据序列，将结构学习模型和生成式对抗网络模型的结果叠加作为健康基线数据；获取目标时段内轨道车辆走行部的传感数据作为实时监测数据，根据实时监测数据和对应的健康基线数据计算实时偏差；计算目标时段中所有实时偏差的平均误差，若平均误差大于预设的报警阈值，判断出现异常。2.根据权利要求1所述的基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法，其特征在于，建立结构学习模型的具体步骤包括：设定运算子集合P作为基函数集合Ψ的初始值，将因变量X作为操作数，以及对应的目标变量y作为评估指标计算的参考；从基函数集合Ψ选择目标基函数作为运算子或操作数，并将其加入到当前基函数集合中，重复本步骤，直到当前基函数集合的大小和质量达到预设的迭代触发阈值；对当前基函数集合与模型参数进行融合得到当前模型，用当前模型根据因变量对目标变量进行估计，通过计算目标变量的估计值和实际值的误差学习模型参数；通过模型评价指标对当前模型的质量进行评价，若当前模型的质量不满足要求则返回设定运算子集合P作为基函数集合Ψ的初始值的步骤，或者返回从基函数集合Ψ选择目标基函数作为运算子或操作数的步骤，若当前模型的质量满足要求则输出当前模型。3.根据权利要求2所述的基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法，其特征在于，当前模型的表达式如下：上式中，i＝1,...,nb，为目标变量估计值，X为因变量，为x1到xm的合并矩阵，Ψi为当前基函数集合，ai为Ψi中各基函数的系数，b为偏移量，nb表示基函数集合个数，m为输入数据维数，x1到xm分别表示m个观测变量，即m个传感器的传感数据。4.根据权利要求2所述的基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法，其特征在于，所述模型评价指标具体包括：模型优化目标：以最小化目标变量的估计值和实际值的误差平方和为优化目标，即准确性因子模型泛化性：用准确性因子和复杂度因子度量模型准确率和模型复杂度，使用模型复杂度作为模型的约束，与准确性因子进行约束求解，同时保证模型的准确性和泛化性。5.根据权利要求4所述的基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法，其特征在于，所述准确性因子表达式如下：2CN115688036A权利要求书2/3页上式中，RMSE是标准的均方根误差，ti为采样点t的第i个时刻，yti为采样点t的第i个时刻的目标变量观测量，为采样点t的第i个时刻的目标变量估计量，n为目标变量y向量的大小。所述复杂度因子由基函数个数表示，表达式如下：上式中，X为因变量，为x1到xm的合并矩阵，ai为基函数集合Ψi中各基函数的系数，b为偏移量，nb表示基函数集合个数，f(X)为结构学习模型。6.根据权利要求5所述的基于符号回归和生成式对抗网络的轨道车辆走行部异常检测方法，其特征在于，