CN105204496A - 动车组空气制动控制系统传感器故障诊断的方法与系统 - Google Patents

Abstract

本发明公开了一种动车组空气制动控制系统传感器故障诊断的方法和系统，该方法包括：采集正常工况下动车组空气制动控制系统的传感器数据作为训练数据，并根据所述训练数据建立动车组空气制动控制系统的主元分析模型；根据所述主元分析模型计算并存储故障检测指标的控制限；采集实时工况下动车组空气制动控制系统的传感器数据作为测试数据，并利用所述主元分析模型对所述测试数据进行故障分析；若故障分析的结果为有故障发生，则利用重构贡献图的方法进行故障分离以确定发生故障的传感器。该方法具有较强的实时性，同时算法复杂度低，易于计算机实现。可以有效地对动车组空气制动控制系统中的传感器发生的缓慢漂移和偏差故障进行诊断。

Description

动车组空气制动控制系统传感器故障诊断的方法与系统

技术领域

本发明涉及工业监测和故障诊断领域，尤其涉及一种动车组空气制动控制系统传感器故障诊断的方法与系统。

背景技术

动车组空气制动控制系统主要采用微机控制直通电空制动方式，其核心部件为制动控制单元BCU。BCU的主要作用是将司机制动控制器及列车制动控制系统发出的制动指令通过充气电磁阀和排气电磁阀(二者合称为电空转换阀，即EP阀)或紧急阀转换为相应的预控压力，进而控制中继阀产生制动缸的控制压力，控制基础制动装置进行制动的施加和缓解。因此，BCU的性能直接决定着制动系统能否准确、稳定、可靠地实现制动力的控制。

作为BCU获取压力信息的源头，传感器在控制系统中担当着“眼睛”的重要角色，其测量结果将直接影响BCU的控制性能。BCU中的压力传感器分为两类，分别为处于闭环控制外的测量传感器和处于闭环控制中的测量传感器。传感器测量精度的下降或者发生故障都将使得其测量值与实际值具有一定偏差。其中，若处于闭环控制外的测量传感器发生故障，会使得控制系统对被测量的监测不准确，可能会导致控制系统产生不必要的动作而影响制动性能。若处于闭环控制中的传感器发生故障，会使得实际预控压力值无法达到设定值，进而影响下游的制动缸的压力，动车组无法准确及时地完成要求的制动任务。因此，对BCU的传感器进行监测和故障诊断具有重要意义。

目前，空气制动控制系统主要采用简单的超限报警机制来判断传感器的被测量是否发生异常，或基于硬件电路判断传感器是否发生短路或断路等失效故障，很少涉及对这些传感器本身软故障的诊断。而在实际使用过程中，由于受到外界复杂多变环境以及电子器件本身的特性的影响，传感器通常会发生缓慢漂移以及测量偏差等本身的软故障。虽然这些故障在短时间内并不会引起制动系统的失效，但是会对制动系统的性能造成不良影响，从而给制动系统造成潜在的安全隐患。另外，现有技术中还采用基于信号处理和模式分类相结合的方法进行传感器的故障诊断，但是，这类方法存在建模数据难以获得、实时性差、复杂度高等缺点，不利于实际应用。

综上，亟需一种新的诊断方法来对动车组空气制动控制系统的传感器进行实时的在线监测。

发明内容

本发明所要解决的技术问题之一是提供一种新的诊断方法来对动车组空气制动控制系统的传感器进行实时的在线监测。

为了解决上述技术问题，本申请的实施例首先提供了一种动车组空气制动控制系统传感器故障诊断方法，包括：采集正常工况下动车组空气制动控制系统的传感器数据作为训练数据，并根据所述训练数据建立动车组空气制动控制系统的主元分析模型；根据所述主元分析模型计算并存储故障检测指标的控制限；采集实时工况下动车组空气制动控制系统的传感器数据作为测试数据，并利用所述主元分析模型对所述测试数据进行故障分析；若故障分析的结果为有故障发生，则利用重构贡献图的方法进行故障分离以确定发生故障的传感器。

优选地，在根据所述训练数据建立动车组空气制动控制系统的主元分析模型的步骤中包括：将所述训练数据存储为二维的数据矩阵，并对所述数据矩阵进行标准化处理；利用标准化处理的数据矩阵计算协方差矩阵，并对所述协方差矩阵进行分解以得到特征向量矩阵与特征值矩阵；基于累计方差贡献率选取主元个数，并根据选取的主元个数对所述特征向量矩阵与所述特征值矩阵进行划分以建立主元分析模型。

