公开(公告)号：CN109766927A

公开(公告)日：2019-05-17

申请号：CN201811574962.2

申请日：2018-12-21

Applicant: 清华大学

Inventor： 董炜 ,  张国华 ,  庄志 ,  孙新亚 ,  闫友为 ,  燕翔 ,  蒋灵明 ,  吉吟东

IPC: G06K9/62 ,  B61L5/06 ,  G01R31/00

Abstract: 本发明提供一种基于混合深度学习的高铁道岔智能故障检测方法，该方法将结合深度学习自动特征提取及传统机器学习异常点检测的混合深度学习方法运用到道岔故障检测方法研究中，利用深度学习进行自动特征提取，形成了维度更小且更加抽象的特征数据，解决了特征提取过程依赖人工经验及聚类算法在高维数据下的计算困难问题；然后使用聚类算法结合专家知识选取正常数据簇，解决无法获得大量有标签数据问题；最后使用标注为正常的数据训练单分类支持向量机进行异常点检测并解决了道岔故障检测过程中无标签或标签不足的问题。

公开(公告)号：CN109766927B

公开(公告)日：2023-08-22

申请号：CN201811574962.2

申请日：2018-12-21

Applicant: 清华大学

Inventor： 董炜 ,  张国华 ,  庄志 ,  孙新亚 ,  闫友为 ,  燕翔 ,  蒋灵明 ,  吉吟东

IPC: G06F18/214 ,  G06F18/23 ,  G06F18/2411 ,  G06F18/21 ,  B61L5/06 ,  G01R31/00

Abstract: 本发明提供一种基于混合深度学习的高铁道岔智能故障检测方法，该方法将结合深度学习自动特征提取及传统机器学习异常点检测的混合深度学习方法运用到道岔故障检测方法研究中，利用深度学习进行自动特征提取，形成了维度更小且更加抽象的特征数据，解决了特征提取过程依赖人工经验及聚类算法在高维数据下的计算困难问题；然后使用聚类算法结合专家知识选取正常数据簇，解决无法获得大量有标签数据问题；最后使用标注为正常的数据训练单分类支持向量机进行异常点检测并解决了道岔故障检测过程中无标签或标签不足的问题。

公开(公告)号：CN109815983A

公开(公告)日：2019-05-28

申请号：CN201811573642.5

申请日：2018-12-21

Applicant: 清华大学

Inventor： 董炜 ,  张国华 ,  庄志 ,  孙新亚 ,  闫友为 ,  燕翔 ,  蒋灵明 ,  吉吟东

IPC: G06K9/62 ,  G06F17/50

Abstract: 本发明提供一种基于混合深度学习的高铁道岔智能故障预测方法，其利用降噪自编码器自动提取道岔电流曲线数据的特征，再基于密度聚类方法对无标签特征数据进行聚类，结合专家知识选取不同道岔故障标准下聚类簇作为正常数据，最后使用不同道岔故障标准下的正常数据分别训练单分类支持向量机，将两个单分类支持向量机输出结果交叉，形成道岔故障检测及预测四象限模型，对待测数据进行故障检测和预测；该方法和系统具有高效、客观地提取道岔动作电流曲线特征的优点；减少了人工逐条数据标注的工作量，具有可靠、高效获取正常数据的优点；仅输入不同故障标准下的正常数据即可进行道岔故障检测及预测的优点。

公开(公告)号：CN109815983B

公开(公告)日：2023-08-18

申请号：CN201811573642.5

申请日：2018-12-21

Applicant: 清华大学

Inventor： 董炜 ,  张国华 ,  庄志 ,  孙新亚 ,  闫友为 ,  燕翔 ,  蒋灵明 ,  吉吟东

IPC: G06F18/2433 ,  G06F18/2411 ,  G06F18/232 ,  G06F18/213 ,  G06F18/214 ,  G06N3/0455 ,  G06N3/084

Abstract: 本发明提供一种基于混合深度学习的高铁道岔智能故障预测方法，其利用降噪自编码器自动提取道岔电流曲线数据的特征，再基于密度聚类方法对无标签特征数据进行聚类，结合专家知识选取不同道岔故障标准下聚类簇作为正常数据，最后使用不同道岔故障标准下的正常数据分别训练单分类支持向量机，将两个单分类支持向量机输出结果交叉，形成道岔故障检测及预测四象限模型，对待测数据进行故障检测和预测；该方法和系统具有高效、客观地提取道岔动作电流曲线特征的优点；减少了人工逐条数据标注的工作量，具有可靠、高效获取正常数据的优点；仅输入不同故障标准下的正常数据即可进行道岔故障检测及预测的优点。

公开(公告)号：CN109934335A

公开(公告)日：2019-06-25

申请号：CN201910164985.4

申请日：2019-03-05

Applicant: 清华大学

Inventor： 张国华 ,  董炜 ,  章彭 ,  孙新亚 ,  闫友为 ,  燕翔 ,  蒋灵明 ,  吉吟东

IPC: G06N3/04 ,  G06N3/08 ,  G06N20/10

Abstract: 本发明提供一种基于混合深度学习的高铁道岔故障诊断方法，该方法在详细分析了VGG-Net结构与SVM原理之后，通过利用VGG-Net使用多个较小卷积核的卷积层代替一个较大卷积核的卷积层的思想与支持向量机在处理小数据方面具有良好分类性能的优势，设计提出了基于DCNN-SVM混合模型的高铁道岔智能故障诊断方法，本申请提供的诊断方法诊断准确率达到100％，远比传统单一的机器学习方法及现有技术采用的基于卷积神经网络的算法效果好，表明了通过混合深度学习思想将神经网络与机器学习算法混合在一起，所构建的新的混合模型，在实际应用中拥有着非常好的效果。