CN117454221A - 一种高铁牵引制动***多传感器融合的异常识别方法 - Google Patents
一种高铁牵引制动***多传感器融合的异常识别方法 Download PDFInfo
- Publication number
- CN117454221A CN117454221A CN202311405510.2A CN202311405510A CN117454221A CN 117454221 A CN117454221 A CN 117454221A CN 202311405510 A CN202311405510 A CN 202311405510A CN 117454221 A CN117454221 A CN 117454221A
- Authority
- CN
- China
- Prior art keywords
- parameter
- parameters
- measurement
- speed rail
- traction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000004927 fusion Effects 0.000 title claims abstract description 26
- 230000005856 abnormality Effects 0.000 title claims abstract description 21
- 238000005259 measurement Methods 0.000 claims abstract description 72
- 230000036541 health Effects 0.000 claims abstract description 38
- 230000015556 catabolic process Effects 0.000 claims abstract description 14
- 238000006731 degradation reaction Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000008030 elimination Effects 0.000 claims abstract description 9
- 238000003379 elimination reaction Methods 0.000 claims abstract description 9
- 230000001364 causal effect Effects 0.000 claims description 23
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提出一种高铁牵引制动***多传感器融合的异常识别方法,包括,获取高铁牵引制动***的多参量感知数据,将多参量感知数据划分为操作参数和测量参数并进行预处理;将预处理后的操作参数和测量参数输入去混淆模型得到测量参数调整值;根据反因果多元回归模型使用测量参数调整值对操作参数进行反向预测得到操作参数预测值;通过操作参数和操作参数预测值建立各操作参数退化值,采用各操作参数历史时间序列复杂度作为权重,建立归一化的健康指标模型,从而评估高铁牵引制动***健康状况。
Description
技术领域
本发明属于故障诊断领域。
背景技术
高铁牵引和制动***是高速铁路列车中关键的***之一,获取其健康状态对保障乘客和列车的安全、评估***效能和建立***预警至关重要。但是对于这类复杂机电***来说,测量他们精确的整体健康状态、甚至退化趋势是不可行的。针对这一问题,有两种主要的牵引和制动***健康指标构建方法,分别为物理健康指标和虚拟健康指标。物理健康指标通常是通过提取单一机械组件传感器(如牵引力、制动力)的高频采样信号,或是从信号中提取的统计特征,并以数值或曲线的形式表示的***健康状态,这类健康指标往往无法准确评价***整体的健康状态。而虚拟健康指标通常是采用融合和降维技术,通过有监督学习或无监督学习方法,从多维传感器读数或整体物理特征中提取的一维无量纲指标。对于有监督学习来说,需要大量的退化数据用以进行训练,通过深度卷积神经网络或其他非线性模型提取特征,并将其映射到代表健康状态的目标值。这些退化数据往往通过模拟实验或实地采集获取。然而,由于一些机电***的复杂性和工作环境的多样性,实际机电***机械模块或***的高质量综合退化状态数据的获取是较为困难的。相对而言,无监督学习方法无需任何退化数据,只使用健康状态的数据来学习预测算法,它存在的问题是,直接用健康数据训练的模型已经学习了特定操作参数的潜在模式,偏离这种操作参数会被错误地捕捉为***退化。这导致基于无监督学习虚拟健康指标建立的预警***往往存在虚警率过高的问题。另一方面,无论是有监督方法还是无监督方法,都是数据驱动挖掘测量参数与牵引制动***健康状态相关性的有力工具。但由于混淆因子的影响,具有相关性并不代表具有因果性。进行受控干预是验证因果关系的唯一方法,但是在实践中进行这种干预常常是不可行的。在此基础上,对因果性的误判也会严重影响健康指标的鲁棒性和泛化能力。专利提出的基于因果推断的无监督方法能够克服这一问题,得到具有较高鲁棒性和泛化能力的高铁牵引和制动***健康指标。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的目的在于提出一种高铁牵引制动***多传感器融合的异常识别方法,用于建立机电***整体健康指标。
