CN109507992B - 一种机车制动***部件的故障预测方法、装置及设备 - Google Patents
一种机车制动***部件的故障预测方法、装置及设备 Download PDFInfo
- Publication number
- CN109507992B CN109507992B CN201910002731.2A CN201910002731A CN109507992B CN 109507992 B CN109507992 B CN 109507992B CN 201910002731 A CN201910002731 A CN 201910002731A CN 109507992 B CN109507992 B CN 109507992B
- Authority
- CN
- China
- Prior art keywords
- brake system
- locomotive brake
- system component
- probability value
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 210
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000036541 health Effects 0.000 claims abstract description 68
- 230000003862 health status Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 7
- 230000007257 malfunction Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 24
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000007704 transition Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Valves And Accessory Devices For Braking Systems (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请公开了一种机车制动***部件的故障预测方法,包括:获取机车制动***部件当前的输入运行条件;获取机车制动***部件在输入运行条件下的状态参数变量的理论值和实际值;在预设的健康状态数据库中进行匹配查找;确定机车制动***部件当前的健康状态等级;调用预先建立的隐马尔可夫模型;计算机车制动***部件在各个预设未来时段结束时由当前的健康状态等级转换为各个健康状态等级的预测概率值;根据各个预测概率值,从各个预设未来时段中预测机车制动***部件的故障发生时段。本申请可预测故障发生时间,提高了行车安全和维护效率。本申请还公开了一种机车制动***部件的故障预测装置、设备及计算机可读存储介质,也具有上述有益效果。
Description
技术领域
本申请涉及机车安全监测技术领域,特别涉及一种机车制动***部件的故障预测方法、装置、设备及计算机可读存储介质。
背景技术
故障检修是设备维护中的一项重要作业,尤其是对于机车制动***而言。机车制动***的健康状态是关乎行车安全的重要内容,一直以来都是本领域技术人员高度关注的问题。随着我国铁路总里程和运输密度的不断加大,繁忙的铁路干线对机车制动的安全维护工作提出了更高的要求。
然而,现有技术中一般都是在停车后采用传统的定时检测的维护方式,因而经常出现维护不及时的情况,有时甚至是在部件故障导致事故发生后才进行事后维修。因此,现有技术中不但浪费大量的人力物力,维护不及时,而且还严重造成了的安全性能和维护效率低下的问题。
可见,采用何种对机车制动***部件的故障预测方法,以便及早、高效地预测出机车制动***部件出现的故障问题,提高行车安全性能和维护效率,是本领域技术人员所亟待解决的技术问题。
发明内容
本申请的目的在于提供一种机车制动***部件的故障预测方法、装置、设备及计算机可读存储介质,以便及早高效地预测出故障隐患,避免事故发生,保障行车安全性能并提高维护效率。
为解决上述技术问题,本申请提供一种机车制动***部件的故障诊断方法,包括:
获取所述机车制动***部件当前的输入运行条件;
获取所述机车制动***部件在所述输入运行条件下的状态参数变量的理论值和实际值;
根据所述理论值和所述实际值在预设的健康状态数据库中进行匹配查找;
确定所述机车制动***部件当前的健康状态等级;
调用预先建立的所述机车制动***部件的隐马尔可夫模型;
计算所述机车制动***部件在各个预设未来时段结束时由当前的健康状态等级转换为各个健康状态等级的预测概率值;
根据各个所述预测概率值,从各个所述预设未来时段中预测所述机车制动***部件的故障发生时段。
可选地,所述获取所述机车制动***部件在所述输入运行条件下的状态参数变量的实际值包括:
测量所述机车制动***部件在所述输入运行条件下的可观测状态参数变量的实际值;
