CN110764493A - 一种适用于高速铁路的phm应用***、方法及存储介质 - Google Patents

Abstract

本发明公开了一种适用于高速铁路的PHM应用***、方法及存储介质，该***包括：数据采集模块，用于获取高速铁路关键设备设施的检测监测数据；数据处理模块，用于对设备设施数据进行格式预处理、特征层数据融合及特征提取处理，得到处理后的数据；数据分析模块，用于根据处理后的数据对高速铁路设备设施进行状态检测分析、故障诊断分析、健康评估分析及故障预测分析，得到分析结果；维修结果生成模块，用于根据分析结果对高速铁路设备设施生成故障处置结果和健康管理结果。通过实施本发明，可以集中发挥有限的检测监测数据资源，实现更为精准的故障预测和健康感知，减少运营过程中故障引起的风险，提升高速铁路运营安全性和维修效率。

Description

一种适用于高速铁路的PHM应用***、方法及存储介质

技术领域

本发明涉及高速铁路安全技术领域，具体涉及一种适用于高速铁路的PHM应用***、方法及存储介质。

背景技术

作为一种可供火车高速行驶的铁路***，一直以来，高速铁路以检测监测技术作为保障其运输安全的重要手段。目前，我国高速铁路已建成数十种安全检测监测***，全面涉及高铁安全日常检测、实时状态监测和监控、设备设施故障报警等方面。但是目前还没有一种可全面应用于高速铁路设备设施的健康管理***。

PHM(Prognostics and Health Management，故障预测与健康管理)作为一种综合利用现代信息技术、人工智能技术的健康管理***，其主要原理是利用先进的传感器对被监测***性能参数进行捕获、采集、记录，将相关特征参数与期望的状态值进行对比后，应用智能算法和模型对所收集的数据信息进行检测、分析、预测和调整，从而确保整个***的工作状态运行良好。

然而，现有的PHM***主要包括适用于机械类设备的OSA－CBM(Open SystemArchitecture for Condition－based Maintenance，视情维修开放体系)参考框架和适用于电子类设备的电子***PHM标准框架，而高速铁路作为大型复杂的机电***，现有的两类PHM***均不适用。

发明内容

有鉴于此，本发明实施例提供了一种适用于高速铁路的PHM应用***、方法及存储介质，以解决目前高速铁路中没有可全面应用于各专业设备设施的健康管理***，且现有的国际PHM框架在高速铁路中不适用的技术问题。

本发明提出的技术方案如下：

本发明实施例第一方面提供一种适用于高速铁路的PHM应用***，该***包括：数据采集模块，用于获取高速铁路设备设施的检测监测数据，所述检测监测数据包括车辆数据、工务数据、电务数据、供电数据、车务数据、机务数据；；数据处理模块，用于对所述设备设施数据进行格式预处理、特征层数据融合及特征提取处理，得到处理后的数据；数据分析模块，用于根据所述处理后的数据对高速铁路设备设施进行状态检测分析、故障诊断分析、健康评估分析及故障预测分析，得到分析结果；维修结果生成模块，用于根据所述分析结果对高速铁路设备设施生成故障处置结果和健康管理结果。

可选地，所述数据采集模块包括：现有数据接入子模块，用于获取高速铁路设备设施检测监测***的检测监测数据；补充采集数据子模块，用于获取高速铁路设备设施加装传感器后的检测监测数据。

可选地，所述数据处理模块包括：格式预处理子模块，用于对所述设备设施数据进行数据清洗、数据降噪和平滑及数据结构化处理，得到结构化数据；特征层数据融合子模块，用于对所述结构化数据进行数据融合，得到融合后的数据；特征提取子模块，用于对所述融合后的数据进行特征提取、特征选择和约简及特征合成，得到处理后的数据。

可选地，所述数据分析模块包括：状态检测分析子模块，用于根据所述处理后的数据判断高速铁路设备设施状态是否正常，得到判断结果；故障诊断分析子模块，用于根据所述判断结果对状态异常的高速铁路设备设施进行故障隔离、故障识别及故障状态评估，得到故障诊断结果；健康评估分析子模块，用于根据所述判断结果对高速铁路中机械类设备、电子类设备、机电类设备及建筑类设施的健康等级进行评估，得到不同设备设施的健康等级；故障预测分析子模块，用于根据所述判断结果对高速铁路中机械类设备、电子类设备、机电类设备及建筑类设施的劣化趋势进行预测，得到不同设备设施的可用寿命。

可选地，所述维修结果生成模块包括：故障处置结果生成子模块，用于根据所述故障诊断结果生成对高速铁路设备设施的故障恢复结果、故障缓解结果及故障预防结果；健康管理结果生成子模块，用于根据不同设备设施的健康等级和可用寿命生成对高速铁路设备设施的备品备件需求结果、维修间隔优化结果及修程优化结果。

