CN106226097B - 基于隐马尔可夫模型的高速列车风管安全状态诊断方法 - Google Patents

Abstract

本发明公开的基于隐马尔可夫模型的高速列车风管安全状态诊断方法，以高速列车风管压力监测数据为基础，首先通过临近插值、smooth平滑处理，然后利用高速列车风管压力监测数据对隐马尔可夫模型进行训练并训练出若干故障模型，然后将监测数据带入故障模型求取似然概率，最后通过对比似然概率找出当前系统所处的安全状态。本发明基于隐马尔可夫模型的高速列车风管安全状态诊断方法能有效的反映出高速列车风管的隐状态，进而可以反映出高速列车风管的安全状态，为车辆的异常发现，现场的故障分析、排除，故障前特征判定与预警提供理论支持。

Description

基于隐马尔可夫模型的高速列车风管安全状态诊断方法

技术领域

本发明属于故障诊断方法技术领域，具体涉及一种基于隐马尔可夫模型的高速列车风管安全状态诊断方法。

背景技术

列车从出现开始就承担着城市之间、城乡之间的通勤职责。高速列车与其他交通运输工具相比，具有速度快、服务优质、安全、可靠及换乘方便的优势，可以说高速列车在中长途运输中有着无可比拟的竞争力。

近年来，由于国家相关政策对高速列车项目的扶持，使得高速列车的发展进入了一个前所未有的高度。但是，在高速列车投入使用后，列车营运里程快速增长，列车机械磨耗及列车部件老化加剧的问题不可避免的会发生，而这些问题对高速列车的安全运行是一个巨大挑战。如何保障高速列车的安全运行是目前的一个重要研究方向，其中列车制动系统是保障高速列车安全运行的重要方面。当前高速列车常用的制动系统有空气制动系统和动力制动系统。

空气制动系统是高速列车的基础制动系统，也是保障高速列车安全运行的基本控制系统。在空气制动系统中，高速列车主风管是一个主要装置，风管路一旦出现故障将会影响高速列车的正常运行，甚至会危及高速列车的安全运行。列车空气制动系统主要由风管、压缩机等部件组成，这些部件在长期使用的过程中将会不可避免的会出现损坏、老化及脱落等情况，若不及时维修，容易引发故障，从而造成铁路交通事故。针对这一现象，尽管铁路总局、车辆制造厂家、运营单位、监管部门以及各相关专业的科研院所、机构、研究人员都已经提出并采取了多项维修维护的手段，但是这些手段都具有局限性。

目前，对于高速列车风管安全状态诊断方法有两种：(1)定期巡检、检修；在高速列车入库停车后，列车的检修人员对整车进行巡检、检修，虽然定期的巡检与检修具有积极的预防作用，但是主要是基于时间间隔为单位，这种方法缺乏及时性，状态跟进性，尤其是对风管部件的一些隐性状态该方法无法检测，这就导致对高速列车风管的安全状态诊断容易造成不确定性。(2)故障后维修；高速列车在故障发生后，工作人员根据乘务员的报告，对故障部件进行维修，更换；这种方法能在一定程度上保障列车安全运行，但这种方法只是在已经发生故障事实后展开的补救手段，它既不能及时的反映出高速列车风管的安全状态，也不能对高速列车起到预警作用。由此可见，上述的维护维修手段对高速列车运行的安全以及可用性都带来极大地影响甚至是威胁。

视情维修(Condition Based Maintenance，CBM)是起源于美国联合航空公司与联邦航空局在飞机上采用一种维修方法。CBM的思想是依据测试结果，当维修对象出现“潜在故障”时就进行调整、维修，从而避免故障的发生。因CBM能大大降低设备故障率，提高设备的可用率，节约了厂商维修成本，缩小了维修范围，减少了维修工作量。随后英国的机器保健中心，瑞典的SPM公司，丹麦的B&K公司，日本的三菱，川崎，日立等电子厂商纷纷采用这种维修方式。基于视情维修这种思路，通过建立基于隐马尔可夫模型的高速列车风管安全状态诊断方法，能对高速列车风管安全状态进行诊断。