将所述可观测状态参数变量的实际值代入预先建立的所述机车制动***部件的工作原理模型;
计算所述机车制动***部件在所述输入运行条件下的不可观测状态参数变量的实际值。
可选地,所述健康状态等级包括良好、中等和故障;所述机车制动***部件在预设未来时段结束时的健康状态等级为良好的预测概率值为第一概率值,为中等的预测概率值为第二概率值,为故障的预测概率值为第三概率值;
所述根据各个所述预测概率值,从各个所述预设未来时段中预测所述机车制动***部件的故障发生时段包括:
将所述第三概率值大于所述第一概率值和所述第二概率值的首个预设未来时段确定为所述机车制动***部件的所述故障发生时段。
可选地,在所述将所述第三概率值大于所述第一概率值和所述第二概率值的首个预设未来时段确定为所述机车制动***部件的故障发生时段之后,还包括:
查询预设的所述机车制动***部件的经验概率数据库;
确定与所述故障发生时段对应的第三概率值P3的预设平均值P3′;
确定所述机车制动***部件与所述预设平均值对应的平均寿命天数D;
可选地,还包括:
根据所述机车制动***部件的实际运行数据对所述隐马尔可夫模型进行修正。
可选地,在所述确定所述机车制动***部件当前的健康状态等级之后,还包括:
若所述机车制动***部件当前的健康状态等级为故障,则根据所述理论状态参数变量和所述实际状态参数变量在预设的故障原因数据库中进行匹配查找;
确定所述机车制动***部件的实际故障原因。
可选地,在所述根据各个所述预测概率值,从各个所述预设未来时段中预测所述机车制动***部件的故障发生时段之后,还包括:
在所述预设未来时段结束时获取所述机车制动***部件的真实健康状态等级;
判断所述真实健康状态等级是否与对应的所述预测概率值匹配;
若否,则修正所述预测概率值,以便修正所述故障发生时段。
本申请还提供了一种机车制动***部件的故障预测装置,包括:
获取模块,用于获取所述机车制动***部件当前的输入运行条件;获取所述机车制动***部件在所述输入运行条件下的理论状态参数变量和实际状态参数变量;
查找模块,用于根据所述理论状态参数变量与所述实际状态参数变量在预设的健康状态数据库中进行匹配查找;确定所述机车制动***部件当前的健康状态等级;
预测模块,用于调用预先建立的所述机车制动***部件的隐马尔可夫模型;计算所述机车制动***部件在各个预设未来时段结束时由当前的健康状态等级转换为各个健康状态等级的预测概率值;根据各个所述预测概率值,从各个所述预设未来时段中预测所述机车制动***部件的故障发生时段。
本申请还提供了一种机车制动***部件的故障预测设备,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序以实现如上所述的任一种机车制动***部件的故障预测方法的步骤。
本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用以实现如上所述的任一种机车制动***部件的故障预测方法的步骤。
本申请所提供的机车制动***部件的故障预测方法包括:获取所述机车制动***部件当前的输入运行条件;获取所述机车制动***部件在所述输入运行条件下的状态参数变量的理论值和实际值;根据所述理论值和所述实际值在预设的健康状态数据库中进行匹配查找;确定所述机车制动***部件当前的健康状态等级;调用预先建立的所述机车制动***部件的隐马尔可夫模型;计算所述机车制动***部件在各个预设未来时段结束时由当前的健康状态等级转换为各个健康状态等级的预测概率值;根据各个所述预测概率值,从各个所述预设未来时段中预测所述机车制动***部件的故障发生时段。
可见,相比于现有技术,本申请所提供的机车制动***部件的故障预测方法中,预先建立了存储有机车制动***部件详细运行数据的健康状态数据库,可依据机车制动***部件的状态参数变量确定出当前健康状态等级,并利用预先建立的隐马尔可夫模型,对机车制动***部件健康状态等级的转换进行概率评估,从而预测出故障发生时段,以便于维护人员及时进行作业维护。本申请在故障发生之前可对故障发生时间作出预测,避免事故的发生,保障了行车安全;同时,本申请可实现对机车制动***部件的在线预测,实现了维修监测作业的在线化和智能化,极大地提高了维护效率。本申请所提供的机车制动***部件的故障预测装置、设备及计算机可读存储介质可以实现上述机车制动***部件的故障预测方法,同样具有上述有益效果。
附图说明
为了更清楚地说明现有技术和本申请实施例中的技术方案,下面将对现有技术和本申请实施例描述中需要使用的附图作简要的介绍。当然,下面有关本申请实施例的附图描述的仅仅是本申请中的一部分实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图,所获得的其他附图也属于本申请的保护范围。
图1为本申请所提供的一种机车制动***部件的故障预测方法的流程图;
图2为本申请所提供的一种机车制动***部件的故障预测装置的结构框图。
具体实施方式
本申请的核心在于提供一种机车制动***部件的故障预测方法、装置、设备及计算机可读存储介质,以便及早高效地预测出故障隐患,避免事故发生,保障行车安全性能并提高维护效率。