为达上述目的,本发明第一方面实施例提出了一种高铁牵引制动***多传感器融合的异常识别方法,包括:
获取高铁牵引制动***的多参量感知数据,将所述多参量感知数据划分为操作参数和测量参数并进行预处理;
将预处理后的操作参数和测量参数输入去混淆模型得到测量参数调整值;
根据反因果多元回归模型使用所述测量参数调整值对所述操作参数进行反向预测得到操作参数预测值;
通过所述操作参数和所述操作参数预测值建立各操作参数退化值,采用各操作参数历史时间序列复杂度作为权重,建立归一化的健康指标模型,从而评估高铁牵引制动***健康状况。
另外,根据本发明上述实施例的一种高铁牵引制动***多传感器融合的异常识别方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述获取高铁牵引制动***的多参量感知数据,将所述多参量感知数据划分为操作参数和测量参数并进行预处理,包括:
采集操作参数,包括牵引力/牵引力级别、制动力/制动力级别、加速度/减速度设定值、车速设定值、牵引/制动模式;
采集测量参数,包括列车速度、牵引力、制动力、加速度/减速度、制动器温度、车轮轨道力、制动距离;
对所述操作数据和所述测量参数进行数据清洗、缺失值处理、异常值检测和去除。
进一步地,在本发明的一个实施例中,所述将预处理后的操作参数和测量参数输入去混淆模型得到测量参数调整值,包括:
通过历史多源时间序列推断潜在变量;
建立操作参数和测量参数的多元回归模型;
根据所述潜在变量调整所述多元回归模型,得到测量参数调整值。
进一步地,在本发明的一个实施例中,所述根据反因果多元回归模型使用所述测量参数调整值对所述操作参数进行反向预测得到操作参数预测值,包括:
建立测量参数调整值与操作参数之间的结构因果模型;
通过所述结构因果模型,建立所述测量参数调整值为自变量、所述操作参数为因变量的反因果多元回归模型。
为达上述目的,本发明第二方面实施例提出了一种高铁牵引制动***多传感器融合的异常识别装置,包括以下模块:
获取模块,用于获取高铁牵引制动***的多参量感知数据,将所述多参量感知数据划分为操作参数和测量参数并进行预处理;
调整模块,用于将预处理后的操作参数和测量参数输入去混淆模型得到测量参数调整值;
预测模块,用于根据反因果多元回归模型使用所述测量参数调整值对所述操作参数进行反向预测得到操作参数预测值;
识别模块,用于通过所述操作参数和所述操作参数预测值建立各操作参数退化值,采用各操作参数历史时间序列复杂度作为权重,建立归一化的健康指标模型,从而评估高铁牵引制动***健康状况。
进一步地,在本发明的一个实施例中,所述获取模块,还用于:
采集操作参数,包括牵引力/牵引力级别、制动力/制动力级别、加速度/减速度设定值、车速设定值、牵引/制动模式;
采集测量参数,包括列车速度、牵引力、制动力、加速度/减速度、制动器温度、车轮轨道力、制动距离;
对所述操作数据和所述测量参数进行数据清洗、缺失值处理、异常值检测和去除。
进一步地,在本发明的一个实施例中,所述调整模块,还用于:
通过历史多源时间序列推断潜在变量;
建立操作参数和测量参数的多元回归模型;
根据所述潜在变量调整所述多元回归模型,得到测量参数调整值。
进一步地,在本发明的一个实施例中,所述预测模块,还用于:
建立测量参数调整值与操作参数之间的结构因果模型;
通过所述结构因果模型,建立所述测量参数调整值为自变量、所述操作参数为因变量的反因果多元回归模型。
为达上述目的,本发明第三方面实施例提出了一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上所述的一种高铁牵引制动***多传感器融合的异常识别方法。
为达上述目的,本发明第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述的一种高铁牵引制动***多传感器融合的异常识别方法。
本发明实施例提出的高铁牵引制动***多传感器融合的异常识别方法,突破了传统无监督学习建立虚拟健康指标鲁棒性差、泛化能力不足的问题,核心思想在于从时序数据中提取牵引和制动***稳定的因果机制并消除隐藏混淆因子的影响,继而通过反因果学习从测量参数预测表征整体健康状态的操作参数,继而建立机电***整体健康指标。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例所提供的一种高铁牵引制动***多传感器融合的异常识别方法的流程示意图。
图2为本发明实施例所提供的一种高铁牵引和制动***健康指标构建流程示意图。
图3为本发明实施例所提供的一种构造潜在变量替代混淆因子影响的方法示意图。
图4为本发明实施例所提供的一种构造因果结构模型和反因果结构的方法示意图。
图5为本发明实施例所提供的一种高铁牵引制动***多传感器融合的异常识别装置示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例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。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的高铁牵引制动***多传感器融合的异常识别方法。