优选地，在利用所述主元分析模型对所述测试数据进行故障分析的步骤中包括：根据所述训练数据的均值和标准差对所述测试数据进行标准化处理；基于所述主元分析模型计算经标准化处理后的测试数据的故障检测指标；根据计算得到的测试数据的故障检测指标与所述故障检测指标的控制限判断是否有故障发生。

优选地，在利用重构贡献图的方法进行故障分离以确定发生故障的传感器的步骤中包括：利用重构贡献图的方法计算与每个传感器对应的变量的贡献值；在假设只有一个传感器发生故障的前提下，将所述贡献值最大的变量所对应的传感器确定为发生故障的传感器。

优选地，根据以下表达式计算所述贡献值

${\mathrm{RBC}}_j^Q=\frac{{\left({\mathrm{\ξ}}_j^T{\mathrm{Mx}}^{\′}\right)}^2}{{\mathrm{\ξ}}_j^T{\mathrm{M\ξ}}_j}$

式中，的下标j表示第j个变量的贡献值；上标Q表示RBC方法采用的故障检测指标SPE、T²或者φ；矩阵M分别为与SPE、T²和φ相对应的D和Φ，且D＝PΛ^-1P^T，其中，P为主元的负载矩阵，为残差的负载矩阵，Λ为主元特征值矩阵，δ²和τ²分别为SPE和T²的控制限；ξ_j表示m维单位矩阵的第j列；x′为标准化后的测试数据。

本申请的实施例还提供了一种动车组空气制动控制系统传感器故障诊断系统，包括：模型训练模块，其采集正常工况下动车组空气制动控制系统的传感器数据作为训练数据，并根据所述训练数据建立动车组空气制动控制系统的主元分析模型；参数存储模块，其根据所述主元分析模型计算并存储故障检测指标的控制限；在线检测模块，其采集实时工况下动车组空气制动控制系统的传感器数据作为测试数据，并利用所述主元分析模型对所述测试数据进行故障分析；故障分离模块，若故障分析的结果为有故障发生，其利用重构贡献图的方法进行故障分离以确定发生故障的传感器。

优选地，模型训练模块根据以下步骤建立动车组空气制动控制系统的主元分析模型：将所述训练数据存储为二维的数据矩阵，并对所述数据矩阵进行标准化处理；利用标准化处理的数据矩阵计算协方差矩阵，并对所述协方差矩阵进行分解以得到特征向量矩阵与特征值矩阵；基于累计方差贡献率选取主元个数，并根据选取的主元个数对所述特征向量矩阵与所述特征值矩阵进行划分以建立主元分析模型。

优选地，在线检测模块根据以下步骤对所述测试数据进行故障分析：根据所述训练数据的均值和标准差对所述测试数据进行标准化处理；基于所述主元分析模型计算经标准化处理后的测试数据的故障检测指标；根据计算得到的测试数据的故障检测指标与所述故障检测指标的控制限判断是否有故障发生。

优选地，故障分离模块根据以下步骤确定发生故障的传感器：利用重构贡献图的方法计算与每个传感器对应的变量的贡献值；在假设只有一个传感器发生故障的前提下，将所述贡献值最大的变量所对应的传感器确定为发生故障的传感器。

优选地，故障分离模块根据以下表达式计算所述贡献值

${\mathrm{RBC}}_j^Q=\frac{{\left({\mathrm{\ξ}}_j^T{\mathrm{Mx}}^{\′}\right)}^2}{{\mathrm{\ξ}}_j^T{\mathrm{M\ξ}}_j}$

式中，的下标j表示第j个变量的贡献值；上标Q表示RBC方法采用的故障检测指标SPE、T²或者φ；矩阵M分别为与SPE、T²和φ相对应的D和Φ，且D＝PΛ^-1P^T，其中，P为主元的负载矩阵，为残差的负载矩阵，Λ为主元特征值矩阵，δ²和τ²分别为SPE和T²的控制限；ξ_j表示m维单位矩阵的第j列；x′为标准化后的测试数据。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