为了对本申请实施例中的技术方案进行更加清楚、完整地描述,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行介绍。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参考图1,图1为本申请所提供的一种机车制动***部件的故障预测方法的流程图,主要包括以下步骤:
步骤1:获取机车制动***部件当前的输入运行条件。
步骤2:获取机车制动***部件在输入运行条件下的状态参数变量的理论值和实际值。
具体地,状态参数变量是机车制动***部件在工作时的具体物理状态变量,它们反映了机车制动部件的具体工作状态,因而从中可以观测到机车制动***部件的故障现象或者迹象。
需要说明的是,本申请所说的故障预测方法是针对各个机车制动***部件而分别进行的。常见的机车制动***部件包括各种电磁阀、气缸等。而不同的机车制动***部件,其状态参数变量也可能不同。例如,对于气缸,其状态参数变量可包括输出推力、输出加速度、输出速度等,对于电磁阀,其状态参数变量可包括控制电流、控制电压、输出压力、输出压力变化率等。
所说的状态参数变量的理论值即为正常合格的机车制动***部件的标准值。而实际值则为该机车制动***部件在当前时刻的真实值,一般通过测量获取。各个状态变量的理论值与实际值的差距,即可反映出该机车制动***部件的故障迹象,甚至地,当两者相差较大时,可以确定该机车制动***部件已经故障。
由于在不同的输入运行条件下,同一机车制动***部件的工作状态也会不同,因此,需要依据机车制动***部件当前实际的输入运行条件而分别确定对应的状态参数变量的理论值和实际值。
步骤3:根据理论状态参数变量与实际状态参数变量在预设的健康状态数据库中进行匹配查找。
步骤4:确定机车制动***部件当前的健康状态等级。
具体地,本申请所提供的机车制动***部件的故障预测方法中,预先建立有针对于各类机车制动***部件的健康状态数据库,所说的健康状态数据库中记录了各类机车制动***部件在各种健康状态等级下状态参数变量的取值情况,包括取值的大小(范围)、取值是否变化或者取值变化快慢等。
当然,健康状态数据库中的分析数据信息要具有一定的客观性、普遍性,以保证诊断结果的正确性,具体地,可以根据海量的实际运行数据归纳总结分析而生成。通过匹配查找,即可确定该机车制动***部件在当前时刻的健康状态等级。作为一种优选实施例,所说的健康状态等级具体可以包括良好、中等和故障这三个。
步骤5:调用预先建立的机车制动***部件的隐马尔可夫模型。
步骤6:计算机车制动***部件在各个预设未来时段结束时由当前的健康状态等级转换为各个健康状态等级的预测概率值。
步骤7:根据各个预测概率值,从各个预设未来时段中预测机车制动***部件的故障发生时段。
具体地,本申请所提供的机车制动***部件的故障预测方法,可在故障发生之前对机车制动***部件实时进行故障预测,以便预测出该机车制动***部件可能会发生故障的时间,从而以便维护人员提前进行部件替换或者维修等工作。
具体地,本申请具体是利用预先建立的该机车制动***部件的隐马尔可夫模型(Hidden Markov Model,HMM)而进行故障预测的。在经过步骤4确定了机车制动***部件在当前时刻的健康状态后,利用隐马尔可夫模型对机车制动***部件在未来时间段内健康状态的转移过程进行概率计算,以便确定出机车制动***部件发生故障的具体未来时间段,即所说的故障发生时段。
其中,隐马尔可夫模型是一种随机过程,是研究离散事件动态***状态空间之间转换过程和概率的重要方法。根据各个状态间发生转移的概率,即状态转移概率,可对某一状态序列发生的概率进行计算。马尔可夫模型以它在时间上的模式识别能力,现今已经被广泛应用于如语音识别、手势识别、词类标记、生物信息处理等领域中。
所说的预设未来时段,本领域技术人员可以自行设计。例如,可将每15天设计为一个时段,则第一个预设未来时段即为当前时刻起未来的第1~15天,第二个预设未来为当前时刻起未来的第16~30天,…,依次类推。
通过分别计算各个预设未来时段结束时机车制动***部件处于各个健康状态等级的预测概率值,可以根据预测概率值的大小确定出机车制动***部件的故障发生时段。
具体地,可将机车制动***部件在任一个预设未来时段结束时的健康状态等级为良好、中等和故障的预测概率值分别记为第一概率值、第二概率值和第三概率值;作为一种优选实施例,可将第三概率值大于第一概率值和第二概率值的首个预设未来时段确定为机车制动***部件的故障发生时段。
例如,若经计算发现,第二个预设未来时段结束时对应的三个概率值中,第三概率值最大,且第一个预设未来时段结束时对应的三个概率值中的第三概率值并非最大,则可将第二个预设未来时段确定为该机车制动***部件的故障发生时段,说明该机车制动***部件将在第16~30天时段内出现故障。
例如,对于某电磁阀,针对其某种故障类型所建立的隐马尔可夫模型包括:
建立该电磁阀的状态观测矩阵:A=[ai]=[0.9 0.09 0.01],其中,a1表示第一个健康状态等级(良好)的概率值P1,表示第二个健康状态等级(中等)的概率值P2,表示第三个健康状态等级(故障)的概率值P3;
