本发明涉及地铁列车故障诊断，尤其是涉及一种基于ffmc模型的地铁列车传动系统多故障诊断方法。
背景技术：
1、地铁列车传动系统作为城市轨道交通的重要组成部分，其可靠性和安全性直接关系到地铁运营的稳定性和乘客的安全。然而，传动系统由多个复杂部件组成，这些部件在长期运行过程中容易发生各种类型的故障。因此，及时准确地诊断传动系统中的故障，保障其正常运行显得尤为重要。以往的地铁列车传动系统的机械部件故障研究主要采用传统方法，如应用变分模态分解、经验模态分解等算法对振动信号进行分解，然后选择其中的分量进行进一步分析。然而，传统方法在很大程度上依赖专家经验，而过多的人工干预不可避免地对诊断结果造成一定的影响。
2、如今，随着智能化水平的提高，对各类故障数据的采集速度和数量级都取得了显著提升，为深度学习方法在地铁列车传动系统故障诊断领域的广泛应用奠定了良好基础。作为当前广泛采用的智能研究方法，深度学习具备极强的自适应特征提取能力，在数据分析过程中有效地降低了人工干预和经验误差，因此正逐渐被越来越多的研究者应用于机械故障诊断领域。姚德臣等在《基于深度学习的城轨列车轴承复合故障诊断研究》中，将轴承振动信号转换为灰度图，再用卷积神经网络对得到的灰度图样本进行分析，可以有效识别城轨列车轴承故障。沈长青等在《基于多尺度卷积类内迁移学习的列车轴承故障诊断》中，先使用resnet-50网络提取数据的中间层次特征，然后在此基础上通过构建的多尺度特征提取器提取高层次的特征，最后输入分类器进行故障诊断，用于处理变工况下列车轴承的故障问题。罗宏林等在《有限变工况特征迁移学习方法及其在高速列车轴箱轴承故障诊断中的应用》中，将不同工况下提取的信号特征向量集通过监督式自编码器向标准工况下的信号特征做迁移，再将迁移后的信号特征输入由参考工况训练集特征预训练的卷积神经网络进行故障识别，实现了变工况下列车轴承的故障诊断。
3、虽然目前的研究针对机械故障诊断领域进行了研究，但目前研究皆针对于列车单一部件的故障数据且分类较少的情况，然而在一些复杂的条件下列车传动系统多种部件都会发生多种故障，使用普通模型来识别和诊断这一点很难达到预期的效果，易产生过拟合等问题。一些已有的复杂模型或许能够在多种部件种故障问题上取得一定的诊断效果，但深度学习模型对硬件的要求较高，而且其训练过程相对冗长，无法迅速产生诊断结果，因此在实际应用中并不适用。
技术实现思路
1、本发明的目的是提供一种基于ffmc模型的地铁列车传动系统多故障诊断方法，通过构建ffmc模型，实现了对地铁列车传动系统多故障的分类与诊断。
2、为实现上述目的，本发明提供了一种基于ffmc模型的地铁列车传动系统多故障诊断方法，步骤包括：
3、s1、获取地铁列车传动系统的多种部件故障数据集，对多种部件故障数据集进行预处理；
4、s2、将预处理后的多种部件故障数据集划分成训练集和测试集，并进行归一化处理；
5、s3、对卷积神经网络进行改进，构建ffmc模型并初始化ffmc模型参数；
6、s4、使用训练集对ffmc模型进行训练；
7、s5、使用测试集对训练好的ffmc模型进行测试，实现对地铁列车传动系统多故障的分类与诊断。
8、优选的，所述步骤s1中对多种部件故障数据集进行预处理包括：切分多种部件故障数据集中样本数据，对数据集中切分数据制作标签并将标签转换为one-hot编码。
9、优选的，所述步骤s3中ffmc模型包括输入层、时空特征融合层、多尺度卷积层、空洞卷积层和分类层，所述分类层包括全局平均池化层和输出层。
10、优选的，所述时空特征融合层包括卷积层、批量归一化层、gru层、置换层、重塑层、拼接融合层和最大池化层，时空特征融合层使用卷积层和gru层分别提取输入数据的空间特征和时序特征，并经过批量归一化层处理，使用置换层和重塑层进行维度转换和重塑使其输出形状与卷积层输出相同，最后使用拼接融合层将时序特征和空间特征进行融合。
