CN111723925A - 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 - Google Patents
一种在途智能列车空调机组故障诊断方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111723925A CN111723925A CN202010552814.1A CN202010552814A CN111723925A CN 111723925 A CN111723925 A CN 111723925A CN 202010552814 A CN202010552814 A CN 202010552814A CN 111723925 A CN111723925 A CN 111723925A
- Authority
- CN
- China
- Prior art keywords
- electric power
- time
- steady
- transient
- sequence
- 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.)
- Granted
Links
- 238000004378 air conditioning Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 230000001052 transient effect Effects 0.000 claims abstract description 95
- 239000013598 vector Substances 0.000 claims description 78
- 238000001514 detection method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 239000003507 refrigerant Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000005057 refrigeration Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
- B61D27/00—Heating, cooling, ventilating, or air-conditioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Mechanical Engineering (AREA)
- Neurology (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种在途智能列车空调机组故障诊断方法、装置、设备及介质,其中方法为:根据标准电功率时间序列构建标准事件模板库,其中包括瞬态和稳态标准事件模板;根据历史电功率时间序列获取对应的瞬态和稳态时间子序列,并在标准事件模板库中找到匹配的瞬态和稳态标准事件模板,进而获取得到对应的历史电功率稳态残差子序列,并作为历史样本训练极限学习机得到列车空调机组故障预测模型;获取在途列车空调机组的实时电功率时间序列,并按上述相同方法获取对应的实时电功率残差序列,以输入至列车空调机组故障预测模型,从而预测得到在途列车空调机组的故障类型。本发明所需要加装的传感器较少,成本较低,故障预测准确度高。
Description
技术领域
本发明涉及列车空调机组故障识别领域,具体涉及一种在途智能列车空调机组故障诊断方法、装置、设备及介质。
背景技术
随着现代社会旅客列车的高速发展,列车空调机组在旅客列车上的应用也越发广泛。当前旅客列车密封性较好,这直接导致了车厢内空气的流通性差;在春运高峰期,列车中人员密度更大,对车厢内的通风要求更高,这就需要列车空调能够长期的、无故障的工作。因此,构建一套列车空调机组的故障精确诊断方法有着十分重要的意义。
空调制冷***是一个集多个子***为一体的复杂整体,包括蒸发器、冷凝器、压缩机等主要元件及其他一些附属装置,各部件协同合作,共同完成空调制冷的作用。其制冷循环基本工作原理如下图1所示。因此根据空调机组部件类型可将空调故障类型分为:制冷剂泄漏、蒸发皿堵塞、冷凝器结垢、压缩机磨损四种类型。
列车空调机组的故障诊断***一般分为诊断数据收集设备、诊断数据传输设备和诊断数据分析设备3个部分。数据收集和传输设备完成列车诊断数据的自动收集和传输。诊断数据分析设备完成诊断数据的存储、提取、在线诊断、维修策略的生成以及人机交互等功能。列车空调机组故障诊断***架构示意图如图2所示。
当前的列车空调机组故障诊断方法大多为通过测定空调机组各部件物理特征,建立物理特征与故障类型的映射模型进行列车空调机组故障预测。专利CN105160345A公开了一种诊断列车空调机组故障的方法,建立了以压缩机吸气压力、压缩机排气压力、压缩机吸气温度、压缩机排气温度、机组实际制冷量等空调部件物理特征为输入,以制冷剂泄露、蒸发器污垢、冷凝器污垢、有不凝性气体、压缩机停机等异常工况为输出的分类模型。这种特征选取方法需要在各空调部件内加装多种传感器,成本较高,并且单一传感器的性能会对分类结果产生直接影响。
