单一线路高速列车转向架缺少足量故障数据特征,导致故障诊断模型泛化能力有限,为实现诊断多条线路高速列车的转向架故障,提出一种基于联邦学习的转向架全局故障诊断方法.针对每条线路各自的转向架振动信号,在本地使用多尺度卷积融合算法,提取不同尺度下的故障特征并融合,在本地建立局部转向架故障诊断模型;在不泄露数据隐私的前提下,所有线路的故障诊断模型通过第三方聚合,调整模型参数权重,对故障诊断模型进行优化,最终实现多方联合训练转向架全局故障诊断模型.实验表明:在联邦学习框架下,转向架全局故障诊断模型不仅对参与联邦建模的线路转向架故障诊断准确率达到93%以上,而且对于未参与联邦建模的线路转向架故障诊断率也可达到75%以上,给轨道交通中的“数据孤岛”问题提供了一种切实可行的方案.
杜家豪;秦娜;贾鑫明;张一鸣;黄德青;
西南交通大学电气工程学院,四川成都611756
计算机与自动化
联邦学习;故障诊断;转向架;高速列车
《西南交通大学学报》 2024 (001)
P.185-192 / 8
国家自然科学基金(62173279,U1934221);四川省科技计划(2022YFG0247,2021JDJQ0012);中央高校基本科研业务费(2682021ZTPY027)。
10.3969/j.issn.0258-2724.20220120
评论