以每隔15天设置一个预设未来时段,建立该电磁阀的状态转移矩阵:
其中,bij表示经过一个预设未来时段后,机车制动***部件由第i个健康状态等级转换为第j个健康状态等级的转换概率。
已知待进行故障预测的机车制动***部件最初的健康状态等级为良好,则通过隐马尔可夫模型的计算可得到,经过第一个预设未来时段后,该机车制动***部件的三个预测概率值分别为:
P1=0.8;P2=0.15;P3=0.05;
经过第二个预设未来时段后,该机车制动***部件的三个预测概率值分别为:
P1=0.8*0.8+0.15*0.1=0.655;
P2=0.8*0.15+0.15*0.6=0.21;
P3=0.8*0.05+0.15*0.3+0.05=0.135。
继续对后续其他的预设未来时段进行计算,可发现第三概率值相对变大,当其大于第一概率值和第二概率值时,可认为对应的预设未来时段即为故障发生时段。
此外,需要补充的是,对于所说的“故障”这一健康状态等级,具体又可细分为多种故障类型,有些故障类型还会对应多种故障原因。由于不同的故障原因所导致的故障发生概率并不相同,机车制动***部件的寿命情况也因此不同。由此,可以针对不同的故障类型及其故障原因分别建立不同的隐马尔可夫模型的模型。当机车制动***部件的状态参数变量存在某种故障类型的故障趋势或者迹象后,可调用该故障类型下与各个故障原因对应的隐马尔可夫模型,分别确定出与各故障原因对应的故障发生时段,并从中选择出最近的一个时段作为最终所确定的该机车制动***部件的故障发生时段,以便确保安全。
可见,本申请所提供的机车制动***部件的故障预测方法中,预先建立了存储有机车制动***部件详细运行数据的健康状态数据库,可依据机车制动***部件的状态参数变量确定出当前健康状态等级,并利用预先建立的隐马尔可夫模型,对机车制动***部件健康状态等级的转换进行概率评估,从而预测出故障发生时段,以便于维护人员及时进行作业维护。本申请在故障发生之前可对故障发生时间作出预测,避免事故的发生,保障了行车安全;同时,本申请可实现对机车制动***部件的在线预测,实现了维修监测作业的在线化和智能化,极大地提高了维护效率。
本申请所提供的机车制动***部件的故障预测方法,在上述实施例的基础上:
作为一种优选实施例,获取机车制动***部件在输入运行条件下的状态参数变量的实际值包括:
测量机车制动***部件在输入运行条件下的可观测状态参数变量的实际值;
将可观测状态参数变量的实际值代入预先建立的机车制动***部件的工作原理模型;
计算机车制动***部件在输入运行条件下的不可观测状态参数变量的实际值。
具体地,在步骤2获取机车制动***部件的状态参数变量的实际值时,由于实际监测条件的限制,有些状态参数变量是无法通过测量获取的,即所说的不可观测状态参数变量,因此需要通过计算获取。本申请可预先建立机车制动***部件的工作原理模型,利用该工作原理模型和测量得到的可观测状态参数变量的实际值,计算获取不可观测状态参数变量的实际值。
容易理解的是,在建立机车制动***部件的工作原理模型过程中,总有一些参数等是依靠经验数据或者厂家提供的常规参数而选取的,这些数据并没有统一的、完全准确的测量方法和取值,但却会对模型的正确性产生一定的影响。因此,在工作原理模型建立后,还可通过大量的实际运行数据对工作原理模型进行修正。
作为一种优选实施例,在将第三概率值大于第一概率值和第二概率值的首个预设未来时段确定为机车制动***部件的故障发生时段之后,还包括:
查询预设的机车制动***部件的经验概率数据库;
确定与故障发生时段对应的第三概率值P3的预设平均值P3′;
确定机车制动***部件与预设平均值对应的平均寿命天数D;
具体地,在根据隐马尔可夫模型计算确定了机车制动***部件的故障发生时段后,还可以进一步地对故障发生的具体日期进行预测。
本申请还预先建立了机车制动***部件的经验概率数据库,经验概率数据库中分别记录有机车制动***部件对应于各个预设未来时段的第三概率值的预设平均值,以及与该预设平均值对应的平均寿命天数。容易理解的是,所说的第三概率值的预设平均值及其平均寿命天数是根据海量的实际运行结果得到的,可由本领域技术人员根据经验设定。
记机车制动***部件在故障发生时段结束时的第三概率值为P3,即机车制动***部件在故障发生时段结束时的健康状态等级为故障的概率值为P3。记该故障发生时段为第n个预设未来时段,则可以在经验概率数据库中查找该机车制动***部件对应于第n个预设未来时段的第三概率值的预设平均值,记为P3′,以及与P3′对应的平均寿命天数D,则可根据计算获取该机车制动***部件的预测寿命天数T。
例如,若某电磁阀的故障发生时段的P3=0.4,P3′=0.35,D=26,α=0.98,则可得到T=0.8*0.4*26/0.35=23.8天,由此可进一步确定该电磁阀将在第24天发生故障。
作为一种优选实施例,还包括:
根据机车制动***部件的实际运行数据对隐马尔可夫模型进行修正。
具体地,本申请中所建立的隐马尔可夫模型,可以不断地依据实际运行数据进行更新,对其中的状态观测矩阵、状态转换矩阵等进行更新,以便提高结果准确性。
