CN109754490A - 电力机车制动***的健康管理方法、装置、介质及设备 - Google Patents
电力机车制动***的健康管理方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN109754490A CN109754490A CN201910036163.8A CN201910036163A CN109754490A CN 109754490 A CN109754490 A CN 109754490A CN 201910036163 A CN201910036163 A CN 201910036163A CN 109754490 A CN109754490 A CN 109754490A
- Authority
- CN
- China
- Prior art keywords
- data
- target power
- braking system
- curves
- power locomotive
- 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.)
- Pending
Links
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请公开了一种电力机车制动***的健康管理方法，包括：根据目标电力机车制动***的工作机理对目标电力机车制动***进行建模，得到机理模型；利用机器学习理论对目标电力机车制动***进行建模，得到数据驱动模型；利用机理模型和数据驱动模型对目标电力机车制动***进行健康管理。显然，通过机理模型和数据驱动模型能够准确的测量出目标电力机车制动***是否处于健康状态，从而使得工作人员能够及时知晓目标电力机车制动***的工作状态信息，进而避免了目标电力机车制动***遭受不必要的经济损失。相应的，本发明还公开了一种电力机车制动***的健康管理装置、介质及设备，同样具有上述有益效果。
Description
技术领域
本发明涉及控制工程技术领域，特别涉及一种电力机车制动***的健康管理方法、装置、介质及设备。
背景技术
随着经济的快速发展，电力机车制动***所承载的运输能力日益增加，因此，对电力机车制动***的健康管理工作提出了更高的要求，但是，在现有的电力机车制动***的健康管理当中，无法对电力机车制动***的健康状态进行实时监测，只能是通过对电力机车制动***进行定时维修，或者是当电力机车制动***发生故障时，才对电力机车制动***进行维修。显然，如果电力机车制动***发生故障，维修不及时将会给电力机车制动***造成极大的经济损失。
由此可见，如何提供一种更好的电力机车制动***的健康管理方法，以降低电力机车制动***在发生故障时的经济损失，是本领域技术人员亟待解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种电力机车制动***的健康管理方法、装置、介质及设备，以降低电力机车制动***在发生故障时的经济损失。
其具体方案如下：
一种电力机车制动***的健康管理方法，包括：
根据目标电力机车制动***的工作机理对所述目标电力机车制动***进行建模，得到机理模型；
利用机器学习理论对所述目标电力机车制动***进行建模，得到数据驱动模型；
利用所述机理模型和所述数据驱动模型对所述目标电力机车制动***进行健康管理。
优选的，所述利用所述机理模型和所述数据驱动模型对所述目标电力机车制动***进行健康管理的过程，包括：
利用所述机理模型和所述数据驱动模型监测并分析所述目标电力机车制动***的健康状态，并将监测信息记录至日志。
优选的，所述利用所述机理模型和所述数据驱动模型对所述目标电力机车制动***进行健康管理的过程之后，还包括：
获取所述目标电力机车制动***的运行数据；
判断所述运行数据中是否存在不明原因的故障数据；
若是，则利用专家***对所述不明原因的故障数据进行分析，得到分析数据，并将所述分析数据记录至预设数据库。
优选的，所述若是，则利用专家***对所述不明原因的故障数据进行分析，得到分析数据，并将所述分析数据记录至预设数据库的过程之后，还包括：
判断所述分析数据中是否存在有明确原因的故障数据；
若是，则获取与所述明确原因的故障数据相对应的故障诊断结果，并将所述故障诊断结果记录至所述日志。
优选的，所述利用机器学习理论对所述目标电力机车制动***进行建模，得到数据驱动模型的过程，包括：
分别获取所述目标电力机车制动***在标准运行状态和日常运行状态下的第一数据和第二数据；
将所述第一数据和所述第二数据进行比较，得到比较数据；
基于所述机器学习理论，利用所述比较数据对所述目标电力机车制动***进行建模，得到所述数据驱动模型。
优选的，所述将所述第一数据和所述第二数据进行比较，得到比较数据的过程，包括：
分别获取与所述第一数据和所述第二数据相对应的第一数据曲线和第二数据曲线；
