CN114384896A - 轨道交通列控车载设备模拟电路级健康度预测方法及*** - Google Patents

轨道交通列控车载设备模拟电路级健康度预测方法及*** Download PDF

Info

Publication number
CN114384896A
CN114384896A CN202210032126.1A CN202210032126A CN114384896A CN 114384896 A CN114384896 A CN 114384896A CN 202210032126 A CN202210032126 A CN 202210032126A CN 114384896 A CN114384896 A CN 114384896A
Authority
CN
China
Prior art keywords
circuit
sample
health
health degree
value
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
Application number
CN202210032126.1A
Other languages
English (en)
Inventor
上官伟
师泽斌
王宗耀
蔡伯根
彭聪
王子琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202210032126.1A priority Critical patent/CN114384896A/zh
Publication of CN114384896A publication Critical patent/CN114384896A/zh
Pending legal-status Critical Current

Links

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)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明提供轨道交通列控车载设备模拟电路级健康度预测方法及***，属于轨道交通运行控制技术领域，基于车载设备模拟电路功能原理图，建立电路分析仿真模型；根据电路分析仿真模型，获取电压相应信号的时域特征；将电路在各个元件处于标称值时运行得到的特征数据集作为健康状态数据集；计算待测样本特征数据集与健康状态数据集之间的敏感度为样本特征权值；计算待测样本与健康样本之间的加权马氏距离作为待测电路的健康度；将一段时间内样本健康度作为预测模型的输入预测下一时间段电路的健康度的值。本发明有效利用原始输出电压数据时域中的有效信息，通过预测电路下一时间节点的健康度，判断电路健康状态，为模拟电路级维修活动提供指导帮助。