发明内容

本发明的目的在于提供一种基于隐马尔可夫模型的高速列车风管安全状态诊断方法，能对高速列车风管安全状态进行诊断。

本发明所采用的技术方案是，基于隐马尔可夫模型的高速列车风管安全状态诊断方法，具体按照以下步骤实施：

步骤1、先利用传感器对高速列车风管压力进行监测数据采集，然后对采集到的高速列车风管压力监测数据进行插值处理；

步骤2、经步骤1后，对插值后的风管压力监测数据进行平滑处理；

步骤3、经步骤2后，取四组平滑后的监测数据，这四组分别为：正常态监测数据、故障态1监测数据、故障态2监测数据以及故障态3监测数据；将取得的四组平滑后的监测数据作为样本数据，再将四组平滑后的监测数据分别带入隐马尔可夫模型中，经训练后得到四种不同的HMM诊断模型，这四种模型分别为：正常态HMM模型、风管漏风故障HMM模型、风管阻塞故障HMM模型、压缩机故障HMM模型；

步骤4、待步骤3完成后，另取四组平滑后的监测数据，这四组监测分别为：正常态监测数据、故障态1监测数据、故障态2监测数据以及故障态3监测数据，将这些数据作为测试样本，并分别带入经步骤3训练完成的四个隐马尔可夫模型中，包括有：正常态HMM、故障态1HMM、故障态2HMM以及故障态3HMM，求取似然概率值；

步骤5、经步骤4分别计算出正常态、故障态1、故障态2、故障态3的似然概率之后，通过对比这四个似然概率的大小，最大的那一个似然概率对应的隐马尔可夫模型就是高速列车风管所对应的故障模型，至此，完成对高速列车风管安全状态的诊断，即高速列车风管的故障诊断。

本发明的特点还在于：

步骤1具体按照以下方法实施：

判断采集到的风管压力监测数据X_i(i＝1，2，3，…，n)是否为空缺值，即判断X_i的值是否为空，具体判断标准如下：

若为空即X_i是空缺值，则进行临近插值操作；

若不为空X_i＝m,(m∈N)，即X_i不是空缺值，则继续判断X_i+1是否为空缺值，直至判断到第n个值为止；

依据临近插值在图像处理中的基本思想，在对高速列车内风管压力监测数据的空缺值进行临近插值时，若该点是空缺值点，则将该点临近的数据值点赋给该点。

步骤2具体按照以下方法实施：

经步骤1对监测数据进行插值处理后，根据需要对监测数据进行smooth平滑处理，即yy＝smooth(y)，具体处理方法如下：

利用移动平均滤波器对列向量y进行平滑处理，返回与y等长的列向量yy；移动平均滤波器的默认窗宽为5，yy中元素的计算方法具体如下：

yy(1)＝y(1)；

yy(2)＝(y(1)+y(2)+y(3))/3；

yy(3)＝(y(1)+y(2)+y(3)+y(4)+y(5))/5；

yy(4)＝(y(2)+y(3)+y(4)+y(5)+y(6))/5；

yy(5)＝(y(3)+y(4)+y(5)+y(6)+y(7))/5。

在步骤3中，隐马尔可夫模型中训练模型的建立具体按照以下方法实施：

将高速列车风管安全状态分为四类：分别为：正常态s₀，风管漏风故障s₁，风管阻塞故障s₂，压缩机故障s₃，这四类为HMM模型的状态集合；令o₀、o₁、o₂、o₃分别为正常态所对应的观测序列、风管漏风故障所对应的观测序列、风管阻塞故障所对应的观测序列、压缩机故障对应的观测序列；状态集合与观测序列一一对应；

令a_ij，i，j＝0，1，2，3为状态转移概率矩阵中的元素，该模型能真实的反映高速列车风管安全状态之间的转换，由正常态到故障态的转变不可逆，表明故障是不能自行修复的；

在建立隐马尔可夫模型时，采用四种隐性状态代表高速列车风管的安全状态，分别为：正常态s₀，风管漏风故障s₁，风管阻塞故障s₂，压缩机故障s₃；HMM模型的观测序列是通过预处理之后的采集器采集到的高速列车内风管压力监测数据；初始状态概率分布、初始模型状态转移概率矩阵、初始观察值的概率分布均由MATLAB中的rand函数取得，并且做归一化处理；

