买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京交通大学申请的专利一种基于残差神经网络的高速列车转向架故障诊断方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115545101B 。

龙图腾网通过国家知识产权局官网在2026-03-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211197869.0，技术领域涉及：G06F18/2433；该发明授权一种基于残差神经网络的高速列车转向架故障诊断方法是由董宏辉;满洁;贾利民;秦勇设计研发完成，并于2022-09-29向国家知识产权局提交的专利申请。

本一种基于残差神经网络的高速列车转向架故障诊断方法在说明书摘要公布了：本发明公开了属于高速列车故障诊断技术领域的一种基于残差神经网络的高速列车转向架故障诊断方法。高速列车转向架系统分为动力转向架和非动力转向架，复杂转向架系统可能诱发的故障种类多样，首先在列车转向架状态监测系统中安装多个不同种类的传感器，对重要部件进行状态监测和故障识别，建立RS‑GAT故障诊断模型，对转向架各部位进行故障诊断，并通过通信网络将列车转向架的状态信息实时传输到地面数据中心，由数据中心进行离线的模型训练，对高速列车转向架故障诊断；确保高速铁路列车在途运行的安全。

本发明授权一种基于残差神经网络的高速列车转向架故障诊断方法在权利要求书中公布了：1.一种基于残差神经网络的高速列车转向架故障诊断方法，其特征在于，具体步骤如下： 步骤1，转向架故障分析及分类， 高速列车转向架系统分为动力转向架和非动力转向架，动力转向架包括电机和齿轮箱在内的动力装置，由于转向架系统的构造复杂、诱发转向架系统各个部件故障的原因众多、故障种类多样；同时，其动力转向架中的轴承负荷相对较大，比非动力转向架更容易发生故障；同时为了保障列车的行车安全；需要及时对列车转向架系统的重要部件进行状态监测和故障识别，进行对故障状态分类；分析其可能产生故障原因；所述故障状态分为7类，分别包括：健康状态、构架故障、轴承故障、轮对故障、齿轮箱故障、牵引电机故障和空气弹簧故障；包含着影响最明显的24个传感器测点； 步骤2，转向架状态数据选择 在列车实际运行过程中，有许多可能影响转向架故障的因素，列车在启动、制动、加速和减速的不同工况下，造成的故障程度也有所区别；如果想提高转向架的故障诊断精确度，就需要针对性地从转向架多种检测数据中筛选出与转向架故障发生最相关的数据进行特征融合；因此使用皮尔森系数进行特征选择，筛选相关性特征时，使用的Pearson系数门限为0.8；通过筛选，得到影响最明显的24个传感器测点； 步骤3，建立转向架数据网络架构， 由于同一列列车在结构上是一体的，因此列车上的各个测点之间存在空间关联性；以24个传感器测点得到的24维传感器状态数据为输入，建立转向架故障诊断模型，输出7类故障状态；该模型是一个典型的多传感器融合的故障诊断模型； 步骤4，使用灰色理论确定图结构的框架，使用GGC方法采用格兰杰因果分析方法确定图结构边的方向；具体包括： 第一步：构造传感器信息矩阵X＝xijn×t，计算每个比较传感器的数值xj与参考传感器之间对应元素的关联系数ζijk；具体如下式所示： 其中n为传感器个数，t为时间，j时刻第1列和第i列的传感器数值分别为x1j和xij，ρ为关联关系常数； 第二步：计算关联度r′ij，如下式所示： 其中σj为j时刻的传感器数值间所有对应元素关联系数； 第三步：确定权重矩阵W＝wijn×n，规定图结构的权重由传感器之间的相关系数表示，则W的公式如下所示： W＝wijn×n＝rijn×n 第四步，定义高速列车图结构约束条件，选择三个约束条件，即数据关系R1、所属系统R2、所属车厢R3，共同作用传感器节点，采用加权的方法确定最终的高速列车图结构的关联关系矩阵R，具体公式如下所示： i＝1,2，...，n j＝1,2，...， R＝rijn×n＝w1·R1+w2·R2+w3·R3 w1+w2+w3＝1 其中，w1表示数据关系R1的权重，w2表示所属系统R2的权重，w3表示所属车厢R3的权重； 第五步：确定边的方向，在高速列车传感器测点的时间序列上，如果车辆信息测点vi的值Xi在l秒内对测点vj的值Xj造成影响，也就是说观察到Xi的信息变化解释l秒后出现的Xj的信息变化，则说明Xi与Xj两者在数据上存在因果关系，即Xi→Xj；或引申为vi和vj之间存在因果关系，即vi→vj，eij＝1鉴于高速列车传感器测点的时间序列是一个稳定序列，采用基于VAR模型的格兰杰因果关系检验，建立Xi,Xj的VAR模型如下式所示： 其中，Xit和Xjt为高速列车传感器测点在t时刻的数值；Xit-k和Xjt-k为高速列车传感器测点在t-k时刻的数值，且k的取值空间为[0，l]；ak和ck是格兰杰因果系数；bk和dk是自回归系数；εi和μi为预测误差，与时间点无关，默认为白噪声； 假如Xit不是Xjt的格兰杰原因，则会出现a1＝a2＝...＝ai＝0；格兰杰因果关系检验是通过受约束的F-statistic完成，规定Xit残差平方和为RSSU，Xjt的残差平方和为RSSR，则F-statistic检验公式如下： 如果F检验结论拒绝原假设H0：a1＝a2＝...＝ai＝0，则传感器i是传感器j的格兰杰原因，即从顶点vi到顶点vj是一条有向边；否则，传感器i不是传感器j的格兰杰原因；同理，若F检验结论拒绝原假设H0：c1＝c2＝...＝ci＝0，则传感器i是传感器j的格兰杰原因，即从顶点vj到顶点vi是一条有向边；此外，如果格兰杰因果关系越强，反映到F上就是F的值越小，因此，高速列车图结构的边E＝eijn×n需要满足如下条件： 步骤5，RS-GAT故障诊断模型 以RSNet模型的框架为基础，输入转向架故障诊断有向图，使用聚合能力更强的GAT代替原有的卷积层，构建RS-GAT故障诊断模型；由于GAT在图神经网络中已经有聚合能力，因此RS-GAT模型在RSGAT单元中不使用Squeeze操作，但在最终的输出时使用GAP操作确保所有输入的特征图都取平均值作为输出；其中，RSNet模型是受DCNN模型和SENet的Squeeze操作启发，基于ResNet的残差学习框架而设计的一种CNN模型，其输入为一维时序信号。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京交通大学，其通讯地址为：100044 北京市海淀区西直门外上园村3号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。