Description

轨道交通列控车载设备模拟电路级健康度预测方法及***
技术领域
本发明涉及轨道交通运行控制技术领域，具体涉及一种轨道交通列控车载设备模拟电路级健康度预测方法及***。
背景技术
轨道交通作为一种低能耗、高效率的交通方式，为我国经济的发展注入了蓬勃动力。以轨道交通中的高速铁路为例，高铁作为国家发展成果的一张亮眼“名片”，近年来取得了举世瞩目的成就。高速铁路列车运行控制***(以下简称高铁列控***)，作为高铁***的“神经中枢”和“主控大脑”，是保障高速列车自动化控制的核心***，其中包含有大量的电子电路，电子电路主要由数字电路和模拟电路组成。
现有研究表明，现代电子设备多为数字电路与模拟电路的混合电路，有统计资料显示，数模混合电路所占比例已达到60％以上。但是由于模拟信号连续性、电子元器件特有的容差特征以及模拟电路的非线性等一系列不稳定因素，使得混合电路中模拟电路发生故障的概率达到了80％。因此，健康评估和预测算法的改进对提高电子设备可靠性进而提高轨道交通列控***的可靠性具有重要的现实意义。
当前对模拟电路的健康评估工作主要是通过一些粗粒度数据将电路状态划分到人为设定的健康等级中去，对专家经验依赖性较强，缺乏对电路健康状态的量化标准。同时，现有预测模型未能充分利用电路的时域特征状态。
发明内容
本发明的目的在于提供一种轨道交通列控车载设备模拟电路级健康度预测方法及***，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
一方面，本发明提供一种轨道交通列控车载设备模拟电路级健康度预测方法，包括：
基于车载设备模拟电路功能原理图，建立电路分析仿真模型；
根据所述电路分析仿真模型，获取其输出端电压相应信号的时域特征；
将电路在各个元件处于标称值时运行得到的特征数据集作为健康状态数据集；
计算待测样本特征数据集与健康状态数据集之间的敏感度作为样本特征的权值；计算待测样本与健康样本之间的加权马氏距离作为待测电路的健康度；将一段时间内样本的健康度作为健康度预测模型的输入来预测下一时间段电路的健康度的值。
优选的，获取其输出端电压相应信号的时域特征，包括：输出端电压的平均值，该值反映输出电压的平均趋势；输出端电压的均方差，该值反映各点电压与电压平均值的平均距离，即数据与均值之间偏离的程度；输出端电压峭度值，该值是归一化的四阶中心距；输出端电压的纹波电压，该值反映输出电压值的波动范围。
优选的，将待测样本中未知状态的特征量与正常状态偏离时的特征量间的偏离程度定义为敏感度，计算得到的敏感度的基础上计算加权平均法得到该特征值的权重。
优选的，对于一个样本集合，根据其均值和协方差矩阵计算其样本点到该样本集合的马氏距离。
优选的，对于提取的多个特征向量，确定对应的权重向量，计算加权马氏距离。
优选的，计算非线性自回归神经网络模型NARNN、宽容的回归模型SVR单个预测时的绝对百分比误差，通过方差-协方差法动态分配权值，将NARNN、SVR两个模型的预测结果进行组合，得到最终的预测结果。
第二方面，本发明提供一种轨道交通列控车载设备模拟电路级健康度预测***，包括：
构建模块，用于基于车载设备模拟电路功能原理图，建立电路分析仿真模型；
获取模块，用于根据所述电路分析仿真模型，获取其输出端电压相应信号的时域特征；
预测模块，用于将电路在各个元件处于标称值时运行得到的特征数据集作为健康状态数据集；计算待测样本特征数据集与健康状态数据集之间的敏感度作为样本特征的权值；计算待测样本与健康样本之间的加权马氏距离作为待测电路的健康度；将一段时间内样本的健康度作为健康度预测模型的输入来预测下一时间段电路的健康度的值。
第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的轨道交通列控车载设备模拟电路级健康度预测方法。
第四方面，本发明提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的轨道交通列控车载设备模拟电路级健康度预测方法。
第五方面，本发明提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的轨道交通列控车载设备模拟电路级健康度预测方法。
本发明有益效果：采用了组合预测模型，可以有效利用原始输出电压数据时域中的有效信息，通过预测电路下一时间节点的健康度，判断电路健康状态，为模拟电路级维修活动提供指导帮助。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的基于动态权值分配的NARNN-SVR组合模型的模拟电路健康度预测方法原理图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1提供一种轨道交通列控车载设备模拟电路级健康度预测***，包括：