利用相关系数和偏离系数确定所述第一数据曲线和所述第二数据曲线的相关程度和偏离程度，得到所述比较数据；
其中，所述相关系数的表达式为：
式中，ρxy为所述相关系数，x为所述第一数据曲线，y为所述第二数据曲线，D(x)为所述第一数据曲线的方差，D(y)为所述第二数据曲线的方差；
所述偏离系数的表达式为：
式中，dxy为所述第一数据曲线与所述第二数据曲线的距离，Yk为所述第一数据曲线在时间点k处的数值，Xk为所述第二数据曲线在时间点k处的数值。
优选的，所述分别获取与所述第一数据和所述第二数据相对应的第一数据曲线和第二数据曲线的过程，包括：
判断所述第一数据和所述第二数据中是否出现空缺值；
若是，则利用插值算法分别获取与所述第一数据和所述第二数据相对应的所述第一数据曲线和所述第二数据曲线。
相应的，本发明还公开了一种电力机车制动***的健康管理装置，包括：
第一建立模块，用于根据目标电力机车制动***的工作机理对所述目标电力机车制动***进行建模，得到机理模型；
第二建立模块，用于利用机器学习理论对所述目标电力机车制动***进行建模，得到数据驱动模型；
健康诊断模块，用于利用所述机理模型和所述数据驱动模型对所述目标电力机车制动***进行健康管理。
相应的，本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述公开的电力机车制动***的健康管理方法的步骤。
相应的，本发明还公开了一种电力机车制动***的健康管理设备，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时实现如前述公开的电力机车制动***的健康管理方法的步骤。
可见，在本发明中，首先是根据目标电力机车制动***的工作机理对目标电力机车制动***进行建模，得到机理模型；然后，利用机器学习理论对目标电力机车制动***进行建模，得到数据驱动模型；最后，利用创建好的机理模型和数据驱动模型对目标电力机车制动***进行健康管理。显然，在本发明中，因为根据机理模型和数据驱动模型能够准确地预测出目标电力机车制动***的健康状态，所以，工作人员能够及时判断出是否需要对目标电力机车制动***展开维修工作，从而避免了目标电力机车制动***在发生故障时所遭受的经济损失。相应的，本发明还公开了一种电力机车制动***的健康管理装置、介质及设备，同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，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。
图1为本发明实施例提供的一种电力机车制动***的健康管理方法的流程图；
图2为本发明实施例提供的另一种电力机车制动***的健康管理方法的流程图；
图3为本发明实施例提供的又一种电力机车制动***的健康管理方法的流程图；
图4为本发明实施例提供的一种电力机车制动***的健康管理装置的结构图；
图5为本发明实施例提供的一种电力机车制动***的健康管理设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，是本发明实施例提供的一种电力机车制动***的健康管理方法的流程图。该方法包括：
步骤S11：根据目标电力机车制动***的工作机理对目标电力机车制动***进行建模，得到机理模型；
需要说明的是，在本实施例中，目标电力机车制动***的工作机理是指利用目标电力机车制动***中各个零部件的结合关系及工作原理来描述目标电力机车制动***的当前运行状态，也即，根据目标电力机车制动***中各个零部件的工作原理建立起来的数学模型。
能够想到的是，当目标电力机车制动***处于正常工作状态时，目标电力机车制动***中的工作流程基本上会固定不变，但是，当目标电力机车制动***中某些零部件的连接关系出现断裂，或者是某些零部件之间的通信连接出现中断，会导致目标电力机车制动***处于故障状态，此时，目标电力机车制动***的工作流程会发生改变或者是中断。那么，根据目标电力机车制动***在正常运行状态下的工作流程就可以对目标电力机车制动***进行建模，得到目标电力机车制动***的机理模型。
步骤S12：利用机器学习理论对目标电力机车制动***进行建模，得到数据驱动模型；
根据实际情况可知，当目标电力机车制动***处于正常运行状态时，目标电力机车制动***中的各个零部件会运行在一定的运行参数范围内，但是，如果目标电力机车制动***中的某些零部件出现损坏或者是由于一些不可控因素导致目标电力机车制动***处于故障状态，目标电力机车制动***中各个零部件的运行参数必定不在预设的运行参数范围之内。
所以，在本实施例中，是利用机器学习理论搜集得到大量目标电力机车制动***在正常运行状态和故障状态下的数据信息，然后，利用搜集得到的数据信息创建得到目标电力机车制动***的数据驱动模型。之后，利用创建好的数据驱动模型就可以判断目标电力机车制动***是否处于故障状态。