可选地，该适用于高速铁路的PHM应用***还包括：用户接口模块，用于将所述维修结果生成模块生成的故障处置结果和健康管理结果输出。

本发明实施例第二方面提供一种适用于高速铁路的PHM应用方法，该方法包括如下步骤：获取高速铁路设备设施的检测监测数据，所述检测监测数据包括车辆数据、工务数据、电务数据、供电数据、车务数据、机务数据；；对所述设备设施数据进行格式预处理、特征层数据融合及特征提取处理，得到处理后的数据；根据所述处理后的数据对高速铁路设备设施进行状态检测分析、故障诊断分析、健康评估分析及故障预测分析，得到分析结果；根据所述分析结果对高速铁路设备设施生成故障处置结果和健康管理结果。

可选地，对所述设备设施数据进行格式预处理、特征层数据融合及特征提取处理，得到处理后的数据，包括：对所述设备设施数据进行数据清洗、数据降噪和平滑及数据结构化处理，得到结构化数据；对所述结构化数据进行数据融合，得到融合后的数据；对所述融合后的数据进行特征提取、特征选择和约简及特征合成，得到处理后的数据。

可选地，根据所述处理后的数据对高速铁路设备设施进行状态检测分析、故障诊断分析、健康评估分析及故障预测分析，得到分析结果，包括：根据所述处理后的数据判断高速铁路设备设施状态是否正常，得到判断结果；当所述判断结果显示异常时，对高速铁路设备设施进行故障隔离、故障识别及故障状态评估；当所述判断结果显示正常时，对机械类设备、电子类设备、机电类设备及建筑类设施的健康等级进行评估，得到不同设备设施的健康等级；根据所述判断结果对机械类设备、电子类设备、机电类设备及建筑类设施的劣化趋势进行预测，得到不同设备设施的可用寿命。

可选地，所述故障处置结果包括：故障恢复结果、故障缓解结果及故障预防结果；所述健康管理结果包括备品备件需求结果、维修间隔优化结果及修程优化结果。

本发明实施例第三方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本发明实施例第二方面及第二方面任一项所述的适用于高速铁路的PHM应用方法。

本发明实施例提出的技术方案，具有如下优点：

本发明实施例提供的适用于高速铁路的PHM应用***、方法及存储介质，通过选择车辆数据、工务数据、电务数据、供电数据作为PHM***的主要检测监测数据，同时将车务数据和机务数据作为辅助监测数据，可以使得该***的数据源基本涵盖高速铁路安全的关键***及设备部件，可以实现跨专业、多***的数据集成共享，同时可以集中发挥有限的资源力量，避免资源浪费。同时，本发明实施例提供的适用于高速铁路的PHM应用***，通过将该***划分为数据采集模块、数据处理模块、数据分析模块及维修结果生成模块，可以使得该***更直观、合理，同时各模块的功能定位更清晰、边界更独立，更利于用户的使用，提高了相关用户的体验感。此外，本发明实施例提供的适用于高速铁路的PHM应用***、方法及存储介质，可以实现高速铁路关键设备设施的故障预测和健康感知，减少运营过程中故障引起的风险，提升高速铁路运营安全性和维修效率。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的适用于高速铁路的PHM应用***的结构框图；

图2是根据本发明实施例的适用于高速铁路的PHM应用***的数据采集模块的加装传感器流程图；

图3是根据本发明另一实施例的适用于高速铁路的PHM应用***的结构框图；

图4是根据本发明另一实施例的适用于高速铁路的PHM应用***的结构框图；

图5是根据本发明另一实施例的适用于高速铁路的PHM应用***的结构框图；

图6是根据本发明另一实施例的适用于高速铁路的PHM应用***的结构框图；

图7是根据本发明实施例的适用于高速铁路的PHM应用方法的流程图；

图8是根据本发明另一实施例的适用于高速铁路的PHM应用方法的流程图；

图9是根据本发明另一实施例的适用于高速铁路的PHM应用方法的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

本发明实施例提供一种适用于高速铁路的PHM应用***，如图1所示，该PHM应用***包括：数据采集模块1、数据处理模块2、数据分析模块3及维修结果生成模块4。

其中，数据采集模块1，用于获取高速铁路关键设备设施的检测监测数据，检测监测数据包括车辆数据、工务数据、电务数据、供电数据、车务数据、机务数据；；具体地，可以将车辆、工务、电务及供电专业的关键设备设施作为PHM***的主要应用对象，将由这些设备设施获取的数据作为PHM基础数据。其中，车辆数据包括走行部数据、车体数据、制动***数据、牵引***数据、高压***数据、车门***数据、空调***数据及辅助***数据等；工务数据包括轨道数据、路基数据、桥梁数据、隧道数据及站房数据等；电务数据包括信号机数据、转辙机数据、轨道电路数据、电码化设备数据及通信光纤数据等、供电数据包括变压器数据、开关设备数据、接触网数据、电力线数据及电源数据等。同时，还可以获取车务数据及机务数据作为辅助监测数据。