构建模块，用于基于车载设备模拟电路功能原理图，建立电路分析仿真模型；
获取模块，用于根据所述电路分析仿真模型，获取其输出端电压相应信号的时域特征；
预测模块，用于将电路在各个元件处于标称值时运行得到的特征数据集作为健康状态数据集；计算待测样本特征数据集与健康状态数据集之间的敏感度作为样本特征的权值；计算待测样本与健康样本之间的加权马氏距离作为待测电路的健康度；将一段时间内样本的健康度作为健康度预测模型的输入来预测下一时间段电路的健康度的值。
本实施例1中，利用上述的***，实现了轨道交通列控车载设备模拟电路级健康度预测方法，包括：
基于车载设备模拟电路功能原理图，建立电路分析仿真模型；
根据所述电路分析仿真模型，获取其输出端电压相应信号的时域特征；
将电路在各个元件处于标称值时运行得到的特征数据集作为健康状态数据集；
计算待测样本特征数据集与健康状态数据集之间的敏感度作为样本特征的权值；计算待测样本与健康样本之间的加权马氏距离作为待测电路的健康度；将一段时间内样本的健康度作为健康度预测模型的输入来预测下一时间段电路的健康度的值。
其中，获取其输出端电压相应信号的时域特征，包括：输出端电压的平均值，该值反映输出电压的平均趋势；输出端电压的均方差，该值反映各点电压与电压平均值的平均距离，即数据与均值之间偏离的程度；输出端电压峭度值，该值是归一化的四阶中心距；输出端电压的纹波电压，该值反映输出电压值的波动范围。
具体的，首先提取电路在标称值运行和未知状态运行的电压响应电压信号的特征数据集，包括：
输出端电压的平均值a，该值反映输出电压的平均趋势；输出端电压的均方差σ，该值反映各点电压与电压平均值的平均距离，即数据与均值之间偏离的程度；输出端电压峭度值ku，该值是归一化的四阶中心距，其大小与电压的健康程度有关，其值越大，表明离健康状态越远；输出端电压的纹波电压r，该值反映输出电压值的波动范围。其计算公式分别如下:
Figure BDA0003466841010000061
其中，X表示模拟电路的输出响应信号，E表示取数据期望值，N表示提取样本数据的个数，
Figure BDA0003466841010000072
表示样本数据均值，max()表示取样本数据最大值，min()表示取样本数据最小值。
将待测样本中未知状态的特征量与正常状态偏离时的特征量间的偏离程度定义为敏感度，计算得到的敏感度的基础上计算加权平均法得到该特征值的权重。
具体的，建立基于敏感度的权值计算模型，包括：
所述的将测试样本中未知状态的特征量与正常状态偏离时的特征量间的偏离程度定义为敏感度，计算得到的敏感度的基础上计算加权平均法得到该特征值的权重。设未知状态样本向量有s个，电路元件处于标称值，即健康状态下的特征量为X＝(x1,x2,...xs)，测试搜集到的未知状态电路的特征向量为Y＝(y1,y2,...ys)，则第i个特征量对健康状态的敏感度定义为：
mi＝|yi-xi|/|xi|
基于敏感度的权重值定义如下：
Figure BDA0003466841010000071
其中wi为第i个特征量的权重。
对于一个样本集合，根据其均值和协方差矩阵计算其样本点到该样本集合的马氏距离。
具体的，所述的马氏距离(Mahalanobis Distance，简称MD)是一种能有效计算两个未知样本集相似度的方法。与传统的欧式距离等不同的是马氏距离考虑到样本集中各种特性之间的联系，具有不受量纲影响、能体现特征之间关联性并排除相关性干扰，即独立于测量尺度等优点。对于一个均值为：
μ＝(μ1,μ2,μ3,...μp)T
协方差矩阵为S的样本集合，样本点P:
X＝(x1,x2,x3,...xp)T
到该样本集合的马氏距离为：
Figure BDA0003466841010000081
使用马氏距离进行计算时要求样本集的协方差矩阵必须满秩，即要求数据要有原维度个特征值，否则将导致马氏距离无法计算。
对于提取的多个特征向量，确定对应的权重向量，计算加权马氏距离。
具体的，所述的传统马氏距离为各个特征量赋予相同权重值，未考虑到各个特征对电路因参数性故障而导致的性能变化的敏感程度，因此在对电路进行基于多特征的健康评估时，应考虑为不同的特征量赋予不用的权重以使它们能够正确表征该特征对电路发生参数性故障时电路健康状态变化的敏感程度。
所述的基于敏感度的加权马氏距离健康评估模型。假设提取有k个特征向量，其权重向量为W＝diag(w1,w2,...wk)，其中∑wi＝1，加权马氏距离的计算公式如下：
