轨道交通车门系统机械部件磨损程度预测方法与系统与流程

1.一种轨道交通车门系统机械部件磨损程度预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的轨道交通车门系统机械部件磨损程度预测方法，其特征在于，所述预处理包括数据清洗之后将源域数据和目标域数据进行傅立叶变换和降采样处理，得到时域数据和频域数据，然后进行标准化处理。

3.根据权利要求1所述的轨道交通车门系统机械部件磨损程度预测方法，其特征在于，所述筛选相似度最高的源域数据采用最大均值差异法。

4.根据权利要求1所述的轨道交通车门系统机械部件磨损程度预测方法，其特征在于，所述迁移学习预测模型包括频域特征提取器、时域特征提取器、状态预测器、域判别器，所述频域特征提取器和时域特征提取器采用首层宽卷积深度神经网络结构构成的一维卷积神经网络模型，而状态预测器与域判别器采用浅层神经网络。

5.根据权利要求1所述的轨道交通车门系统机械部件磨损程度预测方法，其特征在于，在模型训练过程中构建网络训练损失函数，所述网络训练损失函数包括状态预测器和域判别器对应的标签分类损失和领域判别损失以及梯度反转实现的对抗损失。

6.根据权利要求5所述的轨道交通车门系统机械部件磨损程度预测方法，其特征在于，所述网络训练损失函数还包括正则化损失，通过在损失函数中加入惩罚项来防止模型的过拟合。

7.根据权利要求5所述的轨道交通车门系统机械部件磨损程度预测方法，其特征在于，所述网络训练损失函数还包括在小样本数据训练中反映源域与目标域分布差异的分布损失；所述分布损失lossdis为：

8.根据权利要求1所述的轨道交通车门系统机械部件磨损程度预测方法，其特征在于，所述状态偏移检测包括以目标域数据集中当前最严重的磨损状态为基准，设源域数据集中该磨损状态数据与下一磨损状态数据之间的隐藏表示特征的wasserstein距离为状态偏移判定阈值；计算新采集处理的正线数据与目标域中该磨损状态数据的隐藏表示之间的wasserstein距离，若超出判定阈值，则判定新采集处理的正线数据发生了状态偏移，进行现场测量，获得带标签的新数据加入目标域数据集，使得目标域数据更新。

9.根据权利要求1所述的轨道交通车门系统机械部件磨损程度预测方法，其特征在于，当目标域对象数据集中包含两种或更多不同磨损状态的有标签数据时，建立机械部件磨损状态与车门开关次数m之间的映射函数从而逐步建立机械部件寿命预测模型。

10.一种轨道交通车门系统机械部件磨损程度预测系统，其特征在于，包括：