选取四组预处理之后的高速列车内风管压力监测数据作为训练样本，通过EM算法对初始HMM模型进行训练；待初始HMM模型训练完成后，得到四种不同的HMM诊断模型，分别为：正常态HMM模型、风管漏风故障HMM模型、风管阻塞故障HMM模型、压缩机故障HMM模型。

步骤4中似然概率值的求取方法具体如下：

经步骤3完成HMM模型的训练，得到四种不同的HMM诊断模型之后，另外选择四组预处理之后的监测数据作为测试样本，并将其分别带入到四种不同的HMM诊断模型中，求取最大似然概率的对数值；

求取得到的最大似然概率的对数值能表现出测试样本与四种不同的HMM诊断模型的拟合程度，lnp(O|λ)越大，最大为0，表明拟合程度越高，也就是测试样本越接近于该HMM诊断模型，即测试样本属于该HMM诊断模型对应的隐性状态；

似然概率的计算主要是通过前向后向算法来实现的：

首先需要定义两个辅助变量：

第一个变量定义为t时状态i和t+1时状态j的概率，

即ζ_t(i,j)＝P(q_t＝i,q_t+1＝j|O,λ)(1)；

式(1)能等价于

利用前向变量和后向变量，式(2)能表示为如下形式：

第二个变量定义为后验概率，也就是在给定观察状态序列和HMM的情况下，t时状态i的概率：

即γ_t(i)＝P(q_t＝i|O,λ) (4)；

利用前向变量和后向变量，式(4)能表示为如下形式：

定义的上述两个变量，即第一个变量与第二个变量之间的关系如下：

隐马尔可夫模型在学习的过程中，不断更新HMM的参数，从而使P(O|λ)最大；

设定初始的HMM参数为λ＝{π,A,B}；

首先计算前向变量α和后向变量β；然后计算期望ξ；最后根据如下所示的三个重估计算法来更新HMM参数，具体算法分别如下：

定义当前的HMM模型为λ＝{π,A,B}，则能利用该模型计算式(7)～式(9)的右端，再定义重新估计的HMM模型为则式(7)～式(9)的左端就是重估的HMM模型参数；迭代计算式(7)～式(9)，由此不断地重新估计HMM的参数，在多次迭代后能得到HMM模型的一个最大似然估计。

本发明的有益效果在于：

(1)本发明基于隐马尔可夫模型的高速列车风管安全状态诊断方法，实现了高速列车风管压力数据的插值处理与平滑处理，通过对高速列车风管压力数据的处理，不仅填充了空缺值点，也使高速列车风管压力数据更为平滑，令后续的操作更为便捷。

(2)本发明基于隐马尔可夫模型的高速列车风管安全状态诊断方法，基于视情维修的思路，通过隐马尔可夫模型实现了对高速列风管隐状态的确定，也为故障诊断提供理论基础。

附图说明

图1是本发明基于隐马尔可夫模型的高速列车风管安全状态诊断方法的流程图；

图2是本发明基于隐马尔可夫模型的高速列车风管安全状态诊断方法中涉及的对监测数据进行临近插值的流程图；

图3是本发明基于隐马尔可夫模型的高速列车风管安全状态诊断方法中涉及的对监测数据进行smooth平滑的流程图；

图4是本发明基于隐马尔可夫模型的高速列车风管安全状态诊断方法中涉及的HMM模型图；

图5是本发明基于隐马尔可夫模型的高速列车风管安全状态诊断方法中HMM模型训练曲线图；

图6是原始高速列车风管压力监测数据示意图；

图7是采用本发明基于隐马尔可夫模型的高速列车风管安全状态诊断方法插值处理高速列车风管压力监测数据示意图；

图8是采用基于隐马尔可夫模型的高速列车风管安全状态诊断方法平滑后高速列车风管压力监测数据示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明基于隐马尔可夫模型的高速列车风管安全状态诊断方法，其流程如图1所示，具体按照以下步骤实施：

步骤1、先利用传感器对高速列车风管压力进行监测数据采集，然后对采集到的高速列车风管压力监测数据进行插值处理，具体按照以下方法实施：

判断采集到的风管压力监测数据X_i(i＝1，2，3，…，n)是否为空缺值，即判断X_i的值是否为空，具体判断标准如下：

若为空即X_i是空缺值，则进行临近插值操作；

若不为空X_i＝m,(m∈N)，即X_i不是空缺值，则继续判断X_i+1是否为空缺值，直至判断到第n个值为止；

依据临近插值在图像处理中的基本思想(对于通过反向变换得到一个浮点坐标，对其进行简单的取整，得到一个整数型坐标，这个整数型坐标对应的像素值就是目的像素的像素值)，在对高速列车内风管压力监测数据的空缺值进行临近插值时，若该点是空缺值点，则将该点临近的数据值点赋给该点。