图1为本发明实施例所提供的一种高铁牵引制动***多传感器融合的异常识别方法的流程示意图。
如图1所示,该高铁牵引制动***多传感器融合的异常识别方法包括以下步骤:
S101:获取高铁牵引制动***的多参量感知数据,将多参量感知数据划分为操作参数和测量参数并进行预处理;
进一步地,在本发明的一个实施例中,获取高铁牵引制动***的多参量感知数据,将多参量感知数据划分为操作参数和测量参数并进行预处理,包括:
采集操作参数,包括牵引力/牵引力级别、制动力/制动力级别、加速度/减速度设定值、车速设定值、牵引/制动模式;
采集测量参数,包括列车速度、牵引力、制动力、加速度/减速度、制动器温度、车轮轨道力、制动距离;
对操作数据和测量参数进行数据清洗、缺失值处理、异常值检测和去除。
S102:将预处理后的操作参数和测量参数输入去混淆模型得到测量参数调整值;
进一步地,在本发明的一个实施例中,将预处理后的操作参数和测量参数输入去混淆模型得到测量参数调整值,包括:
通过历史多源时间序列推断潜在变量;
建立操作参数和测量参数的多元回归模型;
根据潜在变量调整多元回归模型,得到测量参数调整值。
如图2所示,表明了潜在变量的构造方法:
上述公式代表了潜在变量的构造原理,其中zt为t时刻的潜在变量,表示在时刻t之前的一段时间内所有操作参数/>和潜在变量/>的集合。潜在变量中包含了潜在混淆变量的影响,使得在给定潜在变量条件下操作变量之间条件独立。
使用循环神经网络(RNN)作为模型的基础架构,利用历史数据对模型进行拟合,估计潜在变量的取值。
其中L为RNN的随机初始参数。使用梯度下降进行模型的训练,模型输出为潜在变量Zt。
考虑混淆因子项,建立各测量参数多元线性回归模型,可表示为:
其中,β0、βj、γj分别为回归模型的截距和回归系数,ε为误差项,首先通过最小二乘法获得回归模型的估计回归系数。根据给定的操作参数x和混淆因子zi的值,代入回归模型,计算调整后的测量参数y′。根据回归模型的公式,可以得到如下的调整公式,记为去混淆模型:
上述公式代表了去除混淆影响的测量参数值计算方法,使用上述方法分别计算每一个测量参数的调整值,得到Y′,视为去除混淆因子影响后的测量参数理论值。
S103:根据反因果多元回归模型使用测量参数调整值对操作参数进行反向预测得到操作参数预测值;
进一步地,在本发明的一个实施例中,根据反因果多元回归模型使用测量参数调整值对操作参数进行反向预测得到操作参数预测值,包括:
建立测量参数调整值与操作参数之间的结构因果模型;
通过结构因果模型,建立测量参数调整值为自变量、操作参数为因变量的反因果多元回归模型。
如图3所示构建结构因果模型,设定一定阈值,如果回归系数小于该阈值,视为该操作参数xi与测量参数y之间没有因果关系。该结构因果模型即为从非稳定数据中提取的***稳定因果结构。
根据结构因果模型,将箭头倒转,视为反向结构因果模型。建立各操作参数的多元线性回归模型,可表示为:
xi=fi(Y′)+δi,
采用前述方法用历史数据训练多元线性回归模型。
S104:通过操作参数和操作参数预测值建立各操作参数退化值,采用各操作参数历史时间序列复杂度作为权重,建立归一化的健康指标模型,从而评估高铁牵引制动***健康状况。
记在线测量数据输入去混淆模型得到测量参数的调整值,继而输入反因果多元线性回归模型得到的操作参数预测值为xi′,则记该操作参数退化值为:
获取各操作参数退化值后,需设定各操作参数权重,采用操作参数时间序列信息熵H(xi)作为权重,反映了该操作参数的整体复杂度。
进行归一化处理,从而建立高铁牵引和制动***的健康指标,
本发明实施例提出的高铁牵引制动***多传感器融合的异常识别方法,突破了传统无监督学习建立虚拟健康指标鲁棒性差、泛化能力不足的问题,核心思想在于从时序数据中提取牵引和制动***稳定的因果机制并消除隐藏混淆因子的影响,继而通过反因果学习从测量参数预测表征整体健康状态的操作参数,继而建立机电***整体健康指标。
为了实现上述实施例,本发明还提出高铁牵引制动***多传感器融合的异常识别装置。
图5为本发明实施例提供的一种高铁牵引制动***多传感器融合的异常识别装置的结构示意图。
如图5所示,该高铁牵引制动***多传感器融合的异常识别装置包括:获取模块100,调整模块200,预测模块300,识别模块400,其中,
获取模块,用于获取高铁牵引制动***的多参量感知数据,将多参量感知数据划分为操作参数和测量参数并进行预处理;
调整模块,用于将预处理后的操作参数和测量参数输入去混淆模型得到测量参数调整值;
预测模块,用于根据反因果多元回归模型使用测量参数调整值对操作参数进行反向预测得到操作参数预测值;
识别模块,用于通过操作参数和操作参数预测值建立各操作参数退化值,采用各操作参数历史时间序列复杂度作为权重,建立归一化的健康指标模型,从而评估高铁牵引制动***健康状况。
进一步地,在本发明的一个实施例中,获取模块,还用于:
采集操作参数,包括牵引力/牵引力级别、制动力/制动力级别、加速度/减速度设定值、车速设定值、牵引/制动模式;
采集测量参数,包括列车速度、牵引力、制动力、加速度/减速度、制动器温度、车轮轨道力、制动距离;