可选地，在获取高速铁路关键设备设施数据时，可以从现有的检测监测设备中直接获取，也可以通过加装传感器进行数据补充采集。

具体地，上述设备设施数据可以由以下检测监测设备中获取，其中车辆中的检测监测设备包括动车组远程故障诊断***、动车组运行故障动态图像检测***、动车组滚动轴承故障检测***、动车组轴温智能探测***等；工务中的检测监测设备包括工务移动检测设备(轨检车、探伤车等)、有砟轨道轨温监测***、桥梁健康监测***、特大桥桥墩防撞监控***、钢轨伸缩调节器与梁端轨道伸缩装置状态监测***、隧道火灾监测***等；电务中的检测监测设备包括信号集中监测***、列车设备动态监测***、道岔缺口监测***、机车信号远程监测***、电源及环境监控***、光纤监测***、铁塔监测***、电务移动检测设备(电务试验车等)等；供电中的检测监测设备包括供电SCDAD***、供电安全检测监测***、供电移动检测设备(接触网检测车等)等；车务中的检测监测设备包括多方向接发列车防错办***；机务中的检测监测设备包括机车车载安全防护***、中国机车远程监测与诊断***、动车组司机操控信息分析***等。

当通过加装传感器进行数据采集时，如图2所示，可以按照以下步骤进行：

步骤S1：确定高速铁路关键设备设施的监测数据需求；具体地，可以采用故障模式、影响和危害性分析(Failure Mode，Effects and Criticality Analysis，简称FMECA)方法确定监测数据需求。采用FEMCA方法确定监测数据需求时可以从设备设施的功能定义、故障模式、故障影响、故障原因、故障机理、故障检测方法等几方面确定监测数据需求。

步骤S2：对监测数据需求进行测试性评估，确定检测参数；在进行测试性评估时可以通过台架试验、故障注入试验及仿真试验进行评估。具体可以采用故障演化过程确定、故障机理验证、环境应力监测参数优化及监测数据需求确定的流程对监测数据需求评估，从而确定检测参数。

步骤S3：根据检测参数进行传感器选型；具体地，传感器选型包括制定传感器确定准则、确定传感器型号和进行传感器组网。其中，在进行传感器选型时需要考虑传感器类型、安装位置、功耗、测量精度及传输方式等。

步骤S4：根据确定的传感器型号进行优化。具体地，传感器的优化主要包括传感器安装位置和安装数量的优化。进行传感器优化可以在高速铁路检测数据覆盖和辨识的前提下，根据确定的传感器型号确定合理的传感器数目，并保证该PHM***具有较高的可靠性和较好的监测性能。

数据处理模块2，用于对设备设施数据进行格式预处理、特征层数据融合及特征提取处理，得到处理后的数据；

数据分析模块3，用于根据处理后的数据对高速铁路设备设施进行状态检测分析、故障诊断分析、健康评估分析及故障预测分析，得到分析结果；

维修结果生成模块4，用于根据分析结果对高速铁路设备设施生成故障处置结果和健康管理结果。

本发明实施例提供的适用于高速铁路的PHM应用***，通过选择车辆数据、工务数据、电务数据、供电数据作为PHM***的主要检测监测数据，同时将车务数据和机务数据作为辅助监测数据，可以使得该PHM***的数据源基本涵盖高速铁路安全的关键***及设备部件，可以实现跨专业、多***的数据集成共享，同时可以集中发挥有限的资源力量，避免资源浪费。同时，本发明实施例提供的适用于高速铁路的PHM应用***，通过将该***划分为数据采集模块、数据处理模块、数据分析模块及维修结果生成模块，可以使得该***更直观、合理，同时各模块的功能定位更清晰、边界更独立，更利于用户的使用，提高了相关用户的体验感。此外，本发明实施例提供的适用于高速铁路的PHM应用***及方法，可以实现高速铁路关键设备设施的故障预测和健康感知，减少运营过程中故障引起的风险，提升高速铁路运营安全性和维修效率。