通过采用主元分析PCA方法和重构贡献图RBC方法分别进行故障检测和故障分离，实现了对动车组空气制动控制系统中的传感器故障的实时在线监测，该方法具有较强的实时性，同时算法复杂度低，易于计算机实现。可以有效地对动车组空气制动控制系统中的传感器发生的缓慢漂移和偏差故障进行诊断，提高现有的动车组空气制动控制系统传感器故障诊断水平。

本发明的其他优点、目标，和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书，权利要求书，以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。

图1是根据本发明实施例的动车组空气制动控制系统传感器故障诊断方法的流程示意图；

图2是根据本发明实施例的在线检测过程的流程示意图；

图3是根据本发明实施例的故障分离过程的流程示意图；

图4是根据本发明一示例的空气制动控制系统在常用制动模式下的系统功能框图；

图5是根据本发明一示例的传感器2的偏差故障检测结果示意图；

图6是根据本发明一示例的传感器1的偏差故障检测结果示意图；

图7是根据本发明一示例的传感器2的漂移故障检测结果示意图；

图8是根据本发明一示例的传感器1的漂移故障检测结果示意图；

图9是根据本发明一示例的传感器2的偏差故障分离结果示意图；

图10是根据本发明一示例的传感器1的偏差故障分离结果示意图；

图11是根据本发明一示例的传感器2的漂移故障分离结果示意图；

图12是根据本发明一示例的传感器1的漂移故障分离结果示意图；

图13是根据本发明另一实施例的空气制动控制系统传感器故障诊断系统的结构示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本发明的保护范围之内。

动车组空气制动系统主要包括风源系统、空气制动控制装置以及基础制动装置等。作为核心部件的制动控制单元BCU通常分为电子制动控制单元EBCU和气动制动控制单元PBCU两部分。EBCU即制动计算机，PBCU主要包括充气电磁阀、排气电磁阀、紧急阀、空重车阀、中继阀以及多个压力传感器部件。动车组制动控制系统是闭环控制系统，以常用制动为例，EBCU根据常用制动预控压力传感器的压力反馈信号实时调整EP阀的充气或排气，形成预控压力的闭环控制。

在本发明的实施例中，提出一种基于PCA和RBC的传感器故障检测和故障分离的方法，用于动车组空气制动控制系统传感器的故障诊断。PCA被广泛应用于数据降维、特征提取以及多元统计过程监控中。RBC方法可用于求取不同变量对超出控制限的故障检测指标的贡献值，进而基于变量贡献值的大小确定故障变量。以下参照图1对本实施例中的方法进行说明。

图1是根据本发明实施例的动车组空气制动控制系统传感器故障诊断方法的流程示意图，该方法包括以下步骤：

步骤S110，采集正常工况下动车组空气制动控制系统的传感器数据作为训练数据，并根据所述训练数据建立动车组空气制动控制系统的主元分析PCA模型。步骤S120，根据所述主元分析PCA模型计算并存储故障检测指标的控制限。步骤S130，采集实时工况下动车组空气制动控制系统的传感器数据作为测试数据，并利用所述主元分析PCA模型对所述测试数据进行故障分析。步骤S140，若故障分析的结果为有故障发生，则利用重构贡献图的方法(RBC)进行故障分离以确定发生故障的传感器。其中，步骤S110与步骤S120为离线建模过程，步骤S130与步骤S140为在线诊断过程。

基于在动车组正常运行工况下所采集到的传感器数据进行离线建模。具体包括，采集制动过程中空气制动控制系统的多个传感器数据作为训练数据。假设动车组空气制动控制系统有m个传感器x∈R^m，每个传感器都采集N个样本，其中R^m表示传感器的取值集合。

根据采集得到的训练数据建立动车组空气制动控制系统的PCA模型的步骤又进一步包括：步骤S1101、将所述训练数据存储为二维的数据矩阵，并对所述数据矩阵进行标准化处理。步骤S1102、利用标准化处理的数据矩阵计算协方差矩阵，并对所述协方差矩阵进行分解以得到特征向量矩阵与特征值矩阵。步骤S1103、基于累计方差贡献率选取主元个数，并根据选取的主元个数对所述特征向量矩阵与特征值矩阵进行划分以建立主元分析模型。

具体的，将采集到的传感器数据存储为二维的数据矩阵X₀∈R^N×m，其中每行代表一个样本x_i∈R^m,i＝1,…,N的转置，每列代表一个传感器变量。对数据矩阵X₀进行标准化处理，即将X₀的每一列归一化为零均值、单位方差的数据。记数据矩阵X₀中m个传感器的均值和标准差分别为μ_j和σ_j,j＝1,…,m，标准化处理后的数据矩阵记为X，由X可以进一步得到协方差矩阵S，如表达式(1)所示：