作为一种优选实施例,在确定机车制动***部件当前的健康状态等级之后,还包括:
若机车制动***部件当前的健康状态等级为故障,则根据理论状态参数变量和实际状态参数变量在预设的故障原因数据库中进行匹配查找;
确定机车制动***部件的实际故障原因。
具体地,本申请还预先建立了故障原因数据库,存储了各机车制动***部件在各种故障原因而出现故障时的状态参数变量,以便对故障原因进行诊断。因此,在得到机车制动***部件的状态参数变量的理论值和实际值后,可在故障原因数据库中进行匹配查找,以便及时地确定出故障发生的具体原因,实现在线故障诊断,有效提高了故障诊断、部件维护的及时性和高效性,有力地确保了行车安全性能。
例如,针对于制动机中的电磁阀这一机车制动***部件,表1给出了其部分故障的分析数据信息。
表1
其中,数字1表示某故障类型存在对应的故障原因;0表示某故障类型不存在对应的故障原因。
容易理解的是,在确定了机车制动***部件的实际故障原因后,可以生成相关的故障提示信息并进行显示,以便及时提醒机车维护人员该机车制动***部件发生的故障以及故障原因,保障机车行车安全。
作为一种优选实施例,在根据各个预测概率值,从各个预设未来时段中预测机车制动***部件的故障发生时段之后,还包括:
在预设未来时段结束时获取机车制动***部件的真实健康状态等级;
判断真实健康状态等级是否与对应的预测概率值匹配;
若否,则修正所述预测概率值,以便修正故障发生时段。
具体地,在得到最初的故障预测结果即确定了故障发生时段之后,本申请所提供的故障预测方法可以继续进行后续监测和修正。通过持续监测机车制动***部件后续的真实健康状态等级,可以验证故障预测结果是否准确,并及时进行修正。
具体地,随着时间推进,当获取到所说的某一个预设未来时段的真实健康状态等级后,可以与最初预测计算得到的该预设未来时段(此时已成为当前时段)的预测概率值进行分析,若两者不匹配,则需要对该预测概率值进行修正。
如前所述,预测概率值包括机车制动***部件在该预设未来时段结束时转换为各个健康状态等级的预测概率值,因此,可将匹配的标准制定为:若该预设未来时段的各个预测概率值中最大值对应的恰好是该预设未来时段的真实健康状态等级,则视为相匹配。
若匹配不成功,则可以修正各个预测概率值,直至与真实健康状态等级相匹配。由此,便可根据最初时刻、该时段的真实健康状态等级,以及修正后的各个预测概率值,重新调用隐马尔可夫模型,对接下来各个预设未来时段重新进行预测概率值的计算,以便对故障发生时段进行修正预测。
下面对本申请所提供的机车制动***部件的故障预测装置进行介绍。
请参阅图2,图2为本申请所提供的一种机车制动***部件的故障预测装置的结构框图;包括获取模块1、查找模块2和预测模块3;
获取模块1用于获取所述机车制动***部件当前的输入运行条件;获取所述机车制动***部件在所述输入运行条件下的理论状态参数变量和实际状态参数变量;
查找模块2用于根据所述理论状态参数变量与所述实际状态参数变量在预设的健康状态数据库中进行匹配查找;确定所述机车制动***部件当前的健康状态等级;
预测模块3用于调用预先建立的所述机车制动***部件的隐马尔可夫模型;计算所述机车制动***部件在各个预设未来时段结束时由当前的健康状态等级转换为各个健康状态等级的预测概率值;根据各个所述预测概率值,从各个所述预设未来时段中预测所述机车制动***部件的故障发生时段。
可见,本申请所提供的机车制动***部件的故障诊断装置,预先建立了存储有机车制动***部件详细运行数据的健康状态数据库,可依据机车制动***部件的状态参数变量确定出当前健康状态等级,并利用预先建立的隐马尔可夫模型,对机车制动***部件健康状态等级的转换进行概率评估,从而预测出故障发生时段,以便于维护人员及时进行作业维护。本申请在故障发生之前可对故障发生时间作出预测,避免事故的发生,保障了行车安全;同时,本申请可实现对机车制动***部件的在线预测,实现了维修监测作业的在线化和智能化,极大地提高了维护效率。
本申请所提供的机车制动***部件的故障诊断装置,在上述实施例的基础上:
作为一种优选实施例,还包括诊断模块;
诊断模块用于:若机车制动***部件当前的健康状态等级为故障,则根据理论状态参数变量和实际状态参数变量在预设的故障原因数据库中进行匹配查找;确定机车制动***部件的实际故障原因。
本申请还提供了一种机车制动***部件的故障预测设备,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序以实现如上所述的任一种机车制动***部件的故障预测方法的步骤。
本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用以实现如上所述的任一种机车制动***部件的故障预测方法的步骤。
本申请所提供的机车制动***部件的故障预测装置、设备及计算机可读存储介质的具体实施方式与上文所描述的机车制动***部件的故障预测方法可相互对应参照,这里就不再赘述。