Figure BDA0003466841010000082
计算非线性自回归神经网络模型NARNN、宽容的回归模型SVR单个预测时的绝对百分比误差，通过方差-协方差法动态分配权值，将NARNN、SVR两个模型的预测结果进行组合，得到最终的预测结果。
具体的，所述的基于方差-协方差(Variance Covariance,VC)动态权值分配的NARNN-SVR的组合预测模型。组合模型可以充分利用每个单预测模型中的有用信息，进而有效提高预测模型的适应性和灵活度，准确性也有一定的保证。
所述的组合模型基本思想是基于预测误差为预测精度更高的模型赋予更高的权值，具体方法采用VC动态权值分配法。假设Y1、Y2是关于Y的预测值，Yc是加权平均的组合预测值，AAPE是每个样本的平均绝对百分比误差，计算公式为：
AAPE＝(|x-y|/y)×100％
分别计算单个预测模型对应的方差：
Figure BDA0003466841010000091
其中n为实验样本的个数，e1,e2...en为每个式实验样本的平均绝对百分比误差，
Figure BDA0003466841010000092
为n个实验样本的平均绝对百分比误差。根据求得的两个预测模型误差样本的方差δ1、δ2求取每个模型的权重值：
ω1＝(1/δ1/(1/δ1+1/δ2))
ω2＝(1/δ2/(1/δ1+1/δ2))
得到单个模型的权重，乘以单个模型预测结果并求和，得到最终的预测值：
Yc＝ω1Y1+ω2Y2
所述的基于误差的权值分配方法使最终预测结果向单个预测误差最小的模型靠近，同时综合考虑每个模型的有用信息，取长补短，模型泛化能力强。
综上，本实施例1所述的轨道交通列控车载设备模拟电路级健康度预测方法及***，首先提取车载设备模拟电路输出端的相应电压信号，计算原始信号的均值、均方差、峭度和纹波电压作为特征集。将电路在各个元件处于标称值时运行得到的特征数据集作为健康状态数据集，此状态即为电路健康状态。采用一种基于敏感度权重的加权马氏距离健康度计算方法，计算得到待测样本数据集与健康数据集之间的加权马氏距离的值，将该值定义为待测样本电路的健康度；通过改变电路元件关键性能参数的值模拟电路退化情况。将待测样本一段时间节点的健康度作为组合预测模型的输入，通过动态权值分配的方法，基于单个模型预测结果的绝对百分比误差分配其在组合模型中的权重，建立非线性回归神经网络-支持向量回归(Nonlinear Autoregressive Neural Network-Support VectorRegression,NARNN-SVR)的组合健康度预测模型。
实施例2
如图1所示，本实施例2中，提供一种轨道交通列控车载设备模拟电路级健康度预测方法，以指导和合理安排轨道交通列控车载设备模拟电路级设备维修活动。
轨道交通列控车载设备模拟电路级健康度预测方法，包括如下步骤：
基于所研究轨道交通列控车载设备模拟电路功能原理图，建立PSpice仿真模型；
根据所述电路仿真运行结果，获取其输出端相应信号电压；提取电压信号均值、均方根误差、峭度和纹波电压四种时域特征；将电路在各个元件处于标称值时运行得到的特征数据集作为健康状态数据集；计算待测样本特征数据集与健康特征数据集之间的敏感度作为样本特征的权值；计算待测样本与健康样本之间的加权马氏距离的值作为待测电路的健康度；将一段时间样本的健康度作为健康度预测模型的输入来预测下一时间段电路的健康度的值；计算NARNN、SVR单个预测时的绝对百分比误差，通过方差-协方差法动态分配权值，将NARNN、SVR两个模型的预测结果进行组合，得到最终的预测结果。
根据所述预测模型的预测结果，得到电路下一时间节点的健康度，如果健康度达到某一阈值，会触发维修活动，进而达到指导轨道交通列控车载设备模拟电路级维修活动的目的。
首先提取电路在标称值运行和未知状态运行的电压响应电压信号的特征数据集，包括：
输出端电压的平均值a，该值反映输出电压的平均趋势；输出端电压的均方差σ，该值反映各点电压与电压平均值的平均距离，即数据与均值之间偏离的程度；输出端电压峭度值ku，该值是归一化的四阶中心距，其大小与电压的健康程度有关，其值越大，表明离健康状态越远；输出端电压的纹波电压r，该值反映输出电压值的波动范围。其计算公式分别如下:
Figure BDA0003466841010000111
其中，X表示模拟电路的输出响应信号，E表示取数据期望值，N表示提取样本数据的个数，
Figure BDA0003466841010000113
表示样本数据均值，max表示取样本数据最大值，min表示取样本数据最小值。
建立基于敏感度的权值计算模型，包括：