发明内容
本发明所要解决的技术问题在于,提供一种在途智能列车空调机组的故障诊断方法、装置、设备及介质,成本低,且故障诊断准确性高。
为实现上述技术目的,本发明采用如下技术方案:
一种在途智能列车空调机组故障诊断方法,包括以下步骤:
步骤1,通过电力负荷监控传感器获取列车空调机组的标准电功率时间序列并构建标准事件模板库;所述标准电功率时间序列是指列车空调机组在各种工况均正常运行时的电功率时间序列,所述标准事件模板库中包括由标准电功率时间序列分割得到的瞬态标准事件模板和稳态标准事件模板;
步骤2,获取列车空调机组在已知故障类型运行时的历史电功率时间序列,采用事件检测算法将电功率历史时间序列分割为历史电功率瞬态时间子序列和历史电功率稳态时间子序列;
步骤3,通过计算和比较路径长度,在标准事件模板库中找到分别与每个历史电功率瞬态时间子序列匹配的瞬态标准事件模板,找到分别与每个历史电功率稳态时间子序列匹配的稳态标准事件模板;
步骤4,将所有历史电功率瞬态时间子序列均与其匹配的瞬态标准事件模板作差得到对应的历史电功率瞬态残差子序列,将所有历史电功率稳态时间子序列均与其匹配的稳态标准事件模板作差得到对应的历史电功率稳态残差子序列;
步骤5,将历史电功率时间序列对应得到的所有历史电功率瞬态残差子序列和历史电功率稳态残差子序列,按时间顺序拼接得到与历史电功率时间序列对应的历史电功率残差序列;
步骤6,以历史电功率残差序列为输入、相应的故障类型为输出,训练极限学习机模型,得到列车空调机组故障预测模型;
步骤7,通过电力负荷监控传感器获取在途列车空调机组的实时电功率时间序列,按步骤2-5相同方法获取对应的实时电功率残差序列,并输入至列车空调机组故障预测模型中,即输出得到在途列车空调机组的故障类型。
在更优的技术方案中,步骤6训练极限学习机模型时,采用差分进化算法优化极限学习机参数。
相对于现有技术的遗传算法优化模型参数而言,本技术方案采用差分进化算法优化极限学***滑地向最优参数点步进,减少局部最优现象的产生,从而提高训练得到的列车空调机组故障预测模型的预测精度。
在更优的技术方案中,采用事件检测算法将标准电功率时间序列分割得到瞬态标准事件模板和稳态标准事件模板。
在更优的技术方案中,步骤3采用动态时间弯曲算法,计算历史电功率瞬态时间子序列与每个瞬态标准事件模板之间的路径长度,以及计算历史电功率稳态时间子序列与每个稳态标准事件模板之间的路径长度。
本技术方案采用动态时间弯曲算法能够有效准确地计算两个不同时间长度的时间序列之间的路径长度,路径越短表示相似性越大。
在更优的技术方案中,设每个历史电功率瞬态时间子序列和历史电功率稳态时间子序列均可表示为时间子序列Q=(q1,q2,…,qi,…,qn),每个瞬态标准事件模板和稳态标准事件模板均可表示为时间子序列C=(c1,c2,…,cj,…,cm),则采用动态时间弯曲算法计算历史电功率瞬态时间子序列与每个瞬态标准事件模板之间的路径长度以及计算历史电功率稳态时间子序列与每个稳态标准事件模板之间的路径长度,具体方法为:
定义n行m列的DTW对准矩阵M,DTW对准矩阵M中第i行第j列的元素为时间子序列q中对准点qi和时间子序列C中对准点cj之间的距离d(qi,cj),其中d(qi,cj)=(qi-cj)2);
根据时间子序列Q的对准点q1和对准点qn,在DTW对准矩阵M中搜索满足|i-j|≤r的所有弯曲路径,将每条弯曲路径中所有元素均表示为集合W={w1,w2,…,wk,…,wK},取路径总长最小的弯曲路径作为时间子序列Q与时间子序列C之间路径长度:
在更优的技术方案中,故障类型包括正常工况、冷剂泄漏、蒸发皿堵塞、冷凝器结垢和压缩机磨损。
在更优的技术方案中,采用差分进化算法所优化的极限学习机参数包括输入权值向量和隐含层神经元偏置向量,优化过程为:
步骤6.1,参数设置以及初始化种群:设置最大进化代数Gmax、种群规模NP、缩放因子F和交叉概率Pcr;将种群中每个个体表示为由输入权值向量和隐含层神经元偏置向量组成的目标向量r=[W b],对参数向量的输入权值向量中每个元素在范围[0,1]内进行随机初始化,对参数向量的隐含层神经元偏置向量中每个元素在范围[-5,5]内进行随机初始化;将极限学习机的预测值与真实值之间的方差作为适应度函数;
步骤6.2,令进化代数G=0;目标向量r初始化为p(0);
步骤6.3,令进化代数G=G+1;p(G+1)=p(G);
步骤6.4,在目标向量p(G)之外,在种群中随机选择3个个体r1,r2,r3;
步骤6.5,进行差分变异操作,生成变异向量;
r*(G)=r1(G)+F*(r2(G)-r3(G))
其中,F称为缩放因子,为常数;r*为变异向量;
步骤6.6,对目标向量和变异向量进行交叉操作,生成试验向量;
具体为对试验向量的每个分量进行交叉操作:
步骤6.7,计算试验向量的适应度值,进行对比选择操作;
其中,r(G)为第G代目标向量;f为适应度函数。
步骤6.8,若G=Gmax,结束优化流程并输出当前目标向量的网络权值W和隐含层神经元偏置量b,否则转到步骤6.3。