本申请中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需说明的是,在本申请文件中,诸如“第一”和“第二”之类的关系术语,仅仅用来将一个实体或者操作与另一个实体或者操作区分开来,而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。此外,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (8)
1.一种机车制动***部件的故障预测方法,其特征在于,包括:
获取所述机车制动***部件当前的输入运行条件;
获取所述机车制动***部件在所述输入运行条件下的状态参数变量的理论值和实际值;
根据所述理论值和所述实际值在预设的健康状态数据库中进行匹配查找;
确定所述机车制动***部件当前的健康状态等级;
调用预先建立的所述机车制动***部件的隐马尔可夫模型;
计算所述机车制动***部件在各个预设未来时段结束时由当前的健康状态等级转换为各个健康状态等级的预测概率值;
根据各个所述预测概率值,从各个所述预设未来时段中预测所述机车制动***部件的故障发生时段;
其中,所述根据各个所述预测概率值,从各个所述预设未来时段中预测所述机车制动***部件的故障发生时段包括:
将第三概率值大于第一概率值和第二概率值的首个预设未来时段确定为所述机车制动***部件的所述故障发生时段;所述机车制动***部件在预设未来时段结束时的健康状态等级为良好的预测概率值为所述第一概率值,为中等的预测概率值为所述第二概率值,为故障的预测概率值为所述第三概率值;
查询预设的所述机车制动***部件的经验概率数据库;
确定与所述故障发生时段对应的第三概率值P3的预设平均值P3 ′ ;
确定所述机车制动***部件与所述预设平均值对应的平均寿命天数D;
2.根据权利要求1所述的故障预测方法,其特征在于,所述获取所述机车制动***部件在所述输入运行条件下的状态参数变量的实际值包括:
测量所述机车制动***部件在所述输入运行条件下的可观测状态参数变量的实际值;
将所述可观测状态参数变量的实际值代入预先建立的所述机车制动***部件的工作原理模型;
计算所述机车制动***部件在所述输入运行条件下的不可观测状态参数变量的实际值。
3.根据权利要求1或者2所述的故障预测方法,其特征在于,还包括:
根据所述机车制动***部件的实际运行数据对所述隐马尔可夫模型进行修正。
4.根据权利要求3所述的故障预测方法,其特征在于,在所述确定所述机车制动***部件当前的健康状态等级之后,还包括:
若所述机车制动***部件当前的健康状态等级为故障,则根据所述状态参数变量的理论值和实际值在预设的故障原因数据库中进行匹配查找;
确定所述机车制动***部件的实际故障原因。
5.根据权利要求4所述的故障预测方法,其特征在于,在所述根据各个所述预测概率值,从各个所述预设未来时段中预测所述机车制动***部件的故障发生时段之后,还包括:
在所述预设未来时段结束时获取所述机车制动***部件的真实健康状态等级;
判断所述真实健康状态等级是否与对应的所述预测概率值匹配;
若否,则修正所述预测概率值,以便修正所述故障发生时段。
6.一种机车制动***部件的故障预测装置,其特征在于,包括:
获取模块,用于获取所述机车制动***部件当前的输入运行条件;获取所述机车制动***部件在所述输入运行条件下的理论状态参数变量和实际状态参数变量;
查找模块,用于根据所述理论状态参数变量与所述实际状态参数变量在预设的健康状态数据库中进行匹配查找;确定所述机车制动***部件当前的健康状态等级;
预测模块,用于调用预先建立的所述机车制动***部件的隐马尔可夫模型;计算所述机车制动***部件在各个预设未来时段结束时由当前的健康状态等级转换为各个健康状态等级的预测概率值;根据各个所述预测概率值,从各个所述预设未来时段中预测所述机车制动***部件的故障发生时段;
其中,所述预测模块具体用于将第三概率值大于第一概率值和第二概率值的首个预设未来时段确定为所述机车制动***部件的所述故障发生时段;所述机车制动***部件在预设未来时段结束时的健康状态等级为良好的预测概率值为所述第一概率值,为中等的预测概率值为所述第二概率值,为故障的预测概率值为所述第三概率值;
7.一种机车制动***部件的故障诊断设备,其特征在于,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序以实现如权利要求1至5任一项所述的机车制动***部件的故障诊断方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用以实现如权利要求1至5任一项所述的机车制动***部件的故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910002731.2A CN109507992B (zh) | 2019-01-02 | 2019-01-02 | 一种机车制动***部件的故障预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910002731.2A CN109507992B (zh) | 2019-01-02 | 2019-01-02 | 一种机车制动***部件的故障预测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109507992A CN109507992A (zh) | 2019-03-22 |