将测试样本中未知状态的特征量与正常状态偏离时的特征量间的偏离程度定义为敏感度，计算得到的敏感度的基础上计算加权平均法得到该特征值的权重。设未知状态样本向量有s个，电路元件处于标称值，即健康状态下的特征量为X＝(x1,x2,...xs)，测试搜集到的未知状态电路的特征向量为Y＝(y1,y2,...ys)，则第i个特征量对健康状态的敏感度定义为：
mi＝|yi-xi|/|xi|
基于敏感度的权重值定义如下：
Figure BDA0003466841010000112
其中wi为第i个特征量的权重。
马氏距离(Mahalanobis Distance，简称MD)是一种能有效计算两个未知样本集相似度的方法。与传统的欧式距离等不同的是马氏距离考虑到样本集中各种特性之间的联系，具有不受量纲影响、能体现特征之间关联性并排除相关性干扰，即独立于测量尺度等优点。对于一个均值为：
μ＝(μ1,μ2,μ3,...μp)T
协方差矩阵为S的样本集合，样本点P:
X＝(x1,x2,x3,...xp)T
到该样本集合的马氏距离为：
Figure BDA0003466841010000121
使用马氏距离进行计算时要求样本集的协方差矩阵必须满秩，即要求数据要有原维度个特征值，否则将导致马氏距离无法计算。
传统马氏距离为各个特征量赋予相同权重值，未考虑到各个特征对电路因参数性故障而导致的性能变化的敏感程度，因此在对电路进行基于多特征的健康评估时，应考虑为不同的特征量赋予不用的权重以使它们能够正确表征该特征对电路发生参数性故障时电路健康状态变化的敏感程度。
基于敏感度的加权马氏距离健康评估模型。假设提取有k个特征向量，其权重向量为W＝diag(w1,w2,...wk)，其中∑wi＝1，加权马氏距离的计算公式如下：
Figure BDA0003466841010000122
基于方差-协方差(Variance Covariance,VC)动态权值分配的NARNN-SVR的组合预测模型。组合模型可以充分利用每个单预测模型中的有用信息，进而有效提高预测模型的适应性和灵活度，准确性也有一定的保证。
所述的组合模型基本思想是基于预测误差为预测精度更高的模型赋予更高的权值，具体方法采用VC动态权值分配法。假设Y1、Y2是关于Y的预测值，Yc是加权平均的组合预测值，AAPE是每个样本的平均绝对百分比误差，计算公式为：
AAPE＝(|x-y|/y)×100％
分别计算单个预测模型对应的方差：
Figure BDA0003466841010000123
其中n为实验样本的个数，e1,e2...en为每个式实验样本的平均绝对百分比误差，
Figure BDA0003466841010000131
为n个实验样本的平均绝对百分比误差。根据求得的两个预测模型误差样本的方差δ1、δ2求取每个模型的权重值：
ω1＝(1/δ1/(1/δ1+1/δ2))
ω2＝(1/δ2/(1/δ1+1/δ2))
得到单个模型的权重，乘以单个模型预测结果并求和，得到最终的预测值。
Yc＝ω1Y1+ω2Y2
基于误差的权值分配方法使最终预测结果向单个预测误差最小的模型靠近，同时综合考虑每个模型的有用信息，取长补短，模型泛化能力强。
实施例3
针对模拟电路元件因具有非线性、容差性等特点导致其在健康度预测方面存在困难，本实施例3中提供了基于动态权值分配的非线性自回归神经网络模型NARNN-宽容的回归模型SVR组合模型的模拟电路健康度预测方法的原理图如图1所述，具体包括如下的处理步骤：
步骤1：首先提取电路在标称值运行和未知状态运行的电压响应电压信号的特征数据集，包括：
输出端电压的平均值a，该值反映输出电压的平均趋势；输出端电压的均方差σ，该值反映各点电压与电压平均值的平均距离，即数据与均值之间偏离的程度；输出端电压峭度值ku，该值是归一化的四阶中心距，其大小与电压的健康程度有关，其值越大，表明离健康状态越远；输出端电压的纹波电压r，该值反映输出电压值的波动范围。其计算公式分别如下:
Figure BDA0003466841010000132
其中，X表示模拟电路的输出响应信号，E表示取数据期望值，N表示提取样本数据的个数，
Figure BDA0003466841010000143
表示样本数据均值，max()表示取样本数据最大值，min()表示取样本数据最小值。
步骤2：建立基于敏感度的权值计算模型，将测试样本中未知状态的特征量与正常状态偏离时的特征量间的偏离程度定义为敏感度，计算得到的敏感度的基础上计算加权平均法得到该特征值的权重。设未知状态样本向量有s个，电路元件处于标称值，即健康状态下的特征量为X＝(x1,x2,...xs)，测试搜集到的未知状态电路的特征向量为Y＝(y1,y2,...ys)，则第i个特征量对健康状态的敏感度定义为：