本发明还提供一种在途智能列车空调机组故障诊断装置,包括:
标准事件模板库构建模块,用于:获取列车空调机组的标准电功率时间序列并构建标准事件模板库;所述标准电功率时间序列是指列车空调机组在各种工况均正常运行时的电功率时间序列,所述标准事件模板库中包括由标准电功率时间序列分割得到的瞬态标准事件模板和稳态标准事件模板;
事件检测模块,用于:获取列车空调机组在已知故障类型运行时的历史电功率时间序列,采用事件检测算法将电功率历史时间序列分割为历史电功率瞬态时间子序列和历史电功率稳态时间子序列;还用于:获取在途列车空调机组的实时电功率时间序列,采用事件检测算法将实时电功率时间序列分割为实时电功率瞬态时间子序列和实时电功率稳态时间子序列;
标准事件模板匹配模块,用于:通过计算和比较路径长度,在标准事件模板库中找到分别与每个历史电功率瞬态时间子序列匹配的瞬态标准事件模板,找到分别与每个历史电功率稳态时间子序列匹配的稳态标准事件模板;还用于:通过计算和比较路径长度,在标准事件模板库中找到与实时电功率瞬态时间子序列匹配的稳态标准事件模板,找到与实时电功率稳态时间子序列匹配的稳态标准事件模板;
残差子序列获取模块,用于:将所有历史电功率瞬态时间子序列均与其匹配的瞬态标准事件模板作差得到对应的历史电功率瞬态残差子序列,将所有历史电功率稳态时间子序列均与其匹配的稳态标准事件模板作差得到对应的历史电功率稳态残差子序列;还用于:将所有实时电功率瞬态时间子序列均与其匹配的瞬态标准事件模板作差得到对应的实时电功率瞬态残差子序列,将所有实时电功率稳态时间子序列均与其匹配的稳态标准事件模板作差得到对应的实时电功率稳态残差子序列;
残差序列拼接模块,用于:将历史电功率时间序列对应得到的所有历史电功率瞬态残差子序列和历史电功率稳态残差子序列,按时间顺序拼接得到与历史电功率时间序列对应的历史电功率残差序列;还用于:将将实时电功率时间序列对应得到的所有实时电功率瞬态残差子序列和实时电功率稳态残差子序列,按时间顺序拼接得到与实时电功率时间序列对应的实时电功率残差序列;
列车空调机组故障预测模型训练模块,用于:以历史电功率残差序列为输入、相应的故障类型为输出,训练极限学习机模型,得到列车空调机组故障预测模型;
其中,得到的车空调机组故障预测模型用于:根据输入的实时电功率残差序列进行故障诊断,输出得到在途列车空调机组的故障类型。
本发明还提供一种设备,包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,具体执行上述任一所述的方法。
本发明还提供一种计算机存储介质,用于存储程序,所述程序被执行时,用于实现上述任一所述的方法。
有益效果
本发明仅需要在每节列车加装电力负荷监控传感器以获取列车空调机组的标准电功率时间序列,即可预测列车空调机组的故障类型,因此所需要加装的传感器较少,成本较低,并且电力负荷监控传感器精度较高,能够有效的减少传感器性能对预测结果的影响。
而且,训练极限学习机得到列车空调机组故障预测模型,其输入是历史电功率残差序列,即为列车空调机组运行工况的异常波动时序,是滤除正常工况(即标准电功率时间序列)得到的,能够更灵敏地反映列车空调机组的运行情况,因此可更准确对列车空调机组进行故障预测。
附图说明
图1为列车空调机组人制冷循环基本工作原理图;
图2为列车空调机组故障诊断***架构示意图;
图3为极限学习机结构图;
图4为本发明实施例所述方法的流程图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
本实施例提供的在途智能列车空调机组的故障诊断方法,通过电力负荷监控传感器实时记录空调机组电功率的变化,进而通过电功率的波动特性对列车空调机组的运行状态进行检测,具体方法参考图4所示,包括以下步骤:
步骤1,获取列车空调机组的标准电功率时间序列并构建标准事件模板库;所述标准电功率时间序列是指列车空调机组在各种工况均正常运行时的电功率时间序列,所述标准事件模板库中包括由标准电功率时间序列通过采用事件检测算法分割得到的瞬态标准事件模板和稳态标准事件模板。
其中,事件检测算法的实质是变点检测,在本实施例中即对标准电功率时间序列中相邻点跃动变化超过阈值的点进行识别的一种算法,识别到连续跃动的点即为瞬态事件,两个瞬态事件之间的时间序列即为稳态事件。
步骤2,获取列车空调机组在已知故障类型运行时的历史电功率时间序列,采用事件检测算法将电功率历史时间序列分割为历史电功率瞬态时间子序列和历史电功率稳态时间子序列。
该步骤2采用事件检测算法对电功率历史时间序列分割的方法,与步骤1中对标准电功率时间序列进行分割的方法相同。
步骤3,通过计算和比较路径长度,在标准事件模板库中找到分别与每个历史电功率瞬态时间子序列匹配的瞬态标准事件模板,找到分别与每个历史电功率稳态时间子序列匹配的稳态标准事件模板。
本实施例采用动态时间弯曲算法计算历史电功率瞬态时间子序列与每个瞬态标准事件模板之间的路径长度以及计算历史电功率稳态时间子序列与每个稳态标准事件模板之间的路径长度,取其中路径长度最小的瞬态标准事件模板即为与历史电功率瞬态时间子序列匹配的瞬态标准事件模板,取路径长度最小的稳态标准事件模板即为与历史电功率稳态时间子序列匹配的稳态标准事件模板。