$S=\frac{1}{N-1}{X}^{T}X---\left(1\right)$

接下来，根据表达式(2)对协方差矩阵S进行特征分解：

$S=\stackrel{\‾}{P}\stackrel{\‾}{\mathrm{\Λ}}{\stackrel{\‾}{P}}^T---\left(2\right)$

式中，的m个列向量由协方差矩阵S的m个特征向量组成，包含了与S的特征向量相对应的m个特征根，按照降序排列。在本发明的实施例中，基于累计方差贡献率CPV准则选取主元个数l，CPV的阈值可设定为90％。根据选取的主元个数l划分矩阵和如下： $\stackrel{\‾}{P}=\left[\begin{array}{cc}P& \tilde{P}\end{array}\right],$ $\stackrel{\‾}{\mathrm{\Λ}}=diag\left\{\begin{array}{cc}\mathrm{\Λ}& \widetilde{\mathrm{\Λ}}\end{array}\right\},$ 其中P为主元的负载矩阵，由的前l列构成；为残差的负载矩阵。Λ为主元特征值矩阵，为残差特征值矩阵，且Λ＝diag{λ₁,…,λ_l}，由此，建立得到主元分析PCA模型。

进一步地，在本发明的实施例中，选取三种用于在线故障检测的统计量作为故障检测指标，分别为平方预测误差SPE、T²统计量和组合指标φ。根据预设的显著性水平α，利用主元个数l、主元的负载矩阵P、残差的负载矩阵以及特征值矩阵Λ,等PCA模型的模型参数，可分别计算得到三种检测指标的控制限，分别记为δ²、τ²、ζ²，如表达式(3)、(4)、(5)所示：

${\mathrm{\δ}}^2=g^{SPE}{\mathrm{\χ}}_{\mathrm{\α}}^2\left(h^{SPE}\right),g^{SPE}=\frac{{\mathrm{\θ}}_2}{{\mathrm{\θ}}_1},h^{SPE}=\frac{{\mathrm{\θ}}_1^2}{{\mathrm{\θ}}_2}---\left(3\right)$

${\mathrm{\τ}}^2={\mathrm{\χ}}_{\mathrm{\α}}^2\left(l\right)---\left(4\right)$

${\mathrm{\ζ}}^2=g^{\mathrm{\φ}}{\mathrm{\χ}}_{\mathrm{\α}}^2\left(h^{\mathrm{\φ}}\right),g^{\mathrm{\φ}}=(\frac{l}{{\mathrm{\τ}}^4}+\frac{{\mathrm{\θ}}_2}{{\mathrm{\δ}}^4})/(\frac{l}{{\mathrm{\τ}}^2}+\frac{{\mathrm{\θ}}_1}{{\mathrm{\δ}}^2}),h^{\mathrm{\φ}}={(\frac{l}{{\mathrm{\τ}}^2}+\frac{{\mathrm{\θ}}_1}{{\mathrm{\δ}}^2})}^2/(\frac{l}{{\mathrm{\τ}}^4}+\frac{{\mathrm{\θ}}_2}{{\mathrm{\δ}}^4})---\left(5\right)$

式中， ${\mathrm{\θ}}_1={\mathrm{\Σ}}_{i=l+1}^m{\mathrm{\λ}}_i,{\mathrm{\θ}}_2={\mathrm{\Σ}}_{i=l+1}^m{\mathrm{\λ}}_i^2.$

存储上述三种故障检测指标的控制限以用于后面的在线诊断过程。

本发明实施例的在线诊断过程进一步分为在线检测过程与故障分离过程，其中，在线检测过程的流程如图2所示：

步骤S210、采集实时工况下动车组空气制动控制系统的传感器数据作为测试数据。步骤S220、根据所述训练数据的均值和标准差对所述测试数据进行标准化处理。步骤S230、基于所述所述主元分析模型计算经标准化处理后的测试数据的故障检测指标。步骤S240、根据计算得到的测试数据的故障检测指标与所述故障检测指标的控制限判断是否有故障发生。

首先，采集动车组制动过程中空气制动控制系统在实时工况下的传感器数据作为测试数据，将其记为x₀∈R^m。需要注意的是，这m个传感器和离线建模过程中所选择的动车组在正常运行工况下的m个传感器是一一对应的。

