发明内容
本发明为了解决现有技术中存在的问题,提供了一种列车故障诊断方法及***。
为了实现上述的目的,本发明的技术方案是:一种列车故障诊断方法,包括以下步骤:
步骤S1:采集列车设备电气特性的实时状态数据;并分别存入过程数据库和历史数据库;
步骤S2:以历史数据库中的数据为依据,建立基于神经网络结构的故障模型,该神经网络结构由输入层、隐层和输出层组成,分别为:
1)输入层节点i,其输出等于输入xi(i=1,2,...,n),将控制变量值传输到隐层;
2)隐层节点j,其输入为hj,输出为Oj,分别为:
其中,ωij表示输入层第i个节点到隐层第j个节点之间的连接权值;θj表示隐层第j个节点的阈值;
3)输出层节点k,其输入hk、输出yk分别为:
其中,ωjk表示隐层第j个节点到输出层第k个节点之间的连接权值;θk表示输出层第k个节点的阈值;Oj表示隐层第j个节点的输出;
在工作期,各节点的连接权值固定不变,网络的计算从输入层开始,逐层逐个节点地计算每一个节点的输出,直到输出层中的各节点计算完毕;
在学习期,各节点的输出保持不变,从输出层开始,反向逐层逐个节点地计算各连接权值的修改量;
如果输出层的网络输出与所期望的输出相差较大,则开始反向传播,根据网络输出与所期望输出的信号误差,对网络节点间的各连接权值进行修改,来减小网络输出信号与所期望输出的误差;
步骤S3:通过故障模型对过程数据库中的实时状态数据进行分析,判断故障发生以及进行故障分析。
优选的是,所述实时状态数据包括列车运行状态的数字量信息、模拟量信息以及列车总线上的数据信息。
优选的是,还包括人机交互的步骤,用户根据数据的门限值来定义报警的级别。
本发明提供的一种列车故障诊断***,包括:
数据采集模块,采集列车设备电气特性的实时状态数据;
以及分别与数据采集模块连接用于储存数据采集模块采集到的实时状态数据的过程数据库、历史数据库;
以及基于由输入层、隐层、输出层构成的神经网络结构的故障分析模块,在工作期,各节点的连接权值固定不变,网络的计算从输入层开始,逐层逐个节点地计算每一个节点的输出,直到输出层中的各节点计算完毕;在学习期,各节点的输出保持不变,从输出层开始,反向逐层逐个节点地计算各连接权值的修改量;如果输出层的网络输出与所期望的输出相差较大,则开始反向传播,根据网络输出与所期望输出的信号误差,对网络节点间的各连接权值进行修改,来减小网络输出信号与所期望输出的误差;
故障分析模块根据过程数据库中的实时状态数据,判断故障发生及原因。
优选的是,所述数据采集模块包括:
数字量采集子模块,采集表征高铁列车运行状态的数字量信息;
模拟量采集子模块,采集表征高铁列车运行状态的模拟量信息;
逻辑信号采集子模块,采集高铁列车总线上的数据信息。
优选的是,还包括显示模块。
本发明的故障诊断***,将实时数据按照时间宽度定义保存到数据库,从而形成历史数据,通过引入故障诊断的功能对历史数据进行分析,可以找到与故障点相关的有异常的电气特性,这样通过这样的相关性,***可以针对某些特别的异常发出预警。通过本发明的故障分析模块,可以得出各个参数之间的影响关系;预测不方便测量参数的值;实行离线或在线的优化控制等。
具体实施方式
为了使本发明解决的技术问题、采用的技术方案、取得的技术效果易于理解,下面结合具体的附图,对本发明的具体实施方式做进一步说明。
参考图1,本发明提供的一种列车故障诊断***,包括:数据采集模块1,用来采集列车设备电气特性的实时状态数据等,作为本发明故障诊断***的依据。
获取***中硬件设备的电气特性的实时状态,主要包括设备的电压、电流、频率等,这些值可以通过PLC或者DCS***进行采集,只需要列控***提供给我们采集接口就可以,这些数据都用来为报警、画面以及故障诊断分析服务。所述数据采集模块1包括数字量采集子模块10、模拟量采集子模块10以及逻辑信号采集子模块12。其中,数字量采集子模块10采集表征高铁列车运行状态的数字量信息,如开关闭合状态等;模拟量采集子模块11采集表征高铁列车运行状态的模拟量信息,如电压、电流等;逻辑信号采集子模块12采集高铁列车总线上的数据信息等。
本发明还包括分别与数据采集模块1连接用于储存数据采集模块1采集到的实时状态数据的过程数据库3、历史数据库2;也就是说实时状态数据的存储有两个过程,一个是将采集的数据存储到过程数据库2,等待处理和分析,第二个是存储到历史数据库2中,为故障诊断***提供分析的依据。