mi＝|yi-xi|/|xi|
基于敏感度的权重值定义如下：
Figure BDA0003466841010000141
其中wi为第i个特征量的权重。
步骤3：根据步骤2中得到的基于敏感值的加权值，计算样本数据的加权马氏距离，并将计算结果作为样本电路的健康度。
马氏距离(Mahalanobis Distance，简称MD)是一种能有效计算两个未知样本集相似度的方法。与传统的欧式距离等不同的是马氏距离考虑到样本集中各种特性之间的联系，具有不受量纲影响、能体现特征之间关联性并排除相关性干扰，即独立于测量尺度等优点。对于一个均值为：
μ＝(μ1,μ2,μ3,...μp)T
协方差矩阵为S的样本集合，样本点P:
X＝(x1,x2,x3,...xp)T
到该样本集合的马氏距离为：
Figure BDA0003466841010000142
使用马氏距离进行计算时要求样本集的协方差矩阵必须满秩，即要求数据要有原维度个特征值，否则将导致马氏距离无法计算。
传统马氏距离为各个特征量赋予相同权重值，未考虑到各个特征对电路因参数性故障而导致的性能变化的敏感程度，因此在对电路进行基于多特征的健康评估时，应考虑为不同的特征量赋予不用的权重以使它们能够正确表征该特征对电路发生参数性故障时电路健康状态变化的敏感程度。
基于敏感度的加权马氏距离健康度计算。假设提取有k个特征向量，其权重向量为W＝diag(w1,w2,...wk)，其中∑wi＝1，加权马氏距离的计算公式如下
Figure BDA0003466841010000151
步骤4：将基于敏感度的加权马氏距离健康度计算结果作为电路的的健康度，将单个NARNN、SVR预测模型预测结果的绝对百分比误差作为自变量，计算其预测误差的基于方差-协方差的动态权值分配结果。组合模型可以充分利用每个单预测模型中的有用信息，进而有效提高预测模型的适应性和灵活度，准确性也有一定的保证。
所述的组合模型基本思想是基于预测误差为预测精度更高的模型赋予更高的权值，具体方法采用VC动态权值分配法。假设Y1、Y2是关于Y的预测值，Yc是加权平均的组合预测值，AAPE是每个样本的平均绝对百分比误差，计算公式为：
AAPE＝(|x-y|/y)×100％
分别计算单个预测模型对应的方差：
Figure BDA0003466841010000152
其中n为实验样本的个数，e1,e2...en为每个式实验样本的平均绝对百分比误差，
Figure BDA0003466841010000153
为n个实验样本的平均绝对百分比误差。根据求得的两个预测模型误差样本的方差δ1、δ2求取每个模型的权重值：
ω1＝(1/δ1/(1/δ1+1/δ2))
ω2＝(1/δ2/(1/δ1+1/δ2))
得到单个模型的权重，乘以单个模型预测结果并求和，得到最终的预测值。
Yc＝ω1Y1+ω2Y2
基于误差的权值分配方法使最终预测结果向单个预测误差最小的模型靠近，同时综合考虑每个模型的有用信息，取长补短，模型泛化能力强。
实施例4
本发明实施例4提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行轨道交通列控车载设备模拟电路级健康度预测方法，该方法包括如下流程步骤：
基于车载设备模拟电路功能原理图，建立电路分析仿真模型；
根据所述电路分析仿真模型，获取其输出端电压相应信号的时域特征；
将电路在各个元件处于标称值时运行得到的特征数据集作为健康状态数据集；
计算待测样本特征数据集与健康状态数据集之间的敏感度作为样本特征的权值；计算待测样本与健康样本之间的加权马氏距离作为待测电路的健康度；将一段时间内样本的健康度作为健康度预测模型的输入来预测下一时间段电路的健康度的值。
实施例5
本发明实施例5提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现轨道交通列控车载设备模拟电路级健康度预测方法，该方法包括如下流程步骤：
基于车载设备模拟电路功能原理图，建立电路分析仿真模型；
根据所述电路分析仿真模型，获取其输出端电压相应信号的时域特征；
将电路在各个元件处于标称值时运行得到的特征数据集作为健康状态数据集；
计算待测样本特征数据集与健康状态数据集之间的敏感度作为样本特征的权值；计算待测样本与健康样本之间的加权马氏距离作为待测电路的健康度；将一段时间内样本的健康度作为健康度预测模型的输入来预测下一时间段电路的健康度的值。
实施例6
本发明实施例6提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行轨道交通列控车载设备模拟电路级健康度预测方法及***，该方法包括如下步骤：