接下来，根据离线建模过程中计算得到的训练数据的均值μ_j和标准差σ_j(j＝1,…,m)对测试数据x₀进行标准化处理。具体的，将x₀中的每个元素值减去相应的均值μ_j之后除以相应的标准差σ_j，记标准化后的测试数据为x′。

然后，根据表示式(6)、(7)、(8)计算标准化后的测试数据x′的故障检测指标：

$SPE=\left|\right|\tilde{P}{\tilde{P}}^T{x}^{\′}|{|}^2=x^{\′T}\tilde{P}{\tilde{P}}^T{x}^{\′}=x^{\′T}\tilde{C}{x}^{\′}---\left(6\right)$

T²＝x′^TPΛ^-1P^Tx′＝x′^TDx′(7)

$\mathrm{\φ}=\frac{SPE}{{\mathrm{\δ}}^2}+\frac{T^2}{{\mathrm{\τ}}^2}=x^{\′T}{\mathrm{\Φx}}^{\′}---\left(8\right)$

式中， $\tilde{C}=\tilde{P}{\tilde{P}}^T,$ D＝PΛ^-1P^T， $\mathrm{\Φ}=\frac{\tilde{C}}{{\mathrm{\δ}}^2}+\frac{D}{{\mathrm{\τ}}^2}.$

再将根据上述计算得到的测试数据x′的故障检测指标SPE、T²、φ与基于训练数据计算得到的故障检测指标的控制限δ²、τ²、ζ²进行比较来判断动车组空气制动控制系统是否有传感器发生了故障。具体的，若三种故障检测指标SPE、T²、φ均小于其相应的控制限δ²、τ²、ζ²，则认为没有故障发生；否则，认为有传感器发生了故障。

如果判断为有传感器发生了故障，则进一步通过故障分离过程来具体定位发生故障的传感器。故障分离过程的流程示意图如图3所示，包括以下步骤：

步骤S310、利用重构贡献图RBC的方法计算与每个传感器对应的变量的贡献值。步骤S320、在假设只有一个传感器发生故障的前提下，将所述贡献值最大的变量所对应的传感器确定为发生故障的传感器。

具体的，针对包含故障的测试数据x′，利用表达式(9)计算每个变量的贡献值：

${\mathrm{RBC}}_j^Q=\frac{{\left({\mathrm{\ξ}}_j^T{\mathrm{Mx}}^{\′}\right)}^2}{{\mathrm{\ξ}}_j^T{\mathrm{M\ξ}}_j}---\left(9\right)$

式中，的下标j表示第j个变量(即第j个传感器)的贡献值；上标Q表示RBC方法采用的故障检测指标，即可以是SPE、T²或者φ，矩阵M分别为与SPE、T²和φ相对应的D和Φ。ξ_j表示m维单位矩阵的第j列。

需要注意的是，针对传感器故障，基于组合指标φ的RBC方法通常具有较高的故障分离准确性，因此矩阵M通常采用Φ。

在假设只有一个传感器发生故障的前提下，将所有变量的贡献值中具有最大值的变量所对应的传感器确定为发生故障的传感器。若故障传感器的变量为j_f，则通过表达式(10)确定发生故障的传感器：

$j_f=\arg \underset{j}{max}{\mathrm{RBC}}_j^Q---\left(10\right)$

本发明实施例的故障诊断方法可以有效地对动车组空气制动控制系统中的传感器在使用过程中发生的缓慢漂移和偏差故障进行诊断。现有动车组空气制动控制系统的传感器故障诊断技术通常基于硬件电路判断传感器是否发生诸如短路、断路等完全失效故障，很少涉及对这些传感器本身软故障的诊断。

本发明实施例的故障诊断方法利用空气制动控制系统在正常运行工况下采集的传感器数据进行建模，基于正常数据的统计特性，利用PCA和RBC方法分别实现故障检测和故障分离功能，从而无需不同故障工况下的传感器数据，易于实施。

在本发明实施例的故障诊断方法中，由于传感器故障会打破不同变量之间的相关性，进而使得测试数据背离PCA模型，因此PCA方法对传感器故障比较敏感，进而可以提高故障诊断的准确性。