还包括故障分析模块4,在得到大量的实时数据后,***将这些数据保存到历史数据库2中,并通过故障分析模块4对数据进行分析,该故障分析模块4是利用神经元算法建立运算模型,找出与故障相关的各种因素。也就是说该故障分析模块4是基于由输入层、隐层、输出层构成的神经网络结构来构建的,以完成故障分析和诊断的功能,它对工业生产和设备数据进行分析与知识挖掘,监视工艺和设备性能,识别生产变化的原因,减少波动、优化生产。
通过不同种类的历史数据源,帮助客户快速构建模型,分析连续、离散、批次生产过程。可以进行数据准备、可视化查看数据,还可以建立规则模型。得出各个参数之间的影响关系,预测不方便测量参数的值,实行离线或在线的优化控制,从这些模型中挖掘出的知识,帮助对过程改进的收益进行评估,整个过程也非常简单方便、工作量很少。使用这个模型***,可以找出生产过程波动的原因,并且进行调整,达到稳定产品质量、提高产量的目标。
参考图2,故障模型的一般表示为:该神经网络结构由输入层、隐层和输出层组成,分别为:
1)输入层节点i,其输出等于输入xi(i=1,2,...,n),将控制变量值传输到隐层;
2)隐层节点j,其输入为hj(式1),输出为Oj(式2),分别为:
其中,ωij表示输入层第i个节点到隐层第j个节点之间的连接权值;θj表示隐层第j个节点的阈值;
3)输出层节点k,其输入hk(式3)、输出yk(式4)分别为:
其中,ωjk表示隐层第j个节点到输出层第k个节点之间的连接权值;θk表示输出层第k个节点的阈值;Oj表示隐层第j个节点的输出。
该神经网络结构具有两个阶段,分别为工作期和学习期:在工作期,这一阶段网络各节点的连接权值固定不变,网络的计算从输入层开始,逐层逐个节点地计算每一个节点的输出,直到输出层中的各节点计算完毕。在学习期,这一阶段各节点的输出保持不变,网络学习则是从输出层开始,反向逐层逐个节点地计算各连接权值的修改量,以修改各连接的权值,直到输入层为止。这两个阶段又称为正向传播和反向传播过程,如图3所示,在正向传播中,如果输出层的网络输出与所期望的输出相差较大,则开始反向传播过程,根据网络输出与所期望输出的信号误差,对网络节点间的各连接权值进行修改,以此来减小网络输出信号与所期望输出的误差,神经网络正是通过这样不断进行的正向传播和反向传播的计算过程,最终使得网络输出层的输出值与期望值趋于一致。
输入层的节点通常只是对输入的样本数据进行一些简单的规格化处理,真正的网络计算处理是从第二层开始到输出层结束,为了便于计算,通常将各处理节点中的阈值也作为一个连接权值。为了做到这一点,只要将各处理节点与一个输出恒为1的虚节点相连接即可。正向传播的计算过程与网络节点的处理过程的描述基本一致;反向传播的计算过程也就是网络的学习过程,其主要思想是利用网络的输出层中各节点的实际输出与相应的期望输出之间的差距,从输出层开始,对网络中各节点间的互相连接的权值进行适当的调整,使得网络的实际输出与期望输出之间的差距能够逐步减小,最终获得最优的输出。
神经网络知识表示是一种知识的隐式表示,知识表现为网络的拓扑结构和连接权值,采用神经网络技术的专家***,由于神经网络是一种信息存储和处理统一的网络***,因此在采用神经网络技术的专家***中,知识的存储与问题求解过程中的推理过程均在***的神经网络中进行,是推理机和知识库的统一。神经网络采用数据驱动正向推理的故障诊断策略,即从初始状态出发,向前推理到达目标状态为止,其故障诊断步骤为:
1)将故障样本输入给输入层各节点,同时它也是该层神经元的输出;
2)由式(2)求出隐层神经元的输出,并将其作为输出层的输入;
3)从式(4)求得输出层神经元的输出;
4)由阈值函数判定输出层神经元的最终输出结果。
我们用Fk表示故障类型,则故障类型阈值判定函数为
其中,yk表示输出层节点k的输出,φk表示由领域专家设定的被诊断***中的阈值。
故障分析模块4根据过程数据库3中的实时状态数据,判断故障的发生及原因。也就是说故障分析模块4通过当前实时数据的输入找出相关因素与故障的联系,并最终推导出可能导致不同的故障的原因之间的关系,而利用这样的推导结果,可以大大提高预警的成功率,从而可以对***进行改进优化。