作为本发明实施例的一种可选的实施方式，如图3所示，数据处理模块2包括：格式预处理子模块21、特征层数据融合子模块22及特征提取子模块23。

其中，格式预处理子模块21，用于对设备设施数据进行数据清洗、数据降噪和平滑及数据结构化处理，得到结构化数据；通过数据采集模块采集的数据由于外界干扰、网络传输和传感器精度的影响，使得获取的设备设施数据存在无效值、缺失值和噪声等。

具体地，数据无效值可以细分为错误值和异常值，通常是由于传感器故障或外界干扰产生。错误值一般为超过传感器测量范围的值，可以通过预先设定的传感器范围限值自动进行识别。异常值的产生机制比较复杂，可能是传感器误差、错误或外界干扰导致，使得采集的数据不能体现***的实际状态；也可能是由于设备运行环境复杂性和随机性导致的。因此需要对数据采集模块获取的数据进行数据清洗，具体可以采用统计判别方法和模型判别方法，将识别出的无效值采用一个新的估计值替换。对设备设施数据进行数据清洗可以减小数据无效值对数据分析结果的影响。

对设备设施数据进行数据降噪和平滑处理可以降低数据噪声，提高数据信噪比，从而提高对数据分析的准确度。数据降噪和平滑处理可以采用非线性滤波、数据重构、状态估计、滑动平均、指数平滑等方法，也可以采用其他方法，本发明对此不做限定。

并且，通过数据采集模块采集的数据由于来源渠道多样，存储格式不统一，可能存在音视频、文本、图像等多种形式，因此可以预先对采集的设备设施数据进行结构化处理，以提高后续数据分析的准确性。

特征层数据融合子模块22，用于对结构化数据进行数据融合，得到融合后的数据；在对数据进行融合之前，可以根据历史经验数据建立各类基础知识库，基于知识库对采集的设备设施数据进行专业融合，既有利于分析不同设备设施之间的影响关系，也能够很好地加强各类数据的综合分析利用程度。

特征提取子模块23，用于对融合后的数据进行特征提取、特征选择和约简及特征合成，得到处理后的数据。

具体地，特征提取可以对融合后的数据进行必要的数据变换和处理，得到描述设备性能状态的特征量。例如将波动性较大的原始数据变换为具有单调性和趋势性的特征量，从而可以更好地描述设备性能退化过程。在进行特征提取时可以采用领域特征、数据描述特征、时间序列变换特征以及数学物理模型特征等方法。对于设备设施数据中的振动信号，由于信号分析技术的发展，可以采用专门的振动信号特征提取方法，提取振动信号中的时域、频域及时频等特征。

特征选择和约简处理可以采用线性方法或非线性方法对提取的特征进行选择和简化。其中，线性方法主要包括主成分分析(Principal Component Analysis，PCA)、独立成分分析(Independent Component Correlation Algorithm，ICA)、线性判别(LatentDirichlet Allocation，LDA)等方法，非线性方法包括核PCA、核ICA、流形学习(IsometricFeature Mapping，ISOMAP、局部线性嵌入算法)、短时FFT等方法。在进行特征合成处理时，可以采用希尔伯特－黄变换(Hilbert－Huang Transform，HHT)等方法。其中，特征选择和约简及特征合成也可以采用其他方法，本发明对此不做限定。

作为本发明实施例的一种可选的实施方式，如图4所示，数据分析模块3包括：状态检测分析子模块31、故障诊断分析子模块32、健康评估分析子模块33及故障预测分析子模块34。

其中，状态检测分析子模块31，用于根据处理后的数据判断高速铁路设备设施状态是否正常，得到判断结果；具体地，在对高速铁路设备设施状态进行检测时，可以首先建立高速铁路设备设施处于正常状态的基准模型，再将上述处理后的数据与基准模型中的参数进行对比，从而判断高速铁路设备设施状态是否正常。

故障诊断分析子模块32，用于根据判断结果对高速铁路设备设施进行故障隔离、故障识别及故障状态评估，得到故障诊断结果；具体地，当状态检测的判断结果显示异常时，可以对高速铁路设备设施进行故障隔离、故障识别及故障状态评估等故障诊断。其中，故障隔离用来定位故障发生位置，故障识别用来识别故障类型、确定故障原因，故障状态评估用来评估故障的严重程度。

在进行故障诊断之前，可以预先建立合理的故障模型，该故障模型可以将故障模式、故障现象、故障原因或现场可更换单元(Least recently used，LRU)按照一定的方式进行组织，建立联系。在建立故障模型时可以采用基于知识库的故障定位或基于大数据分析的故障识别和定位等算法。基于知识库的故障定位通常需要构建高速铁路***的构型化故障诊断知识库；基于大数据分析的故障识别和定位需要在对高速铁路海量历史数据进行准确标记的基础上，采用深度学习等技术进行数据挖掘，识别故障模式与监测参数、环境、工况因素之间的关系，从而可以对故障进行准确识别和定位。