其中,采用动态时间弯曲算法计算每两个时间子序列之间的路径长度方法为:
设每个历史电功率瞬态时间子序列和历史电功率稳态时间子序列均可表示为时间子序列Q=(q1,q2,…,qi,…,qn),每个瞬态标准事件模板和稳态标准事件模板均可表示为时间子序列C=(c1,c2,…,cj,…,cm);
定义n行m列的DTW对准矩阵M,DTW对准矩阵M中第i行第j列的元素为时间子序列Q中对准点qi和时间子序列C中对准点cj之间的距离d(qi,cj),其中d(qi,cj)=(qi-cj)2);
根据时间子序列Q的对准点q1和对准点qn,在DTW对准矩阵M中搜索满足|i-j|≤r的所有弯曲路径,将每条弯曲路径中所有元素表示为集合W={w1,w2,…,wk,…,wK},取路径总长最小的弯曲路径作为时间子序列Q与时间子序列C之间路径长度: 路径长度dDTW(Q,C)越小,表示Q与C两个时间子序列之间的相似性越高。
步骤4,将所有历史电功率瞬态时间子序列均与其匹配的瞬态标准事件模板作差得到对应的历史电功率瞬态残差子序列,将所有历史电功率稳态时间子序列均与其匹配的稳态标准事件模板作差得到对应的历史电功率稳态残差子序列。
步骤5,将历史电功率时间序列对应得到的所有历史电功率瞬态残差子序列和历史电功率稳态残差子序列,按时间顺序拼接得到与历史电功率时间序列对应的历史电功率残差序列。
由此得到的历史电功率残差序列,即为列车空调机组运行工况的异常波动时序,是滤除正常工况(即标准电功率时间序列)得到的,能够更灵敏地反映列车空调机组的运行情况,因此可用于训练人工智能网络以用于对列车空调机组进行故障预测。
步骤6,以历史电功率残差序列为输入、相应的故障类型为输出,训练极限学习机模型,得到列车空调机组故障预测模型。
本实施例中的故障类型包括:正常工况、冷剂泄漏、蒸发皿堵塞、冷凝器结垢和压缩机磨损。在训练极限学习机模型时,采用独热码的方式设置故障类型的标签,设置正常工况为0000,冷剂泄漏为1000、蒸发皿堵塞为0100、冷凝器结垢为0010、压缩机磨损为0001。
由于极限学习机只需要设置网络的隐层节点个数,在训练过程中不需要调整极限学习机参数,并且产生唯一的最优解,因此本实施例选择极限学习机以训练得到列车机组故障预测模型具有学习速度快且泛化性能好的优点。极限学习机的结构如图3所示,在本实施例中极限学习机参数设置为:极限学习机的输入神经元个数为100~500(具体由波动时序中点的个数确定),隐含层神经元数目N根据经验确定,输出神经元数目为4;输入权值W,隐含层神经元偏置量b最初随机赋值,之后通过差分进化算法优化得到。
在本实施例中,对极限学习机模型的训练,具体采用差分进化算法优化极限学习机参数,即输入权值向量和隐含层神经元偏置向量,具体过程为:
步骤6.1,参数设置以及初始化种群:设置最大进化代数Gmax、种群规模NP、缩放因子F和交叉概率Pcr;将种群中每个个体表示为由输入权值向量和隐含层神经元偏置向量组成的目标向量r=[W b],对参数向量的输入权值向量中每个元素在范围[0,1]内进行随机初始化,对参数向量的隐含层神经元偏置向量中每个元素在范围[-5,5]内进行随机初始化;将极限学习机的预测值与真实值之间的方差作为适应度函数;
步骤6.2,令进化代数G=0;目标向量r初始化为p(0);
步骤6.3,令进化代数G=G+1;p(G+1)=p(G);
步骤6.4,在目标向量p(G)之外,在种群中随机选择3个个体r1,r2,r3;
步骤6.5,进行差分变异操作,生成变异向量;
r*(G)=r1(G)+F*(r2(G)-r3(G))
其中,F称为缩放因子,为常数;r*为变异向量;
步骤6.6,对目标向量和变异向量进行交叉操作,生成试验向量;
具体为对试验向量的每个分量进行交叉操作:
步骤6.7,计算试验向量的适应度值,进行对比选择操作;
其中,r(G)为第G代目标向量;f为适应度函数。
步骤6.8,若G=Gmax,结束优化流程并输出当前目标向量的网络权值W和隐含层神经元偏置量b,否则转到步骤6.3。
步骤7,获取在途列车空调机组的实时电功率时间序列,按步骤2-5相同方法获取对应的实时电功率残差序列,并输入至列车空调机组故障预测模型中,即输出得到在途列车空调机组的故障类型。
将步骤2-5对时间序列的处理方法以及步骤6训练得到的列车空调机组故障预测模型,均植入到服务器中。在本步骤7预测故障时,由电力负荷监控传感器获取的实时电功率时间序列,将其通过无线网络实时传输至服务器,从而通过服务器按步骤2-5对时间序列的处理方法,获取对应的实时电功率残差序列,并输入至列车空调机组故障预测模型中,即输出得到在途列车空调机组的故障类型。
本发明还提供一种在途智能列车空调机组的故障诊断装置实施例,与上述方法实施例相对应,包括:
标准事件模板库构建模块,用于:获取列车空调机组的标准电功率时间序列并构建标准事件模板库;所述标准电功率时间序列是指列车空调机组在各种工况均正常运行时的电功率时间序列,所述标准事件模板库中包括由标准电功率时间序列分割得到的瞬态标准事件模板和稳态标准事件模板;