步骤S13：利用机理模型和数据驱动模型对目标电力机车制动***进行健康管理。
可以理解的是，当获取到了目标电力机车制动***的机理模型和数据驱动模型之后，就可以利用目标电力机车制动***的机理模型和数据驱动模型来判断目标电力机车制动***的健康状态，以及利用机理模型和数据驱动模型来对目标电力机车制动***的健康状态进行评估，并以此来对目标电力机车制动***进行健康管理。
如果目标电力机车制动***处于故障状态时，工作人员还可以根据机理模型和数据驱动模型提供的故障信息对目标电力机车制动***进行维修；此外，工作人员还可以利用机理模型和数据驱动模型来对目标电力机车制动***的健康状态进行预判，从而使得工作人员可以及时知晓目标电力机车制动***的故障严重程度。显然，通过此种方法，不仅降低了目标电力机车制动***发生安全事故的概率，而且，也大大提高了目标电力机车制动***在运行过程中的安全性能。
可见，在本实施例中，首先是根据目标电力机车制动***的工作机理对目标电力机车制动***进行建模，得到机理模型；然后，利用机器学习理论对目标电力机车制动***进行建模，得到数据驱动模型；最后，利用创建好的机理模型和数据驱动模型对目标电力机车制动***进行健康管理。显然，在本实施例中，因为根据机理模型和数据驱动模型能够准确地预测出目标电力机车制动***的健康状态，所以，工作人员能够及时判断出是否需要对目标电力机车制动***展开维修工作，从而避免了目标电力机车制动***在发生故障时所遭受的经济损失。
基于上述实施例，本实施例对技术方案作进一步的说明与优化，具体的，上述步骤S13：利用机理模型和数据驱动模型对目标电力机车制动***进行健康管理的过程，包括：
利用机理模型和数据驱动模型监测并分析目标电力机车制动***的健康状态，并将监测信息记录至日志。
可以理解的是，当创建得到了目标电力机车制动***的机理模型和数据驱动模型之后，就可以利用机理模型和数据驱动模型来对目标电力机车制动***进行健康管理，也即，利用创建得到的机理模型和数据驱动模型既可以对目标电力机车制动***的健康状态进行检测，也可以对目标电力机车制动***的故障状态进行判断，还可以利用机理模型和数据驱动模型确定出目标电力机车制动***的故障状态信息。
此外，当利用机理模型和数据驱动模型获取到目标电力机车制动***的监测信息时，还可以将监测信息存储至日志，这样一来，当目标电力机车制动***发生故障或者是异常时，就可以根据日志当中存储的监测信息来对目标电力机车制动***发生故障或者是异常的原因进行分析，并以此来进一步提高工作人员的工作效率。
基于上述实施例，本实施例对上述实施例作进一步的说明与优化，如图2所示，是本发明实施例提供的另一种电力机车制动***的健康管理方法的流程图。
具体的，上述步骤S13：利用机理模型和数据驱动模型对目标电力机车制动***进行健康管理的过程之后，还包括：
步骤S14：获取目标电力机车制动***的运行数据；
步骤S15：判断运行数据中是否存在不明原因的故障数据；
步骤S16：若是，则利用专家***对不明原因的故障数据进行分析，得到分析数据，并将分析数据记录至预设数据库。
在本实施例中，为了对目标电力机车制动***的运行状态进行更为全面、准确的分析，还可以利用机理模型和数据驱动模型对目标电力机车制动***进行健康管理的过程之后，获取目标电力机车制动***的运行数据，并判断运行数据当中是否存在有目标电力机车制动***不明原因的故障数据，如果目标电力机车制动***的运行数据当中存在不明原因的故障数据，则可以利用预先创建的专家***来对不明原因的故障数据进行分析，也即，利用专家***来对目标电力机车制动***发生异常的原因进行分析，得到分析数据。然后，将分析数据记录至预设数据库当中，这样一来，工作人员就可以根据预设数据库中存储的数据信息对目标电力机车制动***的故障原因进行分析。
需要说明的是，专家***是由大量电力机车制动***领域的专家，利用专家的知识和经验来对目标电力机车制动***中存在的不明原因的故障数据进行推理和判断，以解决实际问题的计算机程序***。
显然，当利用专家***对不明原因的故障数据进行分析，并将分析数据记录至预设数据库时，不仅可以使得预设数据库当中存储的目标电力机车制动***的故障原因更为全面、详细，而且，也可以使得工作人员利用预设数据库中的数据对目标电力机车制动***的运行状态进行更好的预测与分析。
相应的，上述步骤S16：若是，则利用专家***对不明原因的故障数据进行分析，得到分析数据，并将分析数据记录至预设数据库的过程之后，还包括：
步骤S17：判断分析数据中是否存在有明确原因的故障数据；
步骤S18：若是，则获取与明确原因的故障数据相对应的故障诊断结果，并将故障诊断结果记录至日志。
能够想到的是，如果分析数据中存在有明确原因的故障数据，此时，就可以将与明确原因的故障数据相对应的故障诊断结果记录至日志当中。这样一来，如果目标电力机车制动***在后续运行过程中再次出现该故障数据时，工作人员就能够根据日志当中存储的数据对目标电力机车制动***的运行状态进行更为准确、快速的分析与预测。