健康评估分析子模块33，用于根据判断结果对高速铁路中机械类设备、电子类设备、机电类设备及建筑类设施的健康等级进行评估，得到不同设备设施的健康等级；具体地，当状态检测的判断结果显示正常时，可以对高速铁路设备设施进行健康评估。健康评估主要是对高速铁路中设备设施的健康状态进行量化评估。具体可以在高速铁路***正常行为分析的基础上，通过设备设施性能指标与期望值的偏差实现对设备设施健康状态的量化评估，进而通过模糊评判等方法实现健康状态与健康等级的映射，实现对健康等级的确定。

故障预测分析子模块34，用于根据判断结果对高速铁路中机械类设备、电子类设备、机电类设备及建筑类设施的劣化趋势进行预测，得到不同设备设施的可用寿命。具体地，故障预测可以在对高速铁路健康状态进行量化描述的基础上，对健康状态指标的劣化趋势进行预测，进而可以对不同设备设施的剩余可用寿命((Remaining Useful Life，RUL)进行评估。

在进行故障预测时，可以通过建立数据模型的方法进行预测。该数据模型具体可以包括数据驱动模型、物理模型以及数据驱动和物理融合模型等。其中建立物理模型进行预测是利用高速铁路***的物理失效原理进行故障预测，具体是基于材料失效机制来进行剩余可用寿命预测。建立数据驱动模型是采用当前和历史运行数据的统计和概率分布来估计高速铁路设备设施的健康状态和剩余可用寿命。

本发明实施例提供的适用于高速铁路的PHM应用***，按照性能退化机理的不同，将高速铁路设备设施分为机械类、电子类、机电类、建筑类，并分别采用不同的方法建立模型进行健康评估和故障预测，同时还充分考虑不同类别接口的影响，提高了数据分析的准确性。

本发明实施例提供的适用于高速铁路的PHM应用***，将数据分析模块分为状态检测分析子模块、故障诊断分析子模块、健康评估分析子模块及故障预测分析子模块，其中，状态检测模块可以判断当前高速铁路设备设施状态是否正常，当判断结果显示异常时，进行故障诊断；当判断结果显示正常时，进行健康评估和故障预测。因此本发明实施例提供的适用于高速铁路的PHM应用***，明确限定了三个功能模块的范畴，清晰定位了不同条件和模式下三者的边界条件，解决了现有技术中故障诊断、健康评估、故障预测三者相互交叉、重叠的问题。

作为本发明实施例的一种可选的实施方式，如图5所示，维修结果生成模块4包括：故障处置结果生成子模块41和健康管理结果生成子模块42。

其中，故障处置结果生成子模块41，用于根据故障诊断结果生成对高速铁路设备设施的故障恢复结果、故障缓解结果及故障预防结果；在生成故障处理结果之前，可以先获取状态检测分析子模块的判断结果。当判断结果显示高速铁路设备设施状态异常时，可以根据故障诊断结果生成对高速铁路设备设施的故障恢复结果、故障缓解结果及故障预防结果。

健康管理结果生成子模块42，用于根据不同设备设施的健康等级和可用寿命生成对高速铁路设备设施的备品备件需求结果、维修间隔优化结果及修程优化结果。在生成健康管理结果之前，可以先获取状态检测分析子模块的判断结果。当判断结果显示高速铁路设备设施状态正常时，可以根据不同设备设施的健康等级和可用寿命生成对高速铁路设备设施的备品备件需求结果、维修间隔优化结果及修程优化结果。

本发明实施例提供的适用于高速铁路的PHM应用***，将维修结果分为***异常时的故障处置结果、***正常时的健康管理结果两部分，提高了该PHM***的决策指导意义，可以使得生成的维修结果更全面、更准确。

作为本发明实施例的一种可选的实施方式，如图6所示，该适用于高速铁路的PHM应用***还包括：用户接口模块5，用于将维修结果生成模块生成的故障处置结果和健康管理结果输出。

作为本发明实施例的一种可选的实施方式，如图6所示，该适用于高速铁路的PHM应用***还可以包括：最终维修结果模块6，该最终维修结果模块可以接收用户接口模块输出的故障处置结果和健康管理结果，并根据接收的维修结果、规章制度的要求、历史经验及维修资源等形成最终维修结果。该最终维修结果由用户综合考虑主客观条件后作出。

作为本发明实施例的一种可选的实施方式，下面以车辆***为例具体说明应用于高速铁路的PHM***。

由于车辆***是高速铁路的核心组成部分，且车辆***的关键性，制动、空调、车门、牵引、走行部等子***都具有监测和检测装置，能提供较为丰富的状态数据和故障信息。因此可以以高速铁路中的车辆***为例对应用于其的PHM应用***进行说明。

