基于改进图神经的高速列车制动闸片状态监测系统及方法

本发明属于轨道交通，涉及高速列车运行状态监测，尤其涉及不平衡数据下高速列车运行中高速列车制动闸片状态监测技术。

背景技术：

1、随着高速列车迅速发展，人们对列车制动也提出了更高的要求。机械制动作为列车主要制动方式之一，依靠制动盘和制动闸片的摩擦实现。研究表明列车经常在极端复杂多变的制动工况下服役，如高速紧急制动、重载反复制动等。由于受高速、重载以及由此引发的高温因素的影响，制动摩擦块易出现异常损耗，引起如偏磨、剥落和裂纹等劣化现象。劣化的摩擦块与制动盘界面摩擦时，会引发更剧烈的噪声和振动，影响乘坐舒适性，降低零部件的使用寿命，甚至威胁高速列车的安全运行。因此，及时对制动摩擦部分进行状态监测是高速列车安全可靠运行的重要技术保障。

2、随着人工智能技术的快速兴起，利用深度学习进行高速列车制动状态监测成为研究热点。zhang等提出一种基于卷积神经网络(cnn)和双向门控循环单元的集成模型，通过将多源信息融合实现智能监控制动器不均匀磨损的智能监控[zhang m,zhang x,mo j,etal.brake uneven wear of high-speed train intelligent monitoring using anensemble model based on multi-sensor feature fusion and deep learning；liu等提出了一种基于多元时序数据特征选择和特征融合的模型，实现重载列车制动系统故障诊断[liu z,zhang m,liu f,et al.multidimensional feature fusion and ensemblelearning-based fault diagnosis for the braking system of heavy-haul train[j].ieee transactions on industrial informatics,2021,17(1):41-51]；hu等提出深度子域泛化网络(dsgn)，通过dsgn学习和泛化了摩擦块不同位置偏磨的时频域加速度信号，无监督地实现目标制动闸片智能状态识别[hu r,zhang m,meng x,et al.deep subdomaingeneralisation network for health monitoring of high-speed train brake pads。以上研究侧重状态类别数据平衡下的列车制动状态监测，但高速列车在实际制动过程中，摩擦块长时间处于正常状态运行，传感器所采集到的正常样本居多，故障状态数据稀少，呈现数据不平衡问题。若将不平衡数据输入深度网络进行学习，得到的特征更偏向于正常状态样本，对故障状态数据欠拟合而导致识别错误。因此，不平衡数据集下的制动闸片状态监控成为实现高速列车制动摩擦状态监测的一个重要难点。

3、合成少数类样本的过采样技术、欠采样、下采样等策略提出，为解决样本数据量的不平衡问题提供了途径。但这类方法偏重考虑数据预处理技术，面临稳定性弱、参数选择困难和学习到的特征更偏向于正常样本特征的问题。近年来，相关学者采用临近算法、深度神经网络实现少量样本的特征提取，在增加样本多样性的同时能够有效保证高质量样本的提升。然而，以上方法仍然侧重于数据本身，缺乏对隐藏在数据间关系和结构的探索。在制动闸片实时状态检测中，通过所采集信号分析闸片在不同状态下数据之间的关联性，构建和学习信号数据的关联性有助于制动闸片的状态监测。

4、为解决上述问题，图卷积网络(gcn)方法将卷积运算从传统数据(例如文本、图像、结构化数据)推广到图数据(非结构化数据)，基于图论为图中保存的数据构建卷积网络。在数据处理方面考虑样本的相关性，使得不平衡中少数样本可供识别的特征增加，又在此基础上进行神经网络的运算，使其学习到的各样本特征量相等。摩擦块不同故障状态通过图来聚合自身特征与其关联特征，数据的几何结构可以提供更优信息，对制动闸片不平衡数据状态监测更具有实用性。liu等提出一种基于自编码器的supergraph特征学习，对构造的supergraph进行图卷积，在旋转机械不平衡训练数据集故障诊断中取得良好结果[liu j,zhou k,yang c,et al.imbalanced fault diagnosis of rotating machinery usingautoencoder-based supergraph feature learning[j].frontiers of mechanicalengineering,2021,16(4):829-839]；jongmin等提出边缘标记图神经网络(egnn)，通过直接利用集群内相似性和集群间不一致性来迭代更新边缘标签，获得了处理不平衡数据问题的良好泛化模型[jongmin k,taesup k,sungwoong k,et al.edge-labeling graphneural network for few-shot learning[m].2019]；deng等提出一种有向图卷积神经网络(dgcnn)，通过聚合邻居和外邻居的信号来增强少量目标样本的显著性区域特征[kenning m,deng j j,edwards m,et al.a directed graph convolutional neuralnetwork for edge-structured signals in link-fault detection[j].patternrecognition letters,2022,153:100-106]。虽然上述文献通过图构建边找到不同故障类型之间的联系，但在构建图时，忽略了节点特征与邻接节点拓扑关系差异的影响。制动闸片不平衡中数据，仅依靠特征空间构建关系图会混淆少数类样本数据，无法正确获取区分故障类别的重要信息。