基于上述实施例，本实施例对技术方案作进一步的说明与优化，如图3所示，是本发明实施例提供的又一种电力机车制动***的健康管理方法的流程图。
具体的，上述步骤S12：利用机器学习理论对目标电力机车制动***进行建模，得到数据驱动模型的过程，包括：
步骤S121：分别获取目标电力机车制动***在标准运行状态和日常运行状态下的第一数据和第二数据；
步骤S122：将第一数据和第二数据进行比较，得到比较数据；
步骤S123：基于机器学习理论，利用比较数据对目标电力机车制动***进行建模，得到数据驱动模型。
可以理解的是，当目标电力机车制动***处于不同的运行状态时，目标电力机车制动***的运行数据会呈现出不同的变化趋势，换句话说，目标电力机车制动***在标准运行状态下和日常运行状态下会呈现出不同的变化趋势，所以，根据目标电力机车制动***在运行状态下的变化趋势就能够判断出目标电力机车制动***是否处于故障状态。
此外，在机器学习理论中，只需要在创建的机器模型中输入样本数据和与样本数据相对应的样本标签，就可以利用机器学习理论推测出待检测样本的数据结果。所以，本实施例当中，首先是基于机器学习理论创建一个机器学习模型，然后，将目标电力机车制动***在标准运行状态下和异常运行状态下的第一数据和第二数据输入到机器学习模型当中，也即，在此过程中，第一数据相当于样本数据，第二数据相当于与样本数据相对应的样本标签。
然后，将第一数据和第二数据进行比较，得到比较数据，最后，基于机器学习理论，利用比较数据对目标电力机车制动***进行建模，得到数据驱动模型。能够想到的是，当创建得到了数据驱动模型之后，就可以利用数据驱动模型来检测目标电力机车制动***在运行状态下的健康状况。
可见，基于机器学习理论，利用目标电力机车制动***在标准运行状态和日常运行状态下的第一数据和第二数据来创建数据驱动模型，可以使得创建得到的数据驱动模型可信度更高，判断结果更为准确。
基于上述实施例，本实施例对技术方案作进一步的说明与优化，具体的，上述步骤S122：将第一数据和第二数据进行比较，得到比较结果的过程，包括：
分别获取与第一数据和第二数据相对应的第一数据曲线和第二数据曲线；
利用相关系数和偏离系数确定第一数据曲线和第二数据曲线的相关程度和偏离程度，得到比较数据；
其中，相关系数的表达式为：
式中，ρxy为相关系数，x为第一数据曲线，y为第二数据曲线，D(x)为第一数据曲线的方差，D(y)为第二数据曲线的方差；
偏离系数的表达式为：
式中，dxy为第一数据曲线与第二数据曲线的距离，Yk为第一数据曲线在时间点k处的数值，Xk为第二数据曲线在时间点k处的数值。
可以理解的是，目标电力机车制动***在不同的运行状态下会呈现出不同的变化趋势，所以，在本实施例中，是将目标电力机车制动***在标准运行状态下的数据曲线与目标电力机车制动***在日常运行状态下的数据曲线进行比较，来判断目标电力机车制动***的运行状态。
具体的，在本实施例中，首先是分别获取与第一数据和第二数据相对应的第一数据曲线和第二数据曲线，并利用相关系数ρxy来计算第一数据曲线和第二数据曲线的相关程度。
需要说明的是，在本实施例中，相关系数ρxy的取值范围为[-1,1]，也即，当相关系数ρxy为1时，代表第一数据曲线和第二数据曲线完全相关，当相关系数ρxy为-1时，代表第一数据曲线和第二数据曲线完全不相关。
能够想到的是，如果仅仅利用相关系数ρxy来判断目标电力机车制动***的运行状态是是否为正常运行状态，容易出现误判，所以，在本实施例中，还可以利用偏离系数dxy来计算第一数据曲线和第二数据曲线之间的偏离程度，来进一步判断目标电力机车制动***是否处于正常运行状态。
具体的，如果计算得到第一数据曲线和第二数据曲线的相关程度较低，而第一数据曲线和第二数据曲线的偏离程度过大，或者第一数据曲线和第二数据曲线的相关程度较高，而第一数据曲线和第二数据曲线之间的偏离程度较大时，则说明第二数据曲线是目标电力机车制动***处于故障状态下所获取到的数据曲线。
当计算得到的相关系数ρxy＜0.9991和/或偏离系数dxy＞49时，则可以判定目标电力机车制动***的运行状态为故障状态；当计算得到第一数据曲线与第二数据曲线的相关系数ρxy≥0.9991，并且，偏离系数dxy≤49时，则判定目标电力机车制动***的运行状态为正常运行状态。
需要说明的是，相关系数和偏离系数的计算值与实验环境和数据量的多少有关，所以，本实施例中所提供的仅仅是一个参考数值，在实际应用当中，相关系数和偏离系数的取值可以根据实际应用当中的具体情况进行适应性的调整，此处不作具体赘述。
显然，在本实施例中，通过相关系数ρxy和偏离系数dxy来判断目标电力机车制动***是否处于正常运行状态，可以使得目标电力机车制动***的判断结果更为准确、可靠。