事件检测模块,用于:获取列车空调机组在已知故障类型运行时的历史电功率时间序列,采用事件检测算法将电功率历史时间序列分割为历史电功率瞬态时间子序列和历史电功率稳态时间子序列;还用于:获取在途列车空调机组的实时电功率时间序列,采用事件检测算法将实时电功率时间序列分割为实时电功率瞬态时间子序列和实时电功率稳态时间子序列;
标准事件模板匹配模块,用于:通过计算和比较路径长度,在标准事件模板库中找到分别与每个历史电功率瞬态时间子序列匹配的瞬态标准事件模板,找到分别与每个历史电功率稳态时间子序列匹配的稳态标准事件模板;还用于:通过计算和比较路径长度,在标准事件模板库中找到与实时电功率瞬态时间子序列匹配的稳态标准事件模板,找到与实时电功率稳态时间子序列匹配的稳态标准事件模板;
残差子序列获取模块,用于:将所有历史电功率瞬态时间子序列均与其匹配的瞬态标准事件模板作差得到对应的历史电功率瞬态残差子序列,将所有历史电功率稳态时间子序列均与其匹配的稳态标准事件模板作差得到对应的历史电功率稳态残差子序列;还用于:将所有实时电功率瞬态时间子序列均与其匹配的瞬态标准事件模板作差得到对应的实时电功率瞬态残差子序列,将所有实时电功率稳态时间子序列均与其匹配的稳态标准事件模板作差得到对应的实时电功率稳态残差子序列;
残差序列拼接模块,用于:将历史电功率时间序列对应得到的所有历史电功率瞬态残差子序列和历史电功率稳态残差子序列,按时间顺序拼接得到与历史电功率时间序列对应的历史电功率残差序列;还用于:将将实时电功率时间序列对应得到的所有实时电功率瞬态残差子序列和实时电功率稳态残差子序列,按时间顺序拼接得到与实时电功率时间序列对应的实时电功率残差序列;
列车空调机组故障预测模型训练模块,用于:以历史电功率残差序列为输入、相应的故障类型为输出,训练极限学习机模型,得到列车空调机组故障预测模型;
其中,得到的车空调机组故障预测模型用于:根据输入的实时电功率残差序列进行故障诊断,输出得到在途列车空调机组的故障类型。
本发明还提供一种设备实施例,包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,具体执行上述方法实施例所述的步骤。
本发明还提供一种计算机存储介质实施例,用于存储程序,所述程序被执行时,用于实现上述方法实施例。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (10)
1.一种在途智能列车空调机组故障诊断方法,其特征在于,包括以下步骤:
步骤1,通过电力负荷监控传感器获取列车空调机组的标准电功率时间序列并构建标准事件模板库;所述标准电功率时间序列是指列车空调机组在各种工况均正常运行时的电功率时间序列,所述标准事件模板库中包括由标准电功率时间序列分割得到的瞬态标准事件模板和稳态标准事件模板;
步骤2,获取列车空调机组在已知故障类型运行时的历史电功率时间序列,采用事件检测算法将电功率历史时间序列分割为历史电功率瞬态时间子序列和历史电功率稳态时间子序列;
步骤3,通过计算和比较路径长度,在标准事件模板库中找到分别与每个历史电功率瞬态时间子序列匹配的瞬态标准事件模板,找到分别与每个历史电功率稳态时间子序列匹配的稳态标准事件模板;
步骤4,将所有历史电功率瞬态时间子序列均与其匹配的瞬态标准事件模板作差得到对应的历史电功率瞬态残差子序列,将所有历史电功率稳态时间子序列均与其匹配的稳态标准事件模板作差得到对应的历史电功率稳态残差子序列;
步骤5,将历史电功率时间序列对应得到的所有历史电功率瞬态残差子序列和历史电功率稳态残差子序列,按时间顺序拼接得到与历史电功率时间序列对应的历史电功率残差序列;
步骤6,以历史电功率残差序列为输入、相应的故障类型为输出,训练极限学习机模型,得到列车空调机组故障预测模型;
步骤7,通过电力负荷监控传感器获取在途列车空调机组的实时电功率时间序列,按步骤2-5相同方法获取对应的实时电功率残差序列,并输入至列车空调机组故障预测模型中,即输出得到在途列车空调机组的故障类型。
2.根据权利要求1所述的方法,其特征在于,步骤6训练极限学习机模型时,采用差分进化算法优化极限学习机参数。
3.根据权利要求1所述的方法,其特征在于,采用事件检测算法将标准电功率时间序列分割得到瞬态标准事件模板和稳态标准事件模板。
4.根据权利要求1所述的方法,其特征在于,步骤3采用动态时间弯曲算法,计算历史电功率瞬态时间子序列与每个瞬态标准事件模板之间的路径长度,以及计算历史电功率稳态时间子序列与每个稳态标准事件模板之间的路径长度。
5.根据权利要求1所述的方法,其特征在于,设每个历史电功率瞬态时间子序列和历史电功率稳态时间子序列均可表示为时间子序列Q=(q1,q2,…,qi,…,qn),每个瞬态标准事件模板和稳态标准事件模板均可表示为时间子序列C=(c1,c2,…,cj,…,cm),则采用动态时间弯曲算法计算历史电功率瞬态时间子序列与每个瞬态标准事件模板之间的路径长度以及计算历史电功率稳态时间子序列与每个稳态标准事件模板之间的路径长度,具体方法为:
定义n行m列的DTW对准矩阵M,DTW对准矩阵M中第i行第j列的元素为时间子序列Q中对准点qi和时间子序列C中对准点cj之间的距离d(qi,cj),其中d(qi,cj)=(qi-cj)2);