5、综上所述，目前仍没有解决制动闸片不平衡数据问题，这将严重影响高速列车制动闸片状态有效监测，进而为高速列车安全运行带来隐患。

技术实现思路

1、本发明的目的是提供一种基于改进图神经的高速列车制动闸片状态监测系统及方法，能够有效解决高速列车制动闸片不平衡数据问题，从而实现对高速列车制动闸片状态的有效监测。

2、为解决上述问题，本发明提出了基于改进图神经的高速列车制动闸片状态监测系统(ft-gcn)，是一种自适应多通道图卷积网络，在gcn的基础上融合拓扑和特征空间构建输入网络的图。并使用贝叶斯优化算法对两图结构的邻居节点数进行优化，将最优值所构建的图输入图卷积网络中。然后网络提取出制动信号的特征嵌入，结合贝叶斯优化算法确定每个图空间的权值。本发明根据各自的权重进行集成，完成多图空间的融合，达到对制动闸片进行故障诊断的作用。

3、本发明提供的基于改进图神经的高速列车制动闸片状态监测系统，其包括：

4、输入矩阵构建模块，用于依据采集的摩擦块原始信号构建节点特征矩阵和表征各个节点相似度的关系矩阵；

5、输入图构建模块，用于依据节点特征矩阵和关系矩阵，构建特征图和拓扑图；并利用贝叶斯优化对构建的特征图和拓扑图进行优化；

6、特征提取模块，包括两个并行设置的结构相同的图形卷积单元和特征融合单元；两个图形卷积单元分别用于依据特征图和拓扑图提取第一特征和第二特征；特征融合单元用于将第一特征和第二特征结合自适应权重进行加权融合得到融合特征；

7、故障识别模块，用于依据得到的融合特征确定故障类别。

8、上述输入矩阵构建模块，所述原始信号包括n个节点，每个节点包含n个特征向量；n个节点特征构成节点特征矩阵x；两个节点之间的相互关系均采用余弦相似度计算得到，即向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小度量。

9、

10、式中，xi和xj分别表示两个节点向量，aij表示两个节点向量之间的相似度。

11、初始时，所有节点之间的余弦相似度构成关系矩阵a，关系矩阵a中包含k1个节点；k1＝n。

12、上述输入图构建模块包括以下子模块：

13、拓扑图构建子模块，由关系矩阵和节点特征矩阵生成拓扑图；

14、第一贝叶斯优化模块，用于对生成的拓扑图进行优化；

15、特征图构建子模块，首先基于knn算法，依据关系矩阵中各个节点的相似度，得到邻接矩阵，再由邻接矩阵和节点特征矩阵，生成特征图；

16、第二贝叶斯优化模块，用于对生成的特征图进行优化。

17、所述拓扑图构建子模块，由关系矩阵a和节点特征矩阵x生成拓扑图g＝(a，x)。

18、所述特征图构建子模块，基于关系矩阵a，按照各节点之间的余弦相似度降序排列，为每个节点选择前k2个相似节点来设置边，得到邻接矩阵af：

19、

20、式中，m、n表示两个节点，e表示节点关联边集合。

21、再由关系矩阵af和节点特征矩阵x生成特征图gf＝(af，x)。

22、所述第一贝叶斯模块和第二贝叶斯模块利用贝叶斯优化算法分别对拓扑图和特征图进行优化(即对k1和k2进行优化)，得到具有最优k1和k2的拓扑图和特征图。贝叶斯优化又称为基于序列模型的优化方法(smbo)。贝叶斯优化方法为使用高斯过程回归模型分别得到特征图和拓扑图的目标函数f(k)，并按照以下优化函数，得到满足目标函数的全局最优解k*(参见shahriari b,swersky k,wang z,et al.taking the human out of the loop:a review of bayesian optimization[j].proceedings of the ieee,2016,104(1):148-75)：