在对车辆***采用PHM***时，应充分考虑实时性和充分性。因此，在采集车辆***的数据之前，可以加装足够的传感器，对车辆***中不同部件采集更多的监测参数，如电流、振动及温度等参数。其次，还需要提高加装的传感器的采样频率，使传感器尽可能采集高频数据，如制动缸压力数据、车门驱动电机电流数据、走行部轴承振动数据等。高频数据的采集，可以在进行数据处理后有效识别***运行异常和早期故障。

可选地，由于传感器的增多，采集的数据量也随之增大。因此，可以在车辆***中增加边缘计算设备和边缘计算节点，例如，可以在辅助电气***、走行部***、受电弓***、门***、制动***、牵引***、空调***中增加边缘计算节点进行数据获取。边缘计算设备可以接收边缘计算节点获取的数据。边缘计算节点和边缘计算设备的增加可以提高数据传输的实时性和准确性。

在通过传感器和其他检测监测设备获取车辆数据之后，可以先对数据进行清洗和降噪。其中，在进行数据清洗处理时，可以采用统计或机器学习等方法对电流、振动、压力等高频信号进行清洗。对于低频数据，可以基于工作原理等进行物理判别。在对车辆数据尤其是车辆数据中的高频数据进行数据降噪处理时，可以采用小波分析、经验模态分解(Empirical Mode Decomposition，EMD)、盲源分离等较为成熟的方法进行。

在对清洗和降噪后的数据进行数据处理时，可以采用时域分析、频域分析、时频分析方法提取特征。以振动信号为例，可以提取RMS、均值、变化率、峰值、峭度、峰峰值等时域特征，还可以通过傅里叶变换提取特征频率等频率特征，以及通过小波分析、短时傅里叶变换等方法提取时频特征。对于车辆***中的不同部件可以提取如表1所示的特征。

表1

在对提取特征后的数据进行状态检测时，可以将该数据与基准模型中的参数进行对比，从而得到状态检测结果。具体基准模型建立时可以选择机器学习方法、机理模型构建方法、基线方法等。对于车辆***中不同部件可以分别采用如表2所示的模型构建方法建立基准模型。

表2

当状态检测结果显示异常时，可以对车辆***中不同部件进行故障诊断。具体选择的部件如表3所示。

表3

在对车辆***中的上述部件进行故障诊断时，可以采用指纹图方法，指纹图诊断的原理为当***发生故障时，与故障相关的性能指标会相对正常值发生一定的偏差，并且对于不同种故障模式，性能指标的偏差方向不同，但偏差比例固定，因此不同的故障模式对应的性能指标偏差将具有不同的偏差比，从而可以在故障模式与性能指标偏差之间建立一一映射关系，将这种关系绘制成图即为指纹图。用于故障诊断的指纹图可以通过台架试验或者对已有故障数据的提炼获得。此外，还可采用大数据分析方法进行故障诊断。不过，大数据分析方法从原理上与基于指纹图的故障诊断类似，但大数据故障诊断依赖于经过了准确标注的大量数据，并采用深度学习等复杂模型来实现故障模式与参数之间的对应。

当状态检测结果显示正常时，可以对车辆***中不同部件进行健康评估。具体可以根据上述表3中子***或大部件的监测参数确定劣化度指标，基于劣化度进行健康评估，该健康评估可以包括劣化度计算、健康等级评估等。其中，劣化度计算可以采用比例劣化、加速劣化、减速劣化等函数计算；健康等级评估是将计算得到的劣化度与健康等级进行匹配的过程，具体可以采用模糊评判方法，通过隶属度函数计算劣化度对健康等级的隶属度，从而确定劣化度对应的健康等级(隶属度高的等级)。对于有多个参数的***/部件，可以综合各个性能参数的隶属度向量，采用D－S证据融合等方法合成部件综合隶属度，按照最大隶属度原则确定最终健康等级。

在确定车辆***中不同部件的健康等级后，可以对如表4所示的部件进行故障预测。

表4

***	部件
		牵引***	牵引电机轴承、牵引电机、牵引变压器
辅助***	蓄电池
		走行部	轴箱轴承、齿轮箱轴承

在故障预测的过程中，可以采用比例风险模型等协变量模型以及相似度分析模型等。其中，协变量模型以车辆***设备性能参数为协变量，建立生存分析模型，根据历史故障记录以及检查结果，构造似然函数，得到参数的估计值。根据设定的风险率阈值，可以计算得到RUL；相似性模型则是基于相似性的假设，利用车辆***参考部件某时刻残余寿命的加权平均作为服役部件的残余寿命预测结果，并计算RUL，权重正比于服役部件与各参考部件的相似程度。