根据现有的微机监控***原理,该***主要是做到了采集数据、报警以及对特定电气特性进行监控,这种方式可以面对单纯因素造成的故障进行处理,但在错综复杂的故障因素中就不一定能够找到故障原因,因为复杂***所产生的故障往往由不同的因素相互作用而引起。
本发明的***还可以包括显示模块5,通过画面展现***结构,直观地表达***整体的运行情况,做到基本的报警提示,还可以通过远程终端提供给客户进行远程浏览、报警,在采集到数据以后,***可以对数据进行门限值划分,根据不同的门限值,定义好报警的级别,***通过声音。
本发明的***还可以包括交互模块,汇聚所有实时数据,通过历史数据库构建汇聚实时数据,可以实现地理信息导航:通过地理信息***可以将接收端进行定位,不论是发送到Web还是移动终端上的数据都加密,并能够完整的安全的传递,通过资产结构数据库,记录和区分不同资产关系,并提供结构导航,资产关系不同,呈现的数据也有区别。
据此,本发明还提供了一种列车故障诊断方法,包括以下步骤:
步骤S1:采集列车设备电气特性的实时状态数据;并分别存入过程数据库和历史数据库;
步骤S2:以历史数据库中的数据为依据,建立基于神经网络结构的故障模型,该神经网络结构由输入层、隐层和输出层组成,分别为:
1)输入层节点i,其输出等于输入xi(i=1,2,...,n),将控制变量值传输到隐层;
2)隐层节点j,其输入为hj,输出为Oj,分别为:
其中,ωij表示输入层第i个节点到隐层第j个节点之间的连接权值;θj表示隐层第j个节点的阈值;
3)输出层节点k,其输入hk、输出yk分别为:
其中,ωjk表示隐层第j个节点到输出层第k个节点之间的连接权值;θk表示输出层第k个节点的阈值;Oj表示隐层第j个节点的输出;
在工作期,各节点的连接权值固定不变,网络的计算从输入层开始,逐层逐个节点地计算每一个节点的输出,直到输出层中的各节点计算完毕;
在学习期,各节点的输出保持不变,从输出层开始,反向逐层逐个节点地计算各连接权值的修改量;
如果输出层的网络输出与所期望的输出相差较大,则开始反向传播,根据网络输出与所期望输出的信号误差,对网络节点间的各连接权值进行修改,来减小网络输出信号与所期望输出的误差;
步骤S3:通过故障模型对过程数据库中的实时状态数据进行分析,判断故障发生以及进行故障分析,故障发生后可进行报警,用户根据数据的门限值来定义报警的级别,报警级别分为危急、高级、中级、低级、正常状态以及未知事故。
本发明的故障分析***,数据采集模块获取***中硬件设备的电气特性的实时状态,存储模块将采集的数据存储到过程数据库,等待处理和分析,故障分析模块对数据进行分析,利用神经元算法建立运算模型,找出与故障相关的各种因素;显示模块5通过画面展现***结构,直观地表达***整体的运行情况,做到基本的报警提示,并通过远程终端提供给客户进行远程浏览,显示模块在采集到数据以后,***可以对数据进行门限值划分,根据不同的门限值,定义好报警的级别,***通过声音、颜色多媒体的方式进行报警,通过终端设备进行报警。
本***通过对环境内主要设备的数字量、模拟量等电气特性进行采集,获取设备运行的实时状态,通过定义好的规则对采集到的数据根据事先定义好的门限值进行比较判断,然后通过本地计算机、网络等方式进行实时地报警和预警,通过图标和画面的方式显示各个***电气的运行状态。
同时,将实时数据按照时间宽度定义保存到数据库,从而形成历史数据,通过引入故障诊断的功能对历史数据进行分析,可以找到与故障点相关的有异常的电气特性,这样通过这样的相关性,***可以针对某些特别的异常发出预警。通过本发明的故障分析模块,可以得出各个参数之间的影响关系;预测不方便测量参数的值;实行离线或在线的优化控制等。
整个***可采用分布式结构,每个子***可以通过网络方式相互协作,运用了直观的图形工具,提供了比较强大的组态功能和扩展功能,简单快捷地为他们的生产过程创建高性能的过程窗口,无论是简单的单机人机界面(HMI),还是复杂的多节点、多现场的数据采集和SCADA,都可以方便地满足各种应用类型和应用规模的需要,基本上能够满足工业采集的需要,可以基于类似微机测控***的采集体系。
本发明已通过优选的实施方式进行了详尽的说明。然而,通过对前文的研读,对各实施方式的变化和增加对于本领域的一般技术人员来说是显而易见的。申请人的意图是所有的这些变化和增加都落在了本发明权利要求所保护的范围中。