步骤2、经步骤1后，对插值后的风管压力监测数据进行平滑处理，具体按照以下方法实施：

如图2所示，经步骤1对监测数据进行插值处理后，根据需要对监测数据进行smooth平滑处理，即yy＝smooth(y)，具体处理方法如下：

利用移动平均滤波器对列向量y进行平滑处理，返回与y等长的列向量yy；移动平均滤波器的默认窗宽为5，yy中元素的计算方法具体如下：

yy(1)＝y(1)；

yy(2)＝(y(1)+y(2)+y(3))/3；

yy(3)＝(y(1)+y(2)+y(3)+y(4)+y(5))/5；

yy(4)＝(y(2)+y(3)+y(4)+y(5)+y(6))/5；

yy(5)＝(y(3)+y(4)+y(5)+y(6)+y(7))/5。

步骤3、经步骤2后，取四组平滑后的监测数据，这四组分别为：正常态监测数据、故障态1监测数据、故障态2监测数据以及故障态3监测数据；将取得的四组平滑后的监测数据作为样本数据，再将四组平滑后的监测数据分别带入隐马尔可夫模型中，经训练后得到四种不同的HMM诊断模型，这四种模型分别为：正常态HMM模型、风管漏风故障HMM模型、风管阻塞故障HMM模型、压缩机故障HMM模型；

如图3所示，隐马尔可夫模型中训练模型(HMM模型)的建立具体按照以下方法实施：

将高速列车风管安全状态分为四类，如图4所示，分别为：正常态(s₀)，风管漏风故障(s₁)，风管阻塞故障(s₂)，压缩机故障(s₃)，这四类为HMM模型的状态集合；令o₀、o₁、o₂、o₃分别为正常态所对应的观测序列、风管漏风故障所对应的观测序列、风管阻塞故障所对应的观测序列、压缩机故障对应的观测序列；状态集合与观测序列一一对应；

令a_ij(i，j＝0，1，2，3)为状态转移概率矩阵中的元素，该模型能真实的反映高速列车风管安全状态之间的转换，由正常态到故障态的转变不可逆，表明故障是不能自行修复的；

在建立隐马尔可夫模型时，采用四种隐性状态代表高速列车风管的安全状态，分别为：正常态(s₀)，风管漏风故障(s₁)，风管阻塞故障(s₂)，压缩机故障(s₃)；HMM模型的观测序列是通过预处理之后的采集器采集到的高速列车内风管压力监测数据；初始状态概率分布、初始模型状态转移概率矩阵、初始观察值的概率分布均由MATLAB中的rand函数取得，并且做归一化处理；

如图5所示，选取四组预处理之后的高速列车内风管压力监测数据作为训练样本，通过EM算法对初始HMM模型进行训练；待初始HMM模型训练完成后，得到四种不同的HMM诊断模型，分别为：正常态HMM模型、风管漏风故障HMM模型、风管阻塞故障HMM模型、压缩机故障HMM模型。

步骤4、待步骤3完成后，另取四组平滑后的监测数据(这四组监测数据不同于步骤3中所使用的，插值、平滑之后的监测数据)，这四组监测分别为：正常态监测数据、故障态1监测数据、故障态2监测数据以及故障态3监测数据，将这些数据作为测试样本，并分别带入经步骤3训练完成的四个隐马尔可夫模型中，包括有：正常态HMM、故障态1HMM、故障态2HMM以及故障态3HMM，求取似然概率值；

其中，本步骤中采用的四组平滑后的监测数据与步骤3中的四组平滑后的监测数据有相同点，也有不同点；相同点是均经过步骤1插值，步骤2平滑处理之后的风管压力数据；不同点是数值不一样，比如：有100条风管压力数据，均经过步骤1和步骤2之后，选择50条在步骤3中使用，剩余的50条则在步骤4中使用。