23、

24、k*表示f(k)约束域的全局最优值。

25、上述特征提取模块，包括两个并行设置的结构相同的图形卷积单元(gcn)和特征融合单元。

26、图形卷积单元由依次设置的两个结构相同的图卷积层组成；每个图卷积层包括若干过滤层和位于各过滤层之后的激活函数以及池化层。图卷积层根据图的拉普拉斯和切比雪夫多项式实现(参见kan guo；yongli hu；zhen qian,et al.civil and environmentalengineering and h.john heinz iii college,carnegie mellon university,pittsburgh,pa,usadynamic graph convolution network for traffic forecastingbased on latent network of laplace matrix estimation)，其中，滤波层和激活层都是为了生成更好的节点特征。第二个卷积层的输出前采用归一化进行范围固定。池化层对节点特征进行汇总，生成能够捕获整个图信息的高层特征。池化层跟随一系列图滤波层和激活层之后，经过图池化层，产生具有更抽象和更高级别的节点特征的粗化图。通过上述图像卷积单元的多次迭代后，使用多个块来从输入中提取故障特征。

27、学习的特征通过归一化处理后，考虑到节点标签与经图形卷积单元提取的拓扑图和特征图两者都相关性不同，在两个并行设置的图形卷积单元后设置特征融合单元。特征融合单元利用贝叶斯网络提取这些进行分类特征的权重(参见shahriari,bobak；swersky,kevin；wang,ziyu et al.taking the human out of the loop:a review of bayesianoptimization)。然后对拓扑图和特征图利用提取的相应权重经加权求和得到融合特征。

28、上述故障识别模块，可以利用argmax函数，依据融合特征，确定故障类别。

29、本发明进一步提供了基于改进图神经的高速列车制动闸片状态监测系统的训练方法，其包括以下步骤：

30、a1将训练用数据样本划分为训练集和验证集；

31、a2利用输入矩阵构建模块，对训练用数据样本进行处理，得到相应的节点特征矩阵和表征各个节点相似度的关系矩阵；

32、a3首先依据训练用数据样本的节点特征矩阵和关系矩阵，利用输入图构建模块得到拓扑图和特征图；然后利用得到的拓扑图和特征图，基于贝叶斯优化分别得到拓扑图的节点参数k1和特征图的节点参数k2；

33、a4利用经输入矩阵构建模块和训练后的输入图构建模块处理后的训练集数据分别对适用于拓扑图和特征图的图形卷积单元和故障识别模块进行训练，固定图形卷积单元网络参数；

34、a5对两个图形卷积单元和特征融合单元构成的特征提取模块，利用经输入矩阵构建模块和训练后的输入图构建模块处理后的验证集数据，通过贝叶斯优化得到特征融合单元对两个图形卷积单元输出特征所占权重，完成对高速列车制动闸片状态监测系统的训练。

35、上述步骤a3中，利用得到的拓扑图和特征图采用optuna库对第一贝叶斯优化模块和第二贝叶斯优化模块进行训练，得到第一贝叶斯优化模块的最优参数k1和第二贝叶斯优化模块的最优参数k2。

36、本发明进一步提供了基于改进图神经的高速列车制动闸片状态监测方法，其包括以下步骤：

37、s1依据采集的摩擦块原始信号构建节点特征矩阵和表征各个节点相似度的关系矩阵；

38、s2依据节点特征矩阵和关系矩阵，构建特征图和拓扑图；并利用贝叶斯优化对构建的特征图和拓扑图进行优化；

39、s3依据特征图和拓扑图分别进行提取第一特征和第二特征，并将第一特征和第二特征结合自适应权重进行加权融合得到融合特征；

40、s4依据得到的融合特征确定故障类别。

41、上述步骤s1中，各个节点相似度由各个节点间的余弦相似度计算得到。上述步骤s2包括以下分步骤：

42、s21由关系矩阵和节点特征矩阵生成拓扑图，并对生成的拓扑图采用贝叶斯优化算法进行优化；

43、s22首先基于knn算法，依据关系矩阵中各个节点的相似度，得到邻接矩阵，再由邻接矩阵和节点特征矩阵，生成特征图；然后对生成的特征图采用贝叶斯优化算法进行优化。

44、上述步骤s3包括以下分步骤：

45、s31分别对优化后的拓扑图和特征图进行图卷积处理，提取第一特征和第二特征；

46、s32基于第一特征和第二特征权重，对第一特征和第二特征进行加权求和得到融合特征。

47、上述步骤s3中，可以利用argmax函数，依据融合特征，确定故障类别。

48、本发明提供的基于改进图神经的高速列车制动闸片状态监测系统具有以下有益效果：

49、(1)从拓扑和特征双空间提取抽象特征，使用贝叶斯算法优化拓扑空间和特征空间邻居节点数，提高构建的图质量。

50、(2)利用gcn强大的图结构处理优势，融合来自多个图空间的信息，实现制动闸片不平衡数据状态监测。

51、(3)通过贝叶斯网络确定每个空间分支的最佳权重，提高系统最终决策的准确性。