对操作数据和测量参数进行数据清洗、缺失值处理、异常值检测和去除。
进一步地,在本发明的一个实施例中,调整模块,还用于:
通过历史多源时间序列推断潜在变量;
建立操作参数和测量参数的多元回归模型;
根据潜在变量调整多元回归模型,得到测量参数调整值。
进一步地,在本发明的一个实施例中,预测模块,还用于:
建立测量参数调整值与操作参数之间的结构因果模型;
通过结构因果模型,建立测量参数调整值为自变量、操作参数为因变量的反因果多元回归模型。
为达上述目的,本发明第三方面实施例提出了一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上所述的高铁牵引制动***多传感器融合的异常识别方法。
为达上述目的,本发明第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述的高铁牵引制动***多传感器融合的异常识别方法。
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。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。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。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种高铁牵引制动***多传感器融合的异常识别方法,其特征在于,包括以下步骤:
获取高铁牵引制动***的多参量感知数据,将所述多参量感知数据划分为操作参数和测量参数并进行预处理;
将预处理后的操作参数和测量参数输入去混淆模型得到测量参数调整值;
根据反因果多元回归模型使用所述测量参数调整值对所述操作参数进行反向预测得到操作参数预测值;
通过所述操作参数和所述操作参数预测值建立各操作参数退化值,采用各操作参数历史时间序列复杂度作为权重,建立归一化的健康指标模型,从而评估高铁牵引制动***健康状况。
2.根据权利要求1所述的方法,其特征在于,所述获取高铁牵引制动***的多参量感知数据,将所述多参量感知数据划分为操作参数和测量参数并进行预处理,包括:
采集操作参数,包括牵引力/牵引力级别、制动力/制动力级别、加速度/减速度设定值、车速设定值、牵引/制动模式;
采集测量参数,包括列车速度、牵引力、制动力、加速度/减速度、制动器温度、车轮轨道力、制动距离;
对所述操作数据和所述测量参数进行数据清洗、缺失值处理、异常值检测和去除。
3.根据权利要求1所述的方法,其特征在于,所述将预处理后的操作参数和测量参数输入去混淆模型得到测量参数调整值,包括:
通过历史多源时间序列推断潜在变量;
建立操作参数和测量参数的多元回归模型;
根据所述潜在变量调整所述多元回归模型,得到测量参数调整值。
4.根据权利要求1所述的方法,其特征在于,所述根据反因果多元回归模型使用所述测量参数调整值对所述操作参数进行反向预测得到操作参数预测值,包括:
建立测量参数调整值与操作参数之间的结构因果模型;
通过所述结构因果模型,建立所述测量参数调整值为自变量、所述操作参数为因变量的反因果多元回归模型。
5.一种高铁牵引制动***多传感器融合的异常识别装置,其特征在于,包括以下模块:
获取模块,用于获取高铁牵引制动***的多参量感知数据,将所述多参量感知数据划分为操作参数和测量参数并进行预处理;
调整模块,用于将预处理后的操作参数和测量参数输入去混淆模型得到测量参数调整值;
预测模块,用于根据反因果多元回归模型使用所述测量参数调整值对所述操作参数进行反向预测得到操作参数预测值;
识别模块,用于通过所述操作参数和所述操作参数预测值建立各操作参数退化值,采用各操作参数历史时间序列复杂度作为权重,建立归一化的健康指标模型,从而评估高铁牵引制动***健康状况。
6.根据权利要求5所述的装置,其特征在于,所述获取模块,还用于:
采集操作参数,包括牵引力/牵引力级别、制动力/制动力级别、加速度/减速度设定值、车速设定值、牵引/制动模式;
采集测量参数,包括列车速度、牵引力、制动力、加速度/减速度、制动器温度、车轮轨道力、制动距离;
对所述操作数据和所述测量参数进行数据清洗、缺失值处理、异常值检测和去除。
7.根据权利要求5所述的装置,其特征在于,所述调整模块,还用于:
通过历史多源时间序列推断潜在变量;
建立操作参数和测量参数的多元回归模型;
根据所述潜在变量调整所述多元回归模型,得到测量参数调整值。
8.根据权利要求5所述的装置,其特征在于,所述预测模块,还用于:
建立测量参数调整值与操作参数之间的结构因果模型;
通过所述结构因果模型,建立所述测量参数调整值为自变量、所述操作参数为因变量的反因果多元回归模型。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-4中任一所述的高铁牵引制动***多传感器融合的异常识别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4任意一项所述的高铁牵引制动***多传感器融合的异常识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311405510.2A CN117454221A (zh) | 2023-10-26 | 2023-10-26 | 一种高铁牵引制动***多传感器融合的异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311405510.2A CN117454221A (zh) | 2023-10-26 | 2023-10-26 | 一种高铁牵引制动***多传感器融合的异常识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117454221A true CN117454221A (zh) | 2024-01-26 |