似然概率值的求取方法具体如下：

经步骤3完成HMM模型的训练，得到四种不同的HMM诊断模型之后，另外选择四组预处理之后的监测数据作为测试样本，并将其分别带入到四种不同的HMM诊断模型中，求取最大似然概率的对数值；

求取得到的最大似然概率的对数值能表现出测试样本与四种不同的HMM诊断模型的拟合程度，lnp(O|λ)越大(最大为0)，表明拟合程度越高，也就是测试样本越接近于该HMM诊断模型，即测试样本属于该HMM诊断模型对应的隐性状态(故障类型)；

似然概率的计算主要是通过前向后向算法来实现的：

首先需要定义两个辅助变量：

第一个变量定义为t时状态i和t+1时状态j的概率，

即ζ_t(i,j)＝P(q_t＝i,q_t+1＝j|O,λ) (1)；

式(1)能等价于

利用前向变量和后向变量，式(2)能表示为如下形式：

第二个变量定义为后验概率，也就是在给定观察状态序列和HMM的情况下，t时状态i的概率：

即γ_t(i)＝P(q_t＝i|O,λ) (4)；

利用前向变量和后向变量，式(4)能表示为如下形式：

定义的上述两个变量，即第一个变量与第二个变量之间的关系如下：

隐马尔可夫模型在学习的过程中，不断更新HMM的参数，从而使P(O|λ)最大；

设定初始的HMM参数为λ＝{π,A,B}；

首先计算前向变量α和后向变量β；然后计算期望ξ；最后根据如下所示的三个重估计算法来更新HMM参数，具体算法分别如下：

定义当前的HMM模型为λ＝{π,A,B}，则能利用该模型计算式(7)～式(9)的右端，再定义重新估计的HMM模型为则式(7)～式(9)的左端就是重估的HMM模型参数；迭代计算式(7)～式(9)，由此不断地重新估计HMM的参数，在多次(具体次数跟所选数据有关，不同数据会造成迭代数的不同)迭代后能得到HMM模型的一个最大似然估计。

步骤5、经步骤4分别计算出正常态、故障态1、故障态2、故障态3的似然概率之后，通过对比这四个似然概率的大小，最大的那一个似然概率对应的隐马尔可夫模型就是高速列车风管所对应的故障模型，至此，完成对高速列车风管安全状态的诊断，即高速列车风管的故障诊断。

实施例

取采集到的高速列车风管压力监测数据X_i(i＝1，2，3，…，n)，其中，i为对应的采样时间点，将X_i(i＝1，2，3，…，n)绘制原始高速列车风管压力监测数据示意图，具体如图6所示；由于篇幅限制，在此仅列出部分原始高速列车风管压力监测数据，如表1所示(i＝27)。

表1原始高速列车风管压力监测数据

采样时间点i	1	2	3	4	5	6	7	8	9
										风管压力值kPa	8.4	8.6	8.8	9.0	9.2		9.5	9.7	9.9
采样时间点i	10	11	12	13	14	15	16	17	18
										风管压力值kPa	10.1		9.6	9.3	9.1	8.8	8.6	8.5	8.4
采样时间点i	19	20	21	22	23	24	25	26	27
										风管压力值kPa	8.5	8.7	8.9	9.1		9.5	9.7	9.9	10.1

首先，判断监测数据X_i(i＝1，2，3，…，n)是否为空缺值，也就是判断X_i的值是否为空：

若为空即X_i是空缺值，则进行临近插值操作；

若不为空X_i＝m,(m∈N)，即X_i不是空缺值，则继续判断X_i+1是否为空缺值，直至判断到第n个值为止；

依据临近插值在图像处理中的基本思想(对于通过反向变换得到一个浮点坐标，对其进行简单的取整，得到一个整数型坐标，这个整数型坐标对应的像素值就是目的像素的像素值)，在对高速列车监测数据的空缺值进行临近插值时，若该点是空缺值点则将该点临近的数据值点赋给该点；由表1可以看出：当i＝6、11、23时，高速列车风管压力监测数据为空缺值点，即X₆＝NULL，X₁₁＝NULL，X₂₃＝NULL；因此需要对X₆，X₁₁，X₂₃进行临近插值处理，又因为X₇≠NULL，X₁₂≠NULL，X₂₄≠NULL，故分别将X₇，X₁₂，X₂₄的值赋给X₆，X₁₁，X₂₃，完成插值处理；

