1.一种高速动车用油压减振活塞阀系统，包括阻尼调节阀、活塞单向阀和底阀，所述阻尼调节阀、活塞单向阀和底阀各个结构初始值包括阻尼阀孔径、活塞单向阀孔径、弹簧刚度、预紧力、底阀孔径基本参数值；其特征在于，所述高速动车用油压减振活塞阀系统通过采集油压减振活塞阀系统的阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号；

采集阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据时采样频率大于信号频率的两倍；单位时间采样所选取的采样点的数量等于采样频率；

单位时间采样选择1024个采样点，即采样频率为1024Hz>2*137.48Hz，为有效保留原始阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号的故障特征，单个学习样本设置为32*32大小，把阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据转换为32*32大小的灰度图这种数据集形式，通过位深度为8位的灰度图灰度值的大小代表阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据的振动幅度，然后把数据集按一定比例进行分割，分为训练集和测试集；

运用卷积神经网络对样本数据进行训练、测试，对卷积神经网络结构中的各层数据运用数据可视化技术，完成阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据和卷积神经网络模型结合的初步应用场景构建；

引入宽残差网络模型，通过拓宽卷积核达到对阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据高频噪声信号和低频特征信号的过滤折中；

i i i

卷积神经网络有L层，其中第i层(i∈1,2,...,L)的输入为x ，参数为w ，该层的输出yi+1＝x ；忽略层数和偏置，它们之间的关系表示如下：

y＝F(x,wf)；

其中，F为非线性激活函数，参数wf的下标表明该操作对应于F，深度残差网络用下公式表示：y＝F(x,w)+x；

变形，得：

F(x,w)＝y‑x；

网络需要学习的函数F为公式右侧的残差项(y‑x)，称之为残差函数；残差学习模块有两个分支，包括左侧的残差函数，右侧的对输入的恒等映射；两个分支经过一个简单整合后，再经过一个非线性的变换ReLU激活函数，形成整个残差学习模块；由多个残差模块堆叠而成的网络结构称作残差网络；

提取各种信号的经典的时域统计学特征、频域特征，以及基于小波包分解获得时频域特征；

分别对各种信号的特征参数采用深度波尔曼兹机进行特征学习；接下来采用数据融合技术将深度波尔曼兹机学习到的各源特征进行融合；

最后将融合后的特征参数作为分类器支持向量机的输入，对油压减振活塞阀系统故障进行分类识别。

2.如权利要求1所述的高速动车用油压减振活塞阀系统，其特征在于，运用TensorFlow中的tensorboard数据可视化方法对卷积神经网络模型故障诊断准确率和目标函数损失进行统计；随着训练步数的增多，模型总体呈收敛状态；为了增加诊断准确率，采取增加网络深度的方法。

3.如权利要求1所述的高速动车用油压减振活塞阀系统，其特征在于，所述宽残差网络是在原始的残差模块的基础上增加一个系数k，从而拓宽卷积核的个数；具体包括：(1)包含L2正则化，解决阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据深度学习过程中过拟合、泛化能力差问题；在代价函数后加一个权值W平方和相关的正则化项；

(2)对源数据做数据增强，把源数据图片压缩为28*28的大小然后做位置移动起到数据扩充增强的效果，同时水平翻转；

(3)替换ReLU激活函数为ELU激活函数。

4.如权利要求1所述的高速动车用油压减振活塞阀系统，其特征在于，所述时域统计学特征包括：有量纲参数，包括：平均值、均方根值、方差、方根幅值、峰值、峭度、偏度。

5.如权利要求1所述的高速动车用油压减振活塞阀系统，其特征在于，无量纲参数，包括：波形指标、峰值指标、脉冲指标、裕度指标、峭度指标。

6.如权利要求1所述的高速动车用油压减振活塞阀系统，其特征在于，所述频域特征提取包括：应用快速傅里叶变换到时域信号，获得频域参数；频域特征参数包括：均值、方差、标准方差、偏度、峭度、中心频率、均方根值；均方根值，指的是在指定频带的频率幅值均方根值；

所述基于小波包分解提取时频域特征：每个小波包分解中，分解级数为6，也就是说获

6 6

得2个小波系数；每个小波系数的能量被计算，每个母小波共计2能量组成一个特征向量，表征故障状态特征。

7.如权利要求1所述的高速动车用油压减振活塞阀系统，其特征在于，所述特征学习过程包括：步骤一，将特征数据输入第一个受限玻尔曼兹机RBM1，假设其可视层为v，采用一步对比(1)散度算法,基于重构的可视层矢量中场值，学习计算得到隐藏层第一层h 、层间自顶向下(1) (1)的连接权值W ，层间自底向上的连接权值矩阵为2W ；

(1) (1) (1)

步骤二，冻结RBM1的自底向上的连接权值矩阵为2W ，按照条件概率P(h |v；2W )抽(1)样，提取特征h 作为第一个受限玻尔曼兹机RBM2的输入；RBM2自顶向下和自底向上两个方(2)向的连接权值都为2W ，基于重构的可视层矢量中场值，采用一步对比散度算法，训练RBM2；

(2) (2) (1) (2)

步骤三，冻结RBM2的连接权值矩阵为2W ,按照条件概率P(h |v；2W ,2W )抽样提取(2)特征h ，作为RBM3的输入，训练方式同步骤二；

步骤四，步骤三进行递归处理，直到L‑1层，L指深度波尔曼兹机的隐藏层数；

步骤五，使用一步对比散度算法训练顶层的受限玻尔曼兹机RBM，约束条件为：自底向(L) (L)上的连接权重为W ，自顶向下的连接权重为2W ；

(1) (2) (L)

步骤六，使用连接权值{W ，W ，…,W },构建一个深度波尔曼兹机；

步骤七，利用构建好的深度波尔曼兹机进行特征提取。

8.如权利要求1所述的高速动车用油压减振活塞阀系统，其特征在于，采用多特征参数数据融合算法，对提取的各种模态特征进行特征融合。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～

8任意一项所述高速动车用油压减振活塞阀系统的检测功能。

10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～8任意一项所述高速动车用油压减振活塞阀系统的检测功能。