在进行数据处理和数据分析之后，可以基于分析结果生成维修建议。其中，维修建议包括车辆设备异常时的故障处置、正常时的健康管理两部分建议。其中故障处置包括车辆设备的故障恢复、故障缓解、故障预防等相关建议，健康管理包括车辆设备的备品备件需求、维修间隔优化、修程优化等相关建议。最后，车辆运用管理人员可以根据维修建议、维修资源及历史经验等作出最终的维修决策。

本发明实施例还提供一种适用于高速铁路的PHM应用方法，如图7所示，该方法包括如下步骤：

步骤S101：获取高速铁路关键设备设施的检测监测数据，设备设施数据包括车辆数据、工务数据、电务数据、供电数据、车务数据及机务数据；详细内容参见上述***实施例中数据采集模块的相关描述。

步骤S102：对设备设施数据进行格式预处理、特征层数据融合及特征提取处理，得到处理后的数据；详细内容参见上述***实施例中数据处理模块的相关描述。

步骤S103：根据处理后的数据对高速铁路设备设施进行状态检测分析、故障诊断分析、健康评估分析及故障预测分析，得到分析结果；详细内容参见上述***实施例中数据分析模块的相关描述。

步骤S104：根据分析结果对高速铁路设备设施生成故障处置结果和健康管理结果。详细内容参见上述***实施例中维修结果生成模块的相关描述。

本发明实施例提供的适用于高速铁路的PHM应用方法，通过选择车辆数据、工务数据、电务数据、供电数据作为PHM***的主要检测监测数据，同时将车务数据和机务数据作为辅助监测数据，可以使得该PHM***的数据源基本涵盖高速铁路安全的关键***及设备部件，可以实现跨专业、多***的数据集成共享，同时可以集中发挥有限的资源力量，避免资源浪费。同时，本发明实施例提供的适用于高速铁路的PHM应用方法，可以实现高速铁路关键设备设施的故障预测和健康感知，减少运营过程中故障引起的风险，提升高速铁路运营安全性和维修效率。

作为本发明实施例的一种可选的实施方式，如图8所示，步骤S102对设备设施数据进行格式预处理、特征层数据融合及特征提取处理，得到处理后的数据，包括如下步骤：

S201：对所设备设施数据进行数据清洗、数据降噪和平滑及数据结构化处理，得到结构化数据；详细内容参见上述***实施例中数据分析模块的相关描述。

S202：对结构化数据进行数据融合，得到融合后的数据；详细内容参见上述***实施例中特征层数据融合子模块的相关描述。

S203：对融合后的数据进行特征提取、特征选择和约简及特征合成，得到处理后的数据。详细内容参见上述***实施例中特征提取子模块的相关描述。

作为本发明实施例的一种可选的实施方式，如图9所示，步骤S103根据处理后的数据对高速铁路设备设施进行状态检测分析、故障诊断分析、健康评估分析及故障预测分析，得到分析结果，包括如下步骤：

步骤S301：根据所处理后的数据判断高速铁路设备设施状态是否正常，得到判断结果；详细内容参见上述***实施例中状态检测分析子模块的相关描述。

步骤S302：当判断结果显示异常时，对高速铁路设备设施进行故障隔离、故障识别及故障状态评估；详细内容参见上述***实施例中故障诊断分析子模块的相关描述。

步骤S303：当判断结果显示正常时，对机械类设备、电子类设备、机电类设备及建筑类设施的健康等级进行评估，得到不同设备设施的健康等级；详细内容参见上述***实施例中健康评估分析子模块的相关描述。

步骤S304：根据判断结果对机械类设备、电子类设备、机电类设备及建筑类设施的劣化趋势进行预测，得到不同设备设施的可用寿命。详细内容参见上述***实施例中故障预测分析子模块的相关描述。

作为本发明实施例的一种可选的实施方式，故障处置结果包括：故障恢复结果、故障缓解结果及故障预防结果；健康管理结果包括备品备件需求结果、维修间隔优化结果及修程优化结果。

本发明实施例提供的适用于高速铁路的PHM应用方法的功能描述详细参见上述实施例中适用于高速铁路的PHM应用***描述。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid－State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (11)