本发明实施例的故障诊断方法可以对每个时刻的采样数据进行处理和分析，相比于现有技术中需要对采集的一段时间信号进行分析的方法，实时性能好。

本发明实施例的故障诊断方法采用PCA和RBC方法分别用于故障检测和故障分离，算法复杂度低，易于通过计算机实现自动实时的诊断。

为了帮助理解本发明，同时直观地展示其用于动车组空气制动控制系统传感器故障诊断的效果，下面举一示例进行详细说明。本示例基于青岛四方车辆研究所有限公司的动车组制动系统联调试验台，探究其空气制动控制系统中关键传感器的故障诊断问题。

以常用制动模式为例，动车组空气制动控制系统的功能框图如图4所示。图中的压力设定值由EBCU根据司机制动控制器或列车制动控制系统发出的制动指令以及制动级别通过计算得到，Tpil代表常用制动预控压力，TCFi代表制动缸压力，每节车包含四个制动缸，即i＝1～4。EBCU控制器通过调整EP阀动作来控制常用制动预控压力值Tpil，形成预控压力的闭环控制。中继阀起到流量放大作用，其输出压力和输入压力为1:1的关系。因而，从理论上讲，四个制动缸压力和预控压力值保持一致。另一方面，由于控制器控制精度有限以及控制系统受到外界环境扰动的原因，预控压力Tpil和四个制动缸压力TCFi取值在压力设定值附近波动。

在本示例中，常用制动预控压力Tpil和四个制动缸压力TCFi均安装有相应的传感器进行监测，这些传感器测量值之间具有较强的相关性，一旦某个传感器发生故障，可利用PCA方法进行故障检测，进而由RBC方法实现故障的分离。另外，动车组在正常牵引状态下施加制动后，预控压力Tpil由零到达压力目标设定值通常只需要很短时间，因而本发明只考虑Tpil到达稳态值后空气制动控制系统传感器的故障诊断问题。

根据本发明实施例的故障诊断方法，采用仿真数据对本示例进行检测的过程如下：

(1)训练数据的产生。

本示例包含m＝5个传感器，即Tpil和TCF1～TCF4，分别编号为传感器1～5。每个传感器均采集N＝200个样本，用于训练PCA模型。以常用制动模式下7级制动为例，理想压力设定值取为299kPa，上下均匀浮动1.5kPa，即299±1.5kPa。同时考虑各个传感器的性能异常以及受到测量噪声干扰，分别对每个传感器添加独立高斯白噪声，均值为零，方差是压力设定值方差的1/10。

(2)PCA模型的建立。

将上述训练数据存储为二维数据矩阵X₀∈R^200×5，并对其进行标准化处理，得到归一化数据矩阵X。根据表达式(1)得到协方差矩阵S，并对协方差矩阵S进行特征值分解。基于CPV准则确定主元个数为l＝1，划分S的特征向量矩阵和特征值矩阵如下： $\begin{array}{cc}\stackrel{\‾}{P}=\left[\begin{array}{cc}P& \tilde{P}\end{array}\right],& \stackrel{\‾}{\mathrm{\Λ}}=diag\left\{\begin{array}{cc}\mathrm{\Λ}& \widetilde{\mathrm{\Λ}}\end{array}\right\}\end{array},$ 其中主元的负载矩阵P由的前l＝1列构成，Λ＝λ₁，

(3)故障检测指标的控制限的计算与存储。

给定显著性水平α＝0.01，利用上述PCA模型的模型参数计算三种故障检测指标的控制限δ²、τ²、ζ²，具体参见表达式(3)、(4)、(5)，同时对上述计算得到的三种故障检测指标的控制限进行存储。

(4)测试数据的产生。

在本示例中，仿真产生包含传感器故障的测试数据，构造两种传感器故障类型，分别为恒值偏差故障和缓慢漂移故障，并分别施加在闭环控制中传感器Tpil(传感器1)以及闭环控制外第一个制动缸压力TCF1(传感器2)上，形成四组数据集。具体的，每组测试数据集均包含200个样本，前100个样本为正常工况下的数据，从第101个样本开始有故障加入。第一组测试数据集添加偏差为1.5kPa的故障于传感器2上；第二组测试数据集添加偏差为1.5kPa的故障于传感器1上；第3组测试数据集添加漂移故障于传感器2上，其中第101至140共40个样本的故障幅值由零线性增加至2kPa，剩余的60个样本均保持2kPa的恒值故障；第4组测试数据集添加同样模式的漂移故障于传感器1上。