6.根据权利要求1所述的方法,其特征在于,故障类型包括正常工况、冷剂泄漏、蒸发皿堵塞、冷凝器结垢和压缩机磨损。
7.根据权利要求1所述的方法,其特征在于,采用差分进化算法所优化的极限学习机参数包括输入权值向量和隐含层神经元偏置向量,优化过程为:
步骤6.1,参数设置以及初始化种群:设置最大进化代数Gmax、种群规模NP、缩放因子F和交叉概率Pcr;将种群中每个个体表示为由输入权值向量和隐含层神经元偏置向量组成的目标向量r=[W b],对参数向量的输入权值向量中每个元素在范围[0,1]内进行随机初始化,对参数向量的隐含层神经元偏置向量中每个元素在范围[-5,5]内进行随机初始化;将极限学习机的预测值与真实值之间的方差作为适应度函数;
步骤6.2,令进化代数G=0;目标向量r初始化为p(0);
步骤6.3,令进化代数G=G+1;p(G+1)=p(G);
步骤6.4,在目标向量p(G)之外,在种群中随机选择3个个体r1,r2,r3;
步骤6.5,进行差分变异操作,生成变异向量;
r*(G)=r1(G)+F*(r2(G)-r3(G))
其中,F称为缩放因子,为常数;r*为变异向量;
步骤6.6,对目标向量和变异向量进行交叉操作,生成试验向量;
具体为对试验向量的每个分量进行交叉操作:
步骤6.7,计算试验向量的适应度值,进行对比选择操作;
其中,r(G)为第G代目标向量;f为适应度函数。
步骤6.8,若G=Gmax,结束优化流程并输出当前目标向量的网络权值W和隐含层神经元偏置量b,否则转到步骤6.3。
8.一种在途智能列车空调机组故障诊断装置,其特征在于,包括:
标准事件模板库构建模块,用于:获取列车空调机组的标准电功率时间序列并构建标准事件模板库;所述标准电功率时间序列是指列车空调机组在各种工况均正常运行时的电功率时间序列,所述标准事件模板库中包括由标准电功率时间序列分割得到的瞬态标准事件模板和稳态标准事件模板;
事件检测模块,用于:获取列车空调机组在已知故障类型运行时的历史电功率时间序列,采用事件检测算法将电功率历史时间序列分割为历史电功率瞬态时间子序列和历史电功率稳态时间子序列;还用于:获取在途列车空调机组的实时电功率时间序列,采用事件检测算法将实时电功率时间序列分割为实时电功率瞬态时间子序列和实时电功率稳态时间子序列;
标准事件模板匹配模块,用于:通过计算和比较路径长度,在标准事件模板库中找到分别与每个历史电功率瞬态时间子序列匹配的瞬态标准事件模板,找到分别与每个历史电功率稳态时间子序列匹配的稳态标准事件模板;还用于:通过计算和比较路径长度,在标准事件模板库中找到与实时电功率瞬态时间子序列匹配的稳态标准事件模板,找到与实时电功率稳态时间子序列匹配的稳态标准事件模板;
残差子序列获取模块,用于:将所有历史电功率瞬态时间子序列均与其匹配的瞬态标准事件模板作差得到对应的历史电功率瞬态残差子序列,将所有历史电功率稳态时间子序列均与其匹配的稳态标准事件模板作差得到对应的历史电功率稳态残差子序列;还用于:将所有实时电功率瞬态时间子序列均与其匹配的瞬态标准事件模板作差得到对应的实时电功率瞬态残差子序列,将所有实时电功率稳态时间子序列均与其匹配的稳态标准事件模板作差得到对应的实时电功率稳态残差子序列;
残差序列拼接模块,用于:将历史电功率时间序列对应得到的所有历史电功率瞬态残差子序列和历史电功率稳态残差子序列,按时间顺序拼接得到与历史电功率时间序列对应的历史电功率残差序列;还用于:将将实时电功率时间序列对应得到的所有实时电功率瞬态残差子序列和实时电功率稳态残差子序列,按时间顺序拼接得到与实时电功率时间序列对应的实时电功率残差序列;
列车空调机组故障预测模型训练模块,用于:以历史电功率残差序列为输入、相应的故障类型为输出,训练极限学习机模型,得到列车空调机组故障预测模型;
其中,得到的车空调机组故障预测模型用于:根据输入的实时电功率残差序列进行故障诊断,输出得到在途列车空调机组的故障类型。
9.一种设备,其特征在于,包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,具体执行如权利要求1-7任一所述的方法。
10.一种计算机存储介质,其特征在于,用于存储程序,所述程序被执行时,用于实现如权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010552814.1A CN111723925B (zh) | 2020-06-17 | 2020-06-17 | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010552814.1A CN111723925B (zh) | 2020-06-17 | 2020-06-17 | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111723925A true CN111723925A (zh) | 2020-09-29 |
CN111723925B CN111723925B (zh) | 2023-05-02 |
Family