基于车载设备模拟电路功能原理图，建立电路分析仿真模型；
根据所述电路分析仿真模型，获取其输出端电压相应信号的时域特征；
将电路在各个元件处于标称值时运行得到的特征数据集作为健康状态数据集；
计算待测样本特征数据集与健康状态数据集之间的敏感度作为样本特征的权值；计算待测样本与健康样本之间的加权马氏距离作为待测电路的健康度；将一段时间内样本的健康度作为健康度预测模型的输入来预测下一时间段电路的健康度的值。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种轨道交通列控车载设备模拟电路级健康度预测方法，其特征在于，包括：
基于车载设备模拟电路功能原理图，建立电路分析仿真模型；
根据所述电路分析仿真模型，获取其输出端电压相应信号的时域特征；
将电路在各个元件处于标称值时运行得到的特征数据集作为健康状态数据集；
计算待测样本特征数据集与健康状态数据集之间的敏感度作为样本特征的权值；计算待测样本与健康样本之间的加权马氏距离作为待测电路的健康度；将一段时间内样本的健康度作为健康度预测模型的输入来预测下一时间段电路的健康度的值。
2.根据权利要求1所述的轨道交通列控车载设备模拟电路级健康度预测方法，其特征在于，获取其输出端电压相应信号的时域特征，包括：输出端电压的平均值，该值反映输出电压的平均趋势；输出端电压的均方差，该值反映各点电压与电压平均值的平均距离，即数据与均值之间偏离的程度；输出端电压峭度值，该值是归一化的四阶中心距；输出端电压的纹波电压，该值反映输出电压值的波动范围。
3.根据权利要求2所述的轨道交通列控车载设备模拟电路级健康度预测方法，其特征在于，将待测样本中未知状态的特征量与正常状态偏离时的特征量间的偏离程度定义为敏感度，计算得到的敏感度的基础上计算加权平均法得到该特征值的权重。
4.根据权利要求3所述的轨道交通列控车载设备模拟电路级健康度预测方法，其特征在于，对于一个样本集合，根据其均值和协方差矩阵计算其样本点到该样本集合的马氏距离。
5.根据权利要求4所述的轨道交通列控车载设备模拟电路级健康度预测方法，其特征在于，对于提取的多个特征向量，确定对应的权重向量，计算加权马氏距离。
6.根据权利要求5所述的轨道交通列控车载设备模拟电路级健康度预测方法，其特征在于，计算非线性自回归神经网络模型NARNN、宽容的回归模型SVR单个预测时的绝对百分比误差，通过方差-协方差法动态分配权值，将NARNN、SVR两个模型的预测结果进行组合，得到最终的预测结果。
7.一种轨道交通列控车载设备模拟电路级健康度预测***，其特征在于，包括：
构建模块，用于基于车载设备模拟电路功能原理图，建立电路分析仿真模型；
获取模块，用于根据所述电路分析仿真模型，获取其输出端电压相应信号的时域特征；
预测模块，用于将电路在各个元件处于标称值时运行得到的特征数据集作为健康状态数据集；计算待测样本特征数据集与健康状态数据集之间的敏感度作为样本特征的权值；计算待测样本与健康样本之间的加权马氏距离作为待测电路的健康度；将一段时间内样本的健康度作为健康度预测模型的输入来预测下一时间段电路的健康度的值。
8.一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-6任一项所述的轨道交通列控车载设备模拟电路级健康度预测方法。
9.一种电子设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-6任一项所述的轨道交通列控车载设备模拟电路级健康度预测方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的轨道交通列控车载设备模拟电路级健康度预测方法。
CN202210032126.1A 2022-01-12 2022-01-12 轨道交通列控车载设备模拟电路级健康度预测方法及*** Pending CN114384896A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210032126.1A CN114384896A (zh) 2022-01-12 2022-01-12 轨道交通列控车载设备模拟电路级健康度预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210032126.1A CN114384896A (zh) 2022-01-12 2022-01-12 轨道交通列控车载设备模拟电路级健康度预测方法及***