(5)故障检测指标的计算。

先利用上述训练数据X₀∈R^200×5的均值和标准差对四组测试数据集进行标准化处理。再对每组测试数据集中的每个样本x′，根据表达式(6)、(7)、(8)分别计算其故障检测指标SPE、T²和φ。

(6)故障的在线检测。

对比上述计算得到的每组测试数据集中每个样本x′的故障检测指标SPE、T²、φ和第(3)步中相应的故障检测指标控制限δ²、τ²、ζ²，判断每组测试数据集中的样本是否有故障发生。

图5～图8分别展示了四组测试数据集的故障检测结果，即基于三种故障检测指标的传感器2的偏差故障、传感器1的偏差故障、传感器2的漂移故障、传感器1的漂移故障的故障检测结果，同时在图中展示了不同故障检测指标的误报率和故障检测率。从图5和图6可以看出，针对传感器的偏差故障，PCA方法的SPE和φ指标均可以在故障发生后有效地检测到故障，同时具有较低的误报率和较高的故障检测率。从图7和图8可以看出，针对传感器的缓慢漂移故障，在故障发生初期，由于故障幅值非常小而无法被检测到，随着故障演化，故障的幅值不断增大，PCA方法的SPE和φ指标也可以有效地检测到故障。

(7)故障的分离。

检测到故障发生后，根据表达式(9)利用RBC方法计算每组测试数据集里每个样本x′的变量贡献值。

在本示例中，采用基于组合指标φ的RBC方法进行故障分离，即上式中M取值为Φ。针对每组测试数据集，求取每个样本的不同变量贡献值，并将其归一化至0～1区间。图9～图12分别展示了四组测试数据集的故障分离结果，横坐标表示样本，纵坐标表示不同的变量，每幅图中颜色浅的条纹表示该样本(由条纹对应的横坐标确定)第i个变量(由条纹对应的纵坐标确定)的贡献值较小，相应地，颜色深的条纹表示该处的贡献值较大。通过图9～图12可以直观看出，在每种故障情形下，几乎总是实际发生故障的传感器变量具有最大的贡献值(条纹颜色最深)，即RBC方法可以有效地进行传感器故障分离。

进一步地，为定量地说明RBC方法用于传感器故障分离的效果，还利用统计方法对每组测试数据集故障分离的准确率进行了计算，具体为，当故障发生后，利用RBC方法准确进行故障分离的样本数除以总的故障样本数。经统计，四组测试数据集的故障分离准确率分别为100％、99％、92％、90％，均具有比较理想的故障分离效果。而且，针对传感器缓慢漂移故障，之所以其故障分离准确率略低于传感器偏差故障的故障分离准确率，主要原因在于漂移故障发生初期故障特征不明显，导致RBC方法给出错误的分离结果。

在本发明的另一实施例中，还提供了一种动车组空气制动控制系统传感器的故障诊断系统，如图13所示，下面结合图13来说明本实施例的各部分组成。

如图13所示，该系统包括模型训练模块131、参数存储模块132、在线检测模块133和故障分离模块134。其中，模型训练模块131执行第一实施例中步骤S110的操作。参数存储模块132执行第一实施例中步骤S120的操作。在线检测模块133执行第一实施例中步骤S130的操作。故障分离模块134执行第一实施例中步骤S140的操作。在此不再详细展开。

虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种动车组空气制动控制系统传感器故障诊断的方法，其特征在于，包括：