11、优选的，所述多尺度卷积层包括不同尺度的卷积层、残差连接层、批量归一化层和最大池化层，多尺度卷积层使用不同尺寸卷积核的卷积层提取不同尺度的特征，然后通过残差连接层进行特征融合，并使用批量归一化层进行归一化处理，最后使用最大池化层降低空间维度。
12、优选的，所述空洞卷积层包括不同空洞率的卷积层、残差连接层、批量归一化层和最大池化层，空洞卷积层通过不同空洞率的卷积层提取数据不同感受野的特征，通过残差连接层进行特征融合，并使用批量归一化层进行归一化处理，最后使用最大池化层降低空间维度。
13、优选的，所述步骤s4中使用交叉熵函数对ffmc模型进行训练，训练过程中不断保存训练集上最小损失模型参数直至训练结束，最终的最小损失模型为最优ffmc模型。
14、优选的，所述步骤s5中使用测试集对生成的最优ffmc模型进行测试，实现对地铁列车传动系统多故障的分类与诊断。
15、因此，本发明采用上述一种基于ffmc模型的地铁列车传动系统多故障诊断方法，具有以下有益效果：
16、(1)对传统卷积神经网络进行了改进，融合gru、多尺度卷积、空洞卷积和残差连接，并使用全局平均池化层替代全连接层，提升了ffmc模型的特征提取能力和分类准确率；
17、(2)引入时空特征融合层，利用gru作为时序特征提取器，二维卷积核作为空间特征提取器并将提取的时序与空间特征进行融合，通过残差连接对多尺度卷积层与空洞卷积层进行特征融合，有效提升了特征提取的精度，降低了过拟合风险，保证了ffmc模型的稳定性。
18、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
1.一种基于ffmc模型的地铁列车传动系统多故障诊断方法，其特征在于，步骤包括：
2.根据权利要求1所述的一种基于ffmc模型的地铁列车传动系统多故障诊断方法，其特征在于，所述步骤s1中对多种部件故障数据集进行预处理包括：切分多种部件故障数据集中样本数据，对数据集中切分数据制作标签并将标签转换为one-hot编码。
3.根据权利要求1所述的一种基于ffmc模型的地铁列车传动系统多故障诊断方法，其特征在于：所述步骤s3中ffmc模型包括输入层、时空特征融合层、多尺度卷积层、空洞卷积层和分类层，所述分类层包括全局平均池化层和输出层。
4.根据权利要求3所述的一种基于ffmc模型的地铁列车传动系统多故障诊断方法，其特征在于：所述时空特征融合层包括卷积层、批量归一化层、gru层、置换层、重塑层、拼接融合层和最大池化层，时空特征融合层使用卷积层和gru层分别提取输入数据的空间特征和时序特征，并经过批量归一化层处理，使用置换层和重塑层进行维度转换和重塑使其输出形状与卷积层输出相同，最后使用拼接融合层将时序特征和空间特征进行融合。
5.根据权利要求3所述的一种基于ffmc模型的地铁列车传动系统多故障诊断方法，其特征在于：所述多尺度卷积层包括不同尺度的卷积层、残差连接层、批量归一化层和最大池化层，多尺度卷积层使用不同尺寸卷积核的卷积层提取不同尺度的特征，然后通过残差连接层进行特征融合，并使用批量归一化层进行归一化处理，最后使用最大池化层降低空间维度。
6.根据权利要求3所述的一种基于ffmc模型的地铁列车传动系统多故障诊断方法，其特征在于：所述空洞卷积层包括不同空洞率的卷积层、残差连接层、批量归一化层和最大池化层，空洞卷积层通过不同空洞率的卷积层提取数据不同感受野的特征，通过残差连接层进行特征融合，并使用批量归一化层进行归一化处理，最后使用最大池化层降低空间维度。
7.根据权利要求1所述的一种基于ffmc模型的地铁列车传动系统多故障诊断方法，其特征在于：所述步骤s4中使用交叉熵函数对ffmc模型进行训练，训练过程中不断保存训练集上最小损失模型参数直至训练结束，最终的最小损失模型为最优ffmc模型。
8.根据权利要求7所述的一种基于ffmc模型的地铁列车传动系统多故障诊断方法，其特征在于：所述步骤s5中使用测试集对生成的最优ffmc模型进行测试，实现对地铁列车传动系统多故障的分类与诊断。