ID=72567051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010552814.1A Active CN111723925B (zh) | 2020-06-17 | 2020-06-17 | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723925B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650204A (zh) * | 2020-12-30 | 2021-04-13 | 中南大学 | 一种智慧轨道无人驾驶车辆故障基因识别方法及*** |
CN114312213A (zh) * | 2021-12-14 | 2022-04-12 | 华人运通(江苏)技术有限公司 | 车辆的制冷剂容量异常预测方法、装置、设备及介质 |
CN114781760A (zh) * | 2022-06-17 | 2022-07-22 | 四川观想科技股份有限公司 | 一种基于大数据的故障预测方法 |
CN114781762A (zh) * | 2022-06-21 | 2022-07-22 | 四川观想科技股份有限公司 | 一种基于寿命消耗的装备故障预测方法 |
CN115389911A (zh) * | 2022-08-25 | 2022-11-25 | 北京物芯科技有限责任公司 | 芯片调度器故障判断方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160345A (zh) * | 2015-07-01 | 2015-12-16 | 西安理工大学 | 一种诊断列车空调机组故障的方法 |
CN107220394A (zh) * | 2016-03-22 | 2017-09-29 | 新湧科技股份有限公司 | 冷冻空调主机能源效率比值量测验证及分析的方法 |
CN109213127A (zh) * | 2018-09-25 | 2019-01-15 | 浙江工业大学 | 一种基于深度学习的hvac***渐变故障诊断方法 |
CN109539473A (zh) * | 2018-10-15 | 2019-03-29 | 平安科技(深圳)有限公司 | 空调***的故障类型确定方法、电子设备 |
CN110422189A (zh) * | 2019-08-27 | 2019-11-08 | 石家庄国祥运输设备有限公司 | 轨道车辆空调机组中压缩机故障的在线预测方法 |
-
2020
- 2020-06-17 CN CN202010552814.1A patent/CN111723925B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160345A (zh) * | 2015-07-01 | 2015-12-16 | 西安理工大学 | 一种诊断列车空调机组故障的方法 |
CN107220394A (zh) * | 2016-03-22 | 2017-09-29 | 新湧科技股份有限公司 | 冷冻空调主机能源效率比值量测验证及分析的方法 |
CN109213127A (zh) * | 2018-09-25 | 2019-01-15 | 浙江工业大学 | 一种基于深度学习的hvac***渐变故障诊断方法 |
CN109539473A (zh) * | 2018-10-15 | 2019-03-29 | 平安科技(深圳)有限公司 | 空调***的故障类型确定方法、电子设备 |
CN110422189A (zh) * | 2019-08-27 | 2019-11-08 | 石家庄国祥运输设备有限公司 | 轨道车辆空调机组中压缩机故障的在线预测方法 |
Non-Patent Citations (2)
Title |
---|
SHAOBO SUN等: "A hybrid ICA-BPNN-based FDD strategy for refrigerant charge faults in variable refrigerant flow system", 《APPLIED THERMAL ENGINEERING》 * |
王路瑶,吴斌,杜志敏,晋欣桥: "基于长短期记忆神经网络的数据中心空调***传感器故障诊断", 《化工学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650204A (zh) * | 2020-12-30 | 2021-04-13 | 中南大学 | 一种智慧轨道无人驾驶车辆故障基因识别方法及*** |
CN114312213A (zh) * | 2021-12-14 | 2022-04-12 | 华人运通(江苏)技术有限公司 | 车辆的制冷剂容量异常预测方法、装置、设备及介质 |
CN114312213B (zh) * | 2021-12-14 | 2023-10-17 | 华人运通(江苏)技术有限公司 | 车辆的制冷剂容量异常预测方法、装置、设备及介质 |