Family
ID=89594279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311405510.2A Pending CN117454221A (zh) | 2023-10-26 | 2023-10-26 | 一种高铁牵引制动***多传感器融合的异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454221A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118149904A (zh) * | 2024-05-11 | 2024-06-07 | 北京理工大学 | 一种高铁牵引***牵引变流器水冷***温压监测装置 |
-
2023
- 2023-10-26 CN CN202311405510.2A patent/CN117454221A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118149904A (zh) * | 2024-05-11 | 2024-06-07 | 北京理工大学 | 一种高铁牵引***牵引变流器水冷***温压监测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN109000940B (zh) | 一种机车车辆异常轴温诊断方法及*** | |
JP6740247B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN102789545B (zh) | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 | |
CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
US20190018375A1 (en) | Apparatus and method for event detection and duration determination | |
CN107703920A (zh) | 基于多元时间序列的列车制动***的故障检测方法 | |
JP4431163B2 (ja) | 移動体の異常検出システム、及び移動体の異常検出方法 | |
CN112287602B (zh) | 一种基于机器学习和孤立森林的动车轴温故障预警方法 | |
CN108427400B (zh) | 一种基于神经网络解析冗余的飞机空速管故障诊断方法 | |
CN112884051B (zh) | 数据驱动的轻量级无人机多部件在线复杂故障诊断方法 | |
CN114239377A (zh) | 一种城轨机电设备健康状态评估方法、***及存储介质 | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN105975744A (zh) | 一种基于d-s证据理论的纺织过程数据融合*** | |
Jiang et al. | A multisensor cycle-supervised convolutional neural network for anomaly detection on magnetic flux leakage signals | |
US20220101666A1 (en) | Method and Apparatus for Determining a Residual Service Life based on a Predictive Diagnosis of Components of an Electric Drive System Using Artificial Intelligence Techniques | |
CN113574480A (zh) | 用于预测设备损坏的装置 | |
Mishra et al. | Fault detection of elevator systems using multilayer perceptron neural network | |
CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及*** | |
CN112733446A (zh) | 一种数据驱动的自适应异常检测方法 | |
JP4044837B2 (ja) | 移動体の異常検出システム、及び移動体の異常検出方法 |
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 |