Publications (1)

Publication Number Publication Date
CN114384896A true CN114384896A (zh) 2022-04-22

Family

ID=81200926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210032126.1A Pending CN114384896A (zh) 2022-01-12 2022-01-12 轨道交通列控车载设备模拟电路级健康度预测方法及***

Country Status (1)

Country Link
CN (1) CN114384896A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114896181A (zh) * 2022-05-06 2022-08-12 北京乐研科技股份有限公司 基于预测分类的硬件旁路电路、方法及电子设备
CN115878441A (zh) * 2023-02-27 2023-03-31 中国电子科技集团公司第十五研究所 基于一致性缓存的高可用计算服务方法、***及设备
CN116304663A (zh) * 2022-12-05 2023-06-23 北京交通大学 基于非平衡样本增强的列控车载设备健康状态管理装置
CN116627759A (zh) * 2023-05-19 2023-08-22 北京神州安付科技股份有限公司 一种金融支付设备电路安全检测装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222151A (zh) * 2011-07-21 2011-10-19 电子科技大学 一种基于自回归滑动平均的模拟电路故障预测方法
CN105699883A (zh) * 2016-01-22 2016-06-22 合肥工业大学 一种模拟电路健康预测方法
CN106405384A (zh) * 2016-08-26 2017-02-15 中国电子科技集团公司第十研究所 模拟电路健康状态评估方法
WO2021218003A1 (zh) * 2020-04-27 2021-11-04 中国电子科技集团公司第十四研究所 一种雷达嵌入式健康管理***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222151A (zh) * 2011-07-21 2011-10-19 电子科技大学 一种基于自回归滑动平均的模拟电路故障预测方法
CN105699883A (zh) * 2016-01-22 2016-06-22 合肥工业大学 一种模拟电路健康预测方法
CN106405384A (zh) * 2016-08-26 2017-02-15 中国电子科技集团公司第十研究所 模拟电路健康状态评估方法
WO2021218003A1 (zh) * 2020-04-27 2021-11-04 中国电子科技集团公司第十四研究所 一种雷达嵌入式健康管理***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
谭宪;胡志忠;张冠兵;: "电力电子电路健康监测的特征参数选取和阈值建立", 电子设计工程, no. 07 *
颜学龙;陈卓;: "PSO优化多核RVM的模拟电路故障预测", 计算机工程与应用, no. 12 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114896181A (zh) * 2022-05-06 2022-08-12 北京乐研科技股份有限公司 基于预测分类的硬件旁路电路、方法及电子设备
CN116304663A (zh) * 2022-12-05 2023-06-23 北京交通大学 基于非平衡样本增强的列控车载设备健康状态管理装置
CN116304663B (zh) * 2022-12-05 2023-10-24 北京交通大学 基于非平衡样本增强的列控车载设备健康状态管理装置
CN115878441A (zh) * 2023-02-27 2023-03-31 中国电子科技集团公司第十五研究所 基于一致性缓存的高可用计算服务方法、***及设备
CN116627759A (zh) * 2023-05-19 2023-08-22 北京神州安付科技股份有限公司 一种金融支付设备电路安全检测装置
CN116627759B (zh) * 2023-05-19 2024-02-27 北京神州安付科技股份有限公司 一种金融支付设备电路安全检测装置

Similar Documents

Publication Publication Date Title
CN114384896A (zh) 轨道交通列控车载设备模拟电路级健康度预测方法及***
James et al. Intelligent time-adaptive transient stability assessment system
CN110007220B (zh) 一种断路器机构运行状态诊断方法及装置
CN112630659A (zh) 一种基于改进bp-ekf算法的锂电池soc估算方法
CN110706213A (zh) 基于应变响应累积分布函数差的桥梁集群结构损伤判别方法
CN111753461A (zh) 潮汐水位修正方法、目标余水位获取方法、装置和设备
CN114594378A (zh) 一种锂电池soh模型训练方法、预测方法、装置及设备
CN117141295A (zh) 一种新能源汽车的二合一高压充电方法及充电站
CN116757378A (zh) 需求响应评估模型训练方法、应用评估方法及相关设备
CN114879070A (zh) 一种电池状态评估方法及相关设备
CN113537614A (zh) 电网工程造价预测模型的构建方法、***、设备及介质
CN116564346A (zh) 模型训练及声音品质评价方法、装置、电子设备
CN116643177A (zh) 一种电池健康度在线预测方法、装置、设备及介质
CN115146569A (zh) 一种集成电路延时确定方法、装置及设备
CN112285541B (zh) 一种电流频率转换电路的故障诊断方法
CN115099506A (zh) 一种风速预测方法、***、电子设备及介质
CN113283316A (zh) 一种基于声音信号的开关机械故障诊断方法、装置及设备
JP2022124240A (ja) 診断パターン生成方法及び計算機
CN112464848A (zh) 一种基于密度空间聚类的信息流异常数据监测方法及装置
CN114329905B (zh) 全范围模拟机可信度评估方法、装置及计算机设备
CN114254516B (zh) 一种删失数据下的参数概率不确定性建模方法
US20210056248A1 (en) Systems and Methods for Accurate Voltage Impact on Integrated Timing Simulation
CN116842663B (zh) 一种基于机器学习的汽车板簧非线性时变应力值测量方法
CN116646923A (zh) 电力负荷中长期预测方法、装置、终端及存储介质
CN116539994A (zh) 基于多源时间序列数据的变电站主设备运行状态检测方法

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