基于上述实施例，本实施例对技术方案作进一步的说明与优化，具体的，上述步骤S01：分别获取与第一数据和第二数据相对应的第一数据曲线和第二数据曲线的过程，包括：
判断第一数据和第二数据中是否出现空缺值；
若是，则利用插值算法获取与第一数据和第二数据相对应的第一数据曲线和第二数据曲线。
可以理解的是，在获取目标电力机车制动***在标准运行状态和日常运行状态下的第一数据和第二数据时，可能会因为某些原因造成第一数据和/或第二数据的缺失，从而使得统计结果的可信度较差。
在本实施例中，为了避免此种情况的发生，是当判断出第一数据和第二数据中出现空缺值时，利用插值算法来填补第一数据和/或第二数据中的空缺值，并以此来获取与第一数据和第二数据相对应的第一数据曲线和第二数据曲线。能够想到的是，通过这样的方式，不仅能够使得第一数据曲线和第二数据曲线更为平滑，而且，也可以使得第一数据曲线和第二数据曲线的可信度更高，由此进一步提高了目标电力机车制动***健康管理结果的准确度。
相应的，本发明还公开了一种电力机车制动***的健康管理装置，如图4所示，该装置包括：
第一建立模块21，用于根据目标电力机车制动***的工作机理对目标电力机车制动***进行建模，得到机理模型；
第二建立模块22，用于利用机器学习理论对目标电力机车制动***进行建模，得到数据驱动模型；
健康诊断模块23，用于利用机理模型和数据驱动模型对目标电力机车制动***进行健康管理。
相应的，本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述公开的电力机车制动***的健康管理方法的步骤。
相应的，本发明还公开了一种电力机车制动***的健康管理设备，如图5所示，包括：
存储器31，用于存储计算机程序；
处理器32，用于执行所述计算机程序时实现前述公开的电力机车制动***的健康管理方法的步骤。
本说明书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它实施例的不同之处，各个实施例之间相同或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。
最后，还需要说明的是，在本文中，诸如第一和第二等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操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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。
以上对本发明所提供的一种电力机车制动***的健康管理方法、装置、介质及设备进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种电力机车制动***的健康管理方法，其特征在于，包括：
根据目标电力机车制动***的工作机理对所述目标电力机车制动***进行建模，得到机理模型；
利用机器学习理论对所述目标电力机车制动***进行建模，得到数据驱动模型；
利用所述机理模型和所述数据驱动模型对所述目标电力机车制动***进行健康管理。
2.根据权利要求1所述的方法，其特征在于，所述利用所述机理模型和所述数据驱动模型对所述目标电力机车制动***进行健康管理的过程，包括：
利用所述机理模型和所述数据驱动模型监测并分析所述目标电力机车制动***的健康状态，并将监测信息记录至日志。
3.根据权利要求1所述的方法，其特征在于，所述利用所述机理模型和所述数据驱动模型对所述目标电力机车制动***进行健康管理的过程之后，还包括：
获取所述目标电力机车制动***的运行数据；
判断所述运行数据中是否存在不明原因的故障数据；
若是，则利用专家***对所述不明原因的故障数据进行分析，得到分析数据，并将所述分析数据记录至预设数据库。
4.根据权利要求3所述的方法，其特征在于，所述若是，则利用专家***对所述不明原因的故障数据进行分析，得到分析数据，并将所述分析数据记录至预设数据库的过程之后，还包括：
判断所述分析数据中是否存在有明确原因的故障数据；
若是，则获取与所述明确原因的故障数据相对应的故障诊断结果，并将所述故障诊断结果记录至所述日志。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述利用机器学习理论对所述目标电力机车制动***进行建模，得到数据驱动模型的过程，包括：
分别获取所述目标电力机车制动***在标准运行状态和日常运行状态下的第一数据和第二数据；
将所述第一数据和所述第二数据进行比较，得到比较数据；
基于所述机器学习理论，利用所述比较数据对所述目标电力机车制动***进行建模，得到所述数据驱动模型。
6.根据权利要求5所述的方法，其特征在于，所述将所述第一数据和所述第二数据进行比较，得到比较数据的过程，包括：
分别获取与所述第一数据和所述第二数据相对应的第一数据曲线和第二数据曲线；
