1.一种高铁行车设备故障诊断方法,其特征在于,包括:
基于信号分析方法,从采集的高铁行车设备的一种或多种原始数据信号中提取故障特征;
基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断,获取每种所述原始数据信号对应的初步诊断结果;
基于多传感器融合算法将所有所述原始数据信号对应的初步诊断结果进行融合,获取所述高铁行车设备的最终诊断结果。
2.根据权利要求1所述的高铁行车设备故障诊断方法,其特征在于,基于信号分析方法,从采集的高铁行车设备的多种原始数据信号中提取故障特征的步骤包括:
对每种所述原始数据信号进行时域分析,获取每种所述原始数据信号的时域特征;
对每种所述原始数据信号进行频域分析,获取每种所述原始数据信号的频域特征;
对每种所述原始数据信号进行时频分析,获取每种所述原始数据信号的时频特征。
3.根据权利要求1所述的高铁行车设备故障诊断方法,其特征在于,基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断,获取每种所述原始数据信号对应的初步诊断结果的步骤包括:
若所述高铁行车设备的原始数据信号为一种,则将所述原始数据信号的故障特征分别输入学习向量化神经网络和决策树模型,对所述高铁行车设备进行初步故障诊断,获取所述原始数据信号对应的初步诊断结果。
4.根据权利要求1所述的高铁行车设备故障诊断方法,其特征在于,基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断,获取每种所述原始数据信号对应的初步诊断结果的步骤包括:
若所述高铁行车设备的原始数据信号包括声音信号,则将所述声音信号预处理成时频图后输入自适应堆叠式卷积神经网络模型,获取所述声音信号对应的初步诊断结果;或者,
将所述声音信号进行切片后输入端到端的堆叠式卷积神经网络模型,获取所述声音信号对应的初步诊断结果。
5.根据权利要求4所述的高铁行车设备故障诊断方法,其特征在于,将所述声音信号预处理成时频图后输入自适应堆叠式卷积神经网络模型,获取所述声音信号对应的初步诊断结果的步骤包括:
对所述声音信号进行分片,基于小波变换方法将分片后的所述声音信号从时域转换到时频域,获取所述声音信号的时频图,对所述时频图的尺寸进行调整;
基于所述自适应堆叠式卷积神经网络模型中的卷积层和池化层对调整尺寸后的所述时频图进行特征提取和降维;
将所述自适应堆叠式卷积神经网络模型中最后一个卷积层输出的特征输入到全连接层;
根据所述全连接层的输出,基于softmax函数获取所述声音信号对应的初步诊断结果。
6.根据权利要求4所述的高铁行车设备故障诊断方法,其特征在于,将所述声音信号进行切片后输入端到端的堆叠式卷积神经网络模型,获取所述声音信号对应的初步诊断结果的步骤包括:
基于所述端到端的堆叠式卷积神经网络模型中的前两个卷积层提取所述声音信号的局部特征;
基于所述前两个卷积层之后的池化层对所述声音信号的局部特征进行不重叠的最大池化操作,输出类频率特征;
基于所述池化层后的数据重塑层对所述类频率特征进行重塑;
基于所述数据重塑层后的两个卷积层继续对重塑后的类频率特征进行特征提取;
将所述端到端的堆叠式卷积神经网络模型中最后一个卷积层输出的特征输入到全连接层;
根据所述全连接层的输出,基于softmax函数获取所述声音信号对应的初步诊断结果。
7.根据权利要求1-6任一所述的高铁行车设备故障诊断方法,其特征在于,基于信号分析方法,从采集的高铁行车设备的多种原始数据信号中提取故障特征的步骤之前还包括:
根据采集每种所述原始数据信号的接口,对所述每种所述原始数据信号进行预处理;其中,所述预处理包括信号转化和清洗;
基于改进的证据理论融合算法对处理后的所述原始数据信号进行数据融合。
8.一种高铁行车设备故障诊断装置,其特征在于,包括:
提取模块,用于基于信号分析方法,从采集的高铁行车设备的一种或多种原始数据信号中提取故障特征;
诊断模块,用于基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断,获取每种所述原始数据信号对应的初步诊断结果;
融合模块,用于基于多传感器融合算法将所有所述原始数据信号对应的初步诊断结果进行融合,获取所述高铁行车设备的最终诊断结果。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述高铁行车设备故障诊断方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述高铁行车设备故障诊断方法的步骤。