(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211300554.4 (22)申请日 2022.10.24 (71)申请人 西南交通大 学 地址 610031 四川省成 都市二环路北一段 111号 (72)发明人 张敏　康庄　莫继良　程文明　 周仲荣　 (74)专利代理 机构 北京中济纬天专利代理有限 公司 11429 专利代理师 李蜜 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01)G01H 17/00(2006.01) (54)发明名称 噪声影响下变工况的高速列车制动闸片健 康状态监测系统及构建方法 (57)摘要 本发明公开一种噪声影响下变工况的高速 列车制动闸片健康状态监测系统及构建方法， 其 包括输入层， 用于对接收的制动闸片信号进行预 处理； 特征提取模块， 用于对经输入层得到的制 动闸片信号进行特征提取； IA M混合模块， 包括若 干并行设置的提取单元， 用于分别对 特征提取模 块提取的特征进行再提取， 并将各提取单元提取 的特征进行拼接； 分类器， 用于依据IAM混合模块 输出的拼接结果进行分类， 确定的制动闸片故障 类型。 本发明通过IAM模块能够学习所提取特征 的多个域不变表征并对齐， 通过所提出的损失函 数减小源域与目标域之间的距离， 实现源域与目 标域之间的迁移， 从而能够在噪声影 响及变工况 下更好的实现对制动闸片监控状态监测。 权利要求书2页 说明书10页 附图5页 CN 115526210 A 2022.12.27 CN 115526210 A 1.一种噪声影响下变工况的高速列车制动闸片健康状态监测系统， 其特 征在于， 包括： 输入层， 用于对接收的制动闸片信号进行 预处理； 特征提取模块， 用于对经输入层得到的制动闸片信号进行 特征提取； IAM混合模块， 包括若干并行设置的提取单元， 用于分别对特征提取模块提取的特征进 行再提取， 并将各提取单元提取的特征进 行拼接； 每个提取单元使用不同的神经网络结构， 每个提取单元后设置一个全局平均池； 分类器， 用于依据IAM混合模块输出的拼接结果进行分类， 确定的制动闸片故障类型。 2.根据权利要求1所述的噪声影响下变工况的高速列车制动闸片健康状态监测系统， 其特征在于， 所述特 征提取模块使用的是ResNet 残差网络 。 3.根据权利要求2所述的噪声影响下变工况的高速列车制动闸片健康状态监测系统， 其特征在于， ResNet残差网络包括顺次连接的四种残差块， 每种残差块包括三个卷积层； 每 种残差块的数量为2～4个； 每个残差块的第一个卷积层 并行设置下采样层， 下采样层由一 个卷积层与一个批量标准化层组成， 其卷积层的卷积核大小与输出通道数与其并行的残差 块的第三个卷积层一 致。 4.根据权利要求1所述的噪声影响下变工况的高速列车制动闸片健康状态监测系统， 其特征在于， 所述 IAM混合模块中， 提取 单元的神经网络结构为卷积神经网络 。 5.根据权利要求1所述的噪声影响下变工况的高速列车制动闸片健康状态监测系统， 其特征在于， 所述分类器包括用于重组多个特征的全连接层和用于输出分类结果的 softmax层。 6.根据权利要求1至5任一项所述的噪声影响下变工况的高速列车制动 闸片健康状态 监测系统， 其特征在于， 还包括优化模块， 用于在系统训练过程中， 获取系统损失函数， 并依 据损失值对系统网络参数进行优化。 所述系统损失函数包括分类损失和域 适应损失， 损失函数公式如下： 式中， J(·,·)表示交叉熵损失函数， 表示域适应损失， 表示系统预测结果， 表示源域第i个信号样本， 表示源域第i个信号样本 标签， ns表示源域信号样本 数量， hj 表示第j个提取单元， nr表示提取单元个数， g表示输入层和特征提取模块， Xs表示源域样品 信号， Xt表示目标域样本信号， λ>0表示权衡参数。 7.根据权利要求6任一项所述的噪声影响下变工况的高速列 车制动闸片健康状态监测 系统， 其特 征在于， 式中， 表示表征 与表征 之间的条件分 布差异， C表示标签的种类数量， c表示标签种类， 表示源域中标签为c的样本数量， 表示源域第k个标签为c的样本， 表示源域中标签 为c的样本集合， 表示目标域中标签权　利　要　求　书 1/2 页 2 CN 115526210 A 2为c的样本数量， 表示目标域第l个标签为c的样本， 表示目标域中标签为c的样本集 合， 表示通过映射 函数φ将 样本所映射到的特 征空间。 8.权利要求1至7任一项所述的噪声影响下变工况的高速列车制动闸片健康状态监测 系统的构建方法， 其特 征在于， 包括以下步骤： S1将训练用数据分为若干批次训练子集， 每批次训练子集包含相同数量的源域数据集 和目标域数据集； S2依次使用各批次训练子集对所述高速列车制动闸片健康状态监测系统进行训练； S3每完成一批次训练， 获取系统损失函数， 所述系统损失函数包括分类损失和域适应 损失， 损失函数公式如下： 式中， J(·,·)表示交叉熵损失函数， 表示域适应损失， 表示系统预测结 果， 表示源域第i个信号样本， 表示源域第i个信号样本标签， ns表示源域信号源域数 量， hj表示第j个提取单元， nr表示提取单元个数， g表 示输入层和特征提取模块， Xs表示源域 样品信号， Xt表示目标域样本信号， λ>0表示权衡参数； S4基于获取的损失值对系统网络参数进行优化。 9.根据权利要求8所述的噪声影响下变工况的高速列 车制动闸片健康状态监测系统的 构建方法， 其特征在于， 步骤S1中， 源域数据集由若干标签的制动闸片样本信号组成； 目标 域数据集由若干无 标签的制动闸片样本信号组成。 10.根据权利要求8所述的噪声影响下变工况的高速列车制动闸片健康状态监测系统 的构建方法， 其特 征在于， 步骤S3中， 式中， 表示表征 与表征 之间的条件分 布差异， C表示标签的种类数量， c表示标签种类， 表示源域中标签为c的样本数量， 表示源域第k个标签为c的样本， 表示源域中标签为c的样本集合， 表示目标域中标签 为c的样本数量， 表示目标域第l个标签为c的样本， 表示目标域中标签为c的样 本集 合， H表示 通过映射 函数φ将 样本所映射到的特 征空间。权　利　要　求　书 2/2 页 3 CN 115526210 A 3