CN109507992B true CN109507992B (zh) | 2021-06-04 |
Family
ID=65756129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910002731.2A Expired - Fee Related CN109507992B (zh) | 2019-01-02 | 2019-01-02 | 一种机车制动***部件的故障预测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109507992B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111399474B (zh) * | 2020-02-29 | 2021-05-14 | 中南大学 | 一种基于健康指标的均衡控制模块寿命预测方法及装置 |
CN112684338B (zh) * | 2020-12-24 | 2022-10-28 | 潍柴动力股份有限公司 | 一种在线预测起动机健康状态方法及装置 |
CN113177361B (zh) * | 2021-05-14 | 2022-04-29 | 中国电建集团成都勘测设计研究院有限公司 | 基于不确定性分析的动态机械故障预测及风险评估方法 |
CN116501027B (zh) * | 2023-06-29 | 2023-10-03 | 中南大学 | 分布式制动***健康评估方法、***、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2290684A (en) * | 1994-06-22 | 1996-01-03 | Ibm | Speech synthesis using hidden Markov model to determine speech unit durations |
US6834256B2 (en) * | 2002-08-30 | 2004-12-21 | General Electric Company | Method and system for determining motor reliability |
JP2005251185A (ja) * | 2004-02-05 | 2005-09-15 | Toenec Corp | 電気設備診断システム |
CN102163255A (zh) * | 2010-02-17 | 2011-08-24 | 通用汽车环球科技运作有限责任公司 | 使用故障建模的复杂***的健康预测 |
CN104238545A (zh) * | 2014-07-10 | 2014-12-24 | 中国石油大学(北京) | 一种石油炼化生产过程故障诊断和预警***及其建立方法 |
CN105095918A (zh) * | 2015-09-07 | 2015-11-25 | 上海交通大学 | 一种多机器人***故障诊断方法 |
CN108508863A (zh) * | 2017-10-12 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于灰色模型的机电设备故障诊断方法 |
-
2019
- 2019-01-02 CN CN201910002731.2A patent/CN109507992B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2290684A (en) * | 1994-06-22 | 1996-01-03 | Ibm | Speech synthesis using hidden Markov model to determine speech unit durations |
US6834256B2 (en) * | 2002-08-30 | 2004-12-21 | General Electric Company | Method and system for determining motor reliability |
JP2005251185A (ja) * | 2004-02-05 | 2005-09-15 | Toenec Corp | 電気設備診断システム |
CN102163255A (zh) * | 2010-02-17 | 2011-08-24 | 通用汽车环球科技运作有限责任公司 | 使用故障建模的复杂***的健康预测 |
CN104238545A (zh) * | 2014-07-10 | 2014-12-24 | 中国石油大学(北京) | 一种石油炼化生产过程故障诊断和预警***及其建立方法 |
CN105095918A (zh) * | 2015-09-07 | 2015-11-25 | 上海交通大学 | 一种多机器人***故障诊断方法 |