CN114781760A (zh) * | 2022-06-17 | 2022-07-22 | 四川观想科技股份有限公司 | 一种基于大数据的故障预测方法 |
CN114781762A (zh) * | 2022-06-21 | 2022-07-22 | 四川观想科技股份有限公司 | 一种基于寿命消耗的装备故障预测方法 |
CN115389911A (zh) * | 2022-08-25 | 2022-11-25 | 北京物芯科技有限责任公司 | 芯片调度器故障判断方法、装置、电子设备及存储介质 |
CN115389911B (zh) * | 2022-08-25 | 2023-04-14 | 北京物芯科技有限责任公司 | 芯片调度器故障判断方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111723925B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723925B (zh) | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 | |
CN110555479B (zh) | 基于1dcnn与gru融合的故障特征学习与分类方法 | |
Li et al. | A data-driven strategy for detection and diagnosis of building chiller faults using linear discriminant analysis | |
CN111914873B (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
EP3809220A1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
CN111546854B (zh) | 一种智能列车空调机组在途识别与诊断方法 | |
CN110579709B (zh) | 一种有轨电车用质子交换膜燃料电池故障诊断方法 | |
CN113792762A (zh) | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、***及介质 | |
CN110162014A (zh) | 一种集成多种智能算法的制冷***故障诊断方法 | |
CN109213127A (zh) | 一种基于深度学习的hvac***渐变故障诊断方法 | |
CN114484731A (zh) | 一种基于stacking融合算法的中央空调故障诊断方法及装置 | |
Wang et al. | Fault detection and diagnosis for multiple faults of VAV terminals using self-adaptive model and layered random forest | |
CN116992322B (zh) | 一种智慧城市数据中心管理*** | |
Li et al. | Diagnosis for multiple faults of chiller using ELM-KNN model enhanced by multi-label learning and specific feature combinations | |
CN107037306A (zh) | 基于隐马尔科夫模型的变压器故障动态预警方法 | |
CN113203589A (zh) | 一种用于多联机空调***的分布式故障诊断方法及*** | |
CN106971027B (zh) | 一种基于dr-bn模型的冷水机组故障特征选择方法 | |
Li et al. | A novel temporal convolutional network via enhancing feature extraction for the chiller fault diagnosis | |
CN106896219A (zh) | 基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法 | |
Li et al. | Machine learning based diagnosis strategy for refrigerant charge amount malfunction of variable refrigerant flow system | |
CN115455746B (zh) | 一种核动力装置运行监测数据异常检测与校正一体化方法 | |
Chen et al. | Similarity learning-based fault detection and diagnosis in building HVAC systems with limited labeled data | |
CN114384423A (zh) | 一种基于典型运行参数的燃料电池健康状态识别方法 |
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 |