利用相关系数和偏离系数确定所述第一数据曲线和所述第二数据曲线的相关程度和偏离程度，得到所述比较数据；
其中，所述相关系数的表达式为：
式中，ρxy为所述相关系数，x为所述第一数据曲线，y为所述第二数据曲线，D(x)为所述第一数据曲线的方差，D(y)为所述第二数据曲线的方差；
所述偏离系数的表达式为：
式中，dxy为所述第一数据曲线与所述第二数据曲线的距离，Yk为所述第一数据曲线在时间点k处的数值，Xk为所述第二数据曲线在时间点k处的数值。
7.根据权利要求6所述的方法，其特征在于，所述分别获取与所述第一数据和所述第二数据相对应的第一数据曲线和第二数据曲线的过程，包括：
判断所述第一数据和所述第二数据中是否出现空缺值；
若是，则利用插值算法分别获取与所述第一数据和所述第二数据相对应的所述第一数据曲线和所述第二数据曲线。
8.一种电力机车制动***的健康管理装置，其特征在于，包括：
第一建立模块，用于根据目标电力机车制动***的工作机理对所述目标电力机车制动***进行建模，得到机理模型；
第二建立模块，用于利用机器学习理论对所述目标电力机车制动***进行建模，得到数据驱动模型；
健康诊断模块，用于利用所述机理模型和所述数据驱动模型对所述目标电力机车制动***进行健康管理。
9.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的电力机车制动***的健康管理方法的步骤。
10.一种电力机车制动***的健康管理设备，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时实现如权利要求1至7任一项所述的电力机车制动***的健康管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910036163.8A CN109754490A (zh) | 2019-01-15 | 2019-01-15 | 电力机车制动***的健康管理方法、装置、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910036163.8A CN109754490A (zh) | 2019-01-15 | 2019-01-15 | 电力机车制动***的健康管理方法、装置、介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109754490A true CN109754490A (zh) | 2019-05-14 |
Family
ID=66405674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910036163.8A Pending CN109754490A (zh) | 2019-01-15 | 2019-01-15 | 电力机车制动***的健康管理方法、装置、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109754490A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110412871A (zh) * | 2019-07-10 | 2019-11-05 | 北京天泽智云科技有限公司 | 建筑区域辅助设备能耗预测处理方法及*** |
| CN111753396A (zh) * | 2020-05-22 | 2020-10-09 | 安徽科技学院 | 基于机理-数据驱动模型的脱硫脱硝循环泵故障诊断方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101093559A (zh) * | 2007-06-12 | 2007-12-26 | 北京科技大学 | 一种基于知识发现的专家***构造方法 |
| CN106080655A (zh) * | 2016-08-24 | 2016-11-09 | 中车株洲电力机车研究所有限公司 | 一种列车轴温异常的检测方法、装置以及列车 |
| CN104331543B (zh) * | 2014-10-17 | 2017-10-27 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进***故障诊断专家***和建立方法 |
-
2019
- 2019-01-15 CN CN201910036163.8A patent/CN109754490A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101093559A (zh) * | 2007-06-12 | 2007-12-26 | 北京科技大学 | 一种基于知识发现的专家***构造方法 |