CN108508863A (zh) * | 2017-10-12 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于灰色模型的机电设备故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
基于虚拟仪器的大型旋转机组故障分析及趋势预测技术研究;谷玉海;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20040115;全文 * |
基于隐马尔可夫模型的电力***连锁故障预测;丁岩,郭和强;《电网与清洁能源》;20170930(第9期);全文 * |
组合模型在电子设备故障预测中的应用;张波; 董鸿鹏; 朱倪瑶;《科技创新与应用》;20180528(第15期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109507992A (zh) | 2019-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109507992B (zh) | 一种机车制动***部件的故障预测方法、装置及设备 | |
WO2023071217A1 (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
CN110764493B (zh) | 一种适用于高速铁路的phm应用***、方法及存储介质 | |
CN103617110B (zh) | 服务器设备状态检修*** | |
CN110376003B (zh) | 基于bim的智能列车整车服役寿命预测方法及其*** | |
CN110361180B (zh) | 智能列车受电弓服役性能动态监测与评估方法及其*** | |
CN104677997B (zh) | 一种变压器油色谱在线监测差异化预警方法 | |
CN110471395B (zh) | 一种故障检测方法、装置、设备及存储介质 | |
CN112036581B (zh) | 交通工具空调***的性能检测方法及装置、存储介质、终端 | |
CN113168172B (zh) | 模型生成装置、模型生成方法及程序 | |
CN110276385B (zh) | 基于相似性的机械部件剩余使用寿命预测方法 | |
CN112396250B (zh) | 一种柴油机故障预测方法、装置、设备及存储介质 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN116843071B (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
CN110097219B (zh) | 一种基于安全树模型的电动车辆运维优化方法 | |
CN115374961A (zh) | 一种船舶动力运维***及运维方法 | |
CN116380496B (zh) | 一种汽车车门疲劳耐久测试方法、***及介质 | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
CN110399926B (zh) | 一种路灯故障诊断方法及装置 | |
CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
CN109894476B (zh) | 一种冷轧硅钢生产线液压设备故障诊断方法和装置 | |
CN116628381A (zh) | 一种基于ai预测的网页数据设计模块故障无损恢复方法 | |
CN109556861A (zh) | 一种基于案例推理的轴承实时故障诊断*** | |
Chen et al. | BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities | |
CN114638060A (zh) | 故障预测方法、***、电子设备和计算机程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220805 Address after: 266000 south side of Xinye road and west side of Herong Road, Qingdao high tech Industrial Development Zone, Qingdao, Shandong Province Patentee after: CRRC Brake System Co.,Ltd. Address before: 412001 Tianxin garden in Shi Feng District, Zhuzhou, Hunan Patentee before: CRRC ZHUZHOU LOCOMOTIVE Co.,Ltd. |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210604 |
|
CF01 | Termination of patent right due to non-payment of annual fee |