采集正常工况下动车组空气制动控制系统的传感器数据作为训练数据，并根据所述训练数据建立动车组空气制动控制系统的主元分析模型；

根据所述主元分析模型计算并存储故障检测指标的控制限；

采集实时工况下动车组空气制动控制系统的传感器数据作为测试数据，并利用所述主元分析模型对所述测试数据进行故障分析；

若故障分析的结果为有故障发生，则利用重构贡献图的方法进行故障分离以确定发生故障的传感器。

2.根据权利要求1所述的方法，其特征在于，在根据所述训练数据建立动车组空气制动控制系统的主元分析模型的步骤中包括：

将所述训练数据存储为二维的数据矩阵，并对所述数据矩阵进行标准化处理；

利用标准化处理的数据矩阵计算协方差矩阵，并对所述协方差矩阵进行分解以得到特征向量矩阵与特征值矩阵；

基于累计方差贡献率选取主元个数，并根据选取的主元个数对所述特征向量矩阵与所述特征值矩阵进行划分以建立主元分析模型。

3.根据权利要求1所述的方法，其特征在于，在利用所述主元分析模型对所述测试数据进行故障分析的步骤中包括：

根据所述训练数据的均值和标准差对所述测试数据进行标准化处理；

基于所述主元分析模型计算经标准化处理后的测试数据的故障检测指标；

根据计算得到的测试数据的故障检测指标与所述故障检测指标的控制限判断是否有故障发生。

4.根据权利要求1所述的方法，其特征在于，在利用重构贡献图的方法进行故障分离以确定发生故障的传感器的步骤中包括：

利用重构贡献图的方法计算与每个传感器对应的变量的贡献值；

在假设只有一个传感器发生故障的前提下，将所述贡献值最大的变量所对应的传感器确定为发生故障的传感器。

5.根据权利要求4所述的方法，其特征在于，根据以下表达式计算所述贡献值

${\mathrm{RBC}}_j^Q=\frac{{\left({\mathrm{\ξ}}_j^T{\mathrm{Mx}}^{\′}\right)}^2}{{\mathrm{\ξ}}_j^T{\mathrm{M\ξ}}_j}$

式中，的下标j表示第j个变量的贡献值；上标Q表示RBC方法采用的故障检测指标SPE、T²或者φ；矩阵M分别为与SPE、T²和φ相对应的D和Φ，且D＝PΛ^-1P^T，其中，P为主元的负载矩阵，为残差的负载矩阵，Λ为主元特征值矩阵，δ²和τ²分别为SPE和T²的控制限；ξ_j表示m维单位矩阵的第j列；x′为标准化后的测试数据。

6.一种动车组空气制动控制系统传感器故障诊断的系统，其特征在于，包括：

模型训练模块，其采集正常工况下动车组空气制动控制系统的传感器数据作为训练数据，并根据所述训练数据建立动车组空气制动控制系统的主元分析模型；

参数存储模块，其根据所述主元分析模型计算并存储故障检测指标的控制限；

在线检测模块，其采集实时工况下动车组空气制动控制系统的传感器数据作为测试数据，并利用所述主元分析模型对所述测试数据进行故障分析；

故障分离模块，若故障分析的结果为有故障发生，其利用重构贡献图的方法进行故障分离以确定发生故障的传感器。

7.根据权利要求6所述的系统，其特征在于，所述模型训练模块根据以下步骤建立动车组空气制动控制系统的主元分析模型：

将所述训练数据存储为二维的数据矩阵，并对所述数据矩阵进行标准化处理；

利用标准化处理的数据矩阵计算协方差矩阵，并对所述协方差矩阵进行分解以得到特征向量矩阵与特征值矩阵；

基于累计方差贡献率选取主元个数，并根据选取的主元个数对所述特征向量矩阵与所述特征值矩阵进行划分以建立主元分析模型。

8.根据权利要求6所述的系统，其特征在于，所述在线检测模块根据以下步骤对所述测试数据进行故障分析：

根据所述训练数据的均值和标准差对所述测试数据进行标准化处理；

基于所述主元分析模型计算经标准化处理后的测试数据的故障检测指标；

根据计算得到的测试数据的故障检测指标与所述故障检测指标的控制限判断是否有故障发生。

9.根据权利要求6所述的系统，其特征在于，所述故障分离模块根据以下步骤确定发生故障的传感器：

利用重构贡献图的方法计算与每个传感器对应的变量的贡献值；

在假设只有一个传感器发生故障的前提下，将所述贡献值最大的变量所对应的传感器确定为发生故障的传感器。

10.根据权利要求9所述的系统，其特征在于，所述故障分离模块根据以下表达式计算所述贡献值

${\mathrm{RBC}}_j^Q=\frac{{\left({\mathrm{\ξ}}_j^T{\mathrm{Mx}}^{\′}\right)}^2}{{\mathrm{\ξ}}_j^T{\mathrm{M\ξ}}_j}$

式中，的下标j表示第j个变量的贡献值；上标Q表示RBC方法采用的故障检测指标SPE、T²或者φ；矩阵M分别为与SPE、T²和φ相对应的D和Φ，且D＝PΛ^-1P^T，其中，P为主元的负载矩阵，为残差的负载矩阵，Λ为主元特征值矩阵，δ²和τ²分别为SPE和T²的控制限；ξ_j表示m维单位矩阵的第j列；x′为标准化后的测试数据。