1.一种适用于高速铁路的PHM应用***，其特征在于，包括：

数据采集模块，用于获取高速铁路设备设施的检测监测数据，所述检测监测数据包括车辆数据、工务数据、电务数据、供电数据、车务数据、机务数据；

数据处理模块，用于对所述设备设施数据进行格式预处理、特征层数据融合及特征提取处理，得到处理后的数据；

数据分析模块，用于根据所述处理后的数据对高速铁路设备设施进行状态检测分析、故障诊断分析、健康评估分析及故障预测分析，得到分析结果；

维修结果生成模块，用于根据所述分析结果对高速铁路设备设施生成故障处置结果和健康管理结果。

2.根据权利要求1所述的适用于高速铁路的PHM应用***，其特征在于，所述数据采集模块包括：

现有数据接入子模块，用于获取高速铁路设备设施检测监测***的检测监测数据；

补充采集数据子模块，用于获取高速铁路设备设施加装传感器后的检测监测数据。

3.根据权利要求1所述的适用于高速铁路的PHM应用***，其特征在于，所述数据处理模块包括：

格式预处理子模块，用于对所述设备设施数据进行数据清洗、数据降噪和平滑及数据结构化处理，得到结构化数据；

特征层数据融合子模块，用于对所述结构化数据进行基于知识库的数据融合，得到融合后的数据；

特征提取子模块，用于对所述融合后的数据进行特征提取、特征选择和约简及特征合成，得到处理后的数据。

4.根据权利要求1所述的适用于高速铁路的PHM应用***，其特征在于，所述数据分析模块包括：

状态检测分析子模块，用于根据所述处理后的数据判断高速铁路设备设施状态是否正常，得到判断结果；

故障诊断分析子模块，用于根据所述判断结果对状况异常的高速铁路设备设施进行故障隔离、故障识别及故障状态评估，得到故障诊断结果；

健康评估分析子模块，用于根据所述判断结果对高速铁路中机械类设备、电子类设备、机电类设备及建筑类设施的健康等级进行评估，得到不同设备设施的健康等级；

故障预测分析子模块，用于根据所述判断结果对高速铁路中机械类设备、电子类设备、机电类设备及建筑类设施的劣化趋势进行预测，得到不同设备设施的可用寿命。

5.根据权利要求4所述的适用于高速铁路的PHM应用***，其特征在于，所述维修结果生成模块包括：

故障处置结果生成子模块，用于根据所述故障诊断结果生成对状况异常的高速铁路设备设施的故障恢复结果、故障缓解结果及故障预防结果；

健康管理结果生成子模块，用于根据不同设备设施的健康等级和可用寿命生成对高速铁路设备设施的备品备件需求结果、维修间隔优化结果及修程优化结果。

6.根据权利要求1所述的适用于高速铁路的PHM应用***，其特征在于，还包括：用户接口模块，用于将所述维修结果生成模块生成的故障处置结果和健康管理结果输出。

7.一种适用于高速铁路的PHM应用方法，其特征在于，包括如下步骤：

获取高速铁路设备设施的检测监测数据，所述检测监测数据包括车辆数据、工务数据、电务数据、供电数据、车务数据、机务数据；对所述设备设施数据进行格式预处理、特征层数据融合及特征提取处理，得到处理后的数据；

根据所述处理后的数据对高速铁路设备设施进行状态检测分析、故障诊断分析、健康评估分析及故障预测分析，得到分析结果；

根据所述分析结果对高速铁路设备设施生成故障处置结果和健康管理结果。

8.根据权利要求7所述的适用于高速铁路的PHM应用方法，其特征在于，对所述设备设施数据进行格式预处理、特征层数据融合及特征提取处理，得到处理后的数据，包括：

对所述设备设施数据进行数据清洗、数据降噪和平滑及数据结构化处理，得到结构化数据；

对所述结构化数据进行数据融合，得到融合后的数据；

对所述融合后的数据进行特征提取、特征选择和约简及特征合成，得到处理后的数据。

9.根据权利要求7所述的适用于高速铁路的PHM应用方法，其特征在于，根据所述处理后的数据对高速铁路设备设施进行状态检测分析、故障诊断分析、健康评估分析及故障预测分析，得到分析结果，包括：

根据所述处理后的数据判断高速铁路设备设施状态是否正常，得到判断结果；

当所述判断结果显示异常时，对高速铁路设备设施进行故障隔离、故障识别及故障状态评估；

当所述判断结果显示正常时，对机械类设备、电子类设备、机电类设备及建筑类设施的健康等级进行评估，得到不同设备设施的健康等级；

根据所述判断结果对机械类设备、电子类设备、机电类设备及建筑类设施的劣化趋势进行预测，得到不同设备设施的可用寿命。

10.根据权利要求9所述的适用于高速铁路的PHM应用方法，其特征在于，所述故障处置结果包括：故障恢复结果、故障缓解结果及故障预防结果；所述健康管理结果包括备品备件需求结果、维修间隔优化结果及修程优化结果。

11.一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存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求7-10任一项所述的适用于高速铁路的PHM应用方法。

Images