| CN104331543B (zh) * | 2014-10-17 | 2017-10-27 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进***故障诊断专家***和建立方法 |
| CN106080655A (zh) * | 2016-08-24 | 2016-11-09 | 中车株洲电力机车研究所有限公司 | 一种列车轴温异常的检测方法、装置以及列车 |
Non-Patent Citations (6)
| Title |
|---|
| 刘庚等: "《概率论与数理统计》", 30 November 2016 * |
| 周尊英: "《实用统计技术指南》", 31 January 2003 * |
| 张会生等: "《热力***建模与仿真技术》", 31 October 2018 * |
| 张朝龙，何怡刚等: "一种基于QPSO-RVM的模拟电路故障预测方法", 《仪器仪表学报》 * |
| 李华，赵永满: "《设备维修与管理工程》", 31 January 2018 * |
| 李燕，张瑜，周军伟: "动车组故障预测与健康管理***方案研究", 《铁路计算机应用》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110412871A (zh) * | 2019-07-10 | 2019-11-05 | 北京天泽智云科技有限公司 | 建筑区域辅助设备能耗预测处理方法及*** |
| CN111753396A (zh) * | 2020-05-22 | 2020-10-09 | 安徽科技学院 | 基于机理-数据驱动模型的脱硫脱硝循环泵故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
| KR101713985B1 (ko) | 예지 정비 방법 및 장치 | |
| CN102591591B (zh) | 磁盘检测***、磁盘检测方法以及网络存储*** | |
| CN102055604B (zh) | 一种故障定位方法及其*** | |
| CN103617110A (zh) | 服务器设备状态检修*** | |
| KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
| CN102375452A (zh) | 改善故障代码设定和隔离故障的事件驱动的数据挖掘方法 | |
| KR102102346B1 (ko) | 함정설비의 상태기반 정비지원 시스템 및 방법 | |
| CN115118581B (zh) | 一种基于5g的物联网数据全链路监控和智能保障*** | |
| CN114862275B (zh) | 基于数字孪生模型的仓储物流***可靠性评估方法及*** | |
| CN105793789A (zh) | 用于过程单元中的全部过程区段的自动的监视和状态确定的计算机实现的方法和*** | |
| CN109754490A (zh) | 电力机车制动***的健康管理方法、装置、介质及设备 | |
| CN114323671A (zh) | 借助人工智能方法基于对电驱动***的组件的预测诊断来确定剩余使用寿命的方法和设备 | |
| WO2020211846A1 (zh) | 一种基于安全树模型的电动车辆运维优化方法 | |
| CN101807314B (zh) | 嵌入式车辆工况混杂异构数据信息实时处理方法 | |
| CN116010456A (zh) | 设备的处理方法、服务器和轨道交通*** | |
| KR20230125116A (ko) | 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법 | |
| CN113723827B (zh) | 地铁机电设备运行风险诊断及运维管控方法与*** | |
| CN117391675B (zh) | 一种数据中心基础设施运维管理方法 | |
| CN105260814A (zh) | 一种基于大数据的输变电设备评估模型及处理方法 | |
| CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
| CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
| CN112524077A (zh) | 检测风机故障的方法及装置、*** | |
| CN117251114A (zh) | 模型训练方法、磁盘寿命预测方法、相关装置及设备 | |
| CN112319550A (zh) | 一种基于列车初上电的故障诊断方法、***、装置及列车 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190514 |
|
| RJ01 | Rejection of invention patent application after publication |