完成插值处理后，高速列车风管压力监测数据图如图7所示，完成插值处理后的高速列车风管压力监测数据如表2所示；

表2插值后高速列车风管压力监测数据

对插值后的监测数据进行平滑处理，具体方法如下：

在对监测数据进行插值处理后，根据需要对监测数据进行smooth平滑处理，即yy＝smooth(y)，具体方法如下：

利用移动平均滤波器对列向量y进行平滑处理，返回与y等长的列向量yy。移动平均滤波器的默认窗宽为5，yy中元素的计算方法如下：

yy(1)＝y(1)；

yy(2)＝(y(1)+y(2)+y(3))/3；

yy(3)＝(y(1)+y(2)+y(3)+y(4)+y(5))/5；

yy(4)＝(y(2)+y(3)+y(4)+y(5)+y(6))/5；

yy(5)＝(y(3)+y(4)+y(5)+y(6)+y(7))/5；

使局部变化剧烈的高速列车风管压力监测数据变得较为平滑，令高速列车风管压力数据整体趋势更为明显；

经平滑处理后，高速列车风管压力监测数据图如图8所示，平滑后的高速列车风管压力监测数据具体如表3所示；

表3平滑后高速列车风管压力监测数据

将高速列车风管安全状态分为四类：正常态(s₀)，风管漏风故障(s₁)，风管阻塞故障(s₂)，压缩机故障(s₃)，这些为HMM模型的状态集合；令o₀、o₁、o₂、o₃分别为正常态所对应的观测序列、风管漏风故障所对应的观测序列、风管阻塞故障所对应的观测序列、压缩机故障对应的观测序列，状态集合与观测序列一一对应；

令a_ij(i，j＝0，1，2，3)为状态转移概率矩阵中的元素，该模型能真实的反映高速列车风管安全状态之间的转换，由正常态到故障态的转变不可逆，表明故障是不能自行修复的；

在建立模型时，采用四种隐性状态代表高速列车风管的安全状态，分别为：正常态(s₀)，风管漏风故障(s₁)，风管阻塞故障(s₂)，压缩机故障(s₃)；HMM模型的观测序列是通过预处理之后的采集器采集到的高速列车风管压力数据；初始状态概率分布、初始模型状态转移概率矩阵、初始观察值的概率分布均由MATLAB中的rand函数取得，并且做归一化处理；

即初始概率分布为prior0＝normalise(rand(Q，1))；隐状态转换矩阵transmat0＝mk_stochastic(rand(Q，Q))；隐状态与可观测状态之间的关系矩阵obsmat0＝mk_stochastic(rand(Q，O))，式中，O代表可观测状态，Q代表隐含状态，也就是O代表可以观测到的高速列车风管压力数据序列，Q代表隐含的高速列车风管的四种安全状态(正常态，风管漏风故障态，风管阻塞故障态，压缩机故障态)；

选取四组预处理之后的高速列车风管压力数据作为训练样本，通过EM算法对初始HMM模型进行训练；初始HMM模型训练完成后，得到四种不同的HMM诊断模型，分别为：正常态HMM模型、风管漏风故障HMM模型、风管阻塞故障HMM模型、压缩机故障HMM模型；

通过完成HMM模型的训练，得到四种不同的HMM诊断模型之后，另外选择四组预处理之后的监测数据作为测试样本，将测试样本带入到不同的HMM诊断模型中，求取最大似然概率的对数值，该对数值能够表现出测试样本与四种HMM诊断模型的拟合程度，lnp(O|λ)越大(最大为0)，表明拟合程度越高，也就是测试样本越接近于该HMM诊断模型，即测试样本属于该HMM诊断模型对应的隐性状态(故障类型)；

似然概率的计算主要是通过前向后向算法来实现的，首先需要定义两个辅助变量：

第一个变量定义为t时状态i和t+1时状态j的概率，

即ζ_t(i,j)＝P(q_t＝i,q_t+1＝j|O,λ)，该式等价于如下形式：

利用前向变量和后向变量，则可将上式表示为如下形式：

第二个变量定义为后验概率，也就是在给定观察状态序列和HMM的情况下，t时状态i的概率，即γ_t(i)＝P(q_t＝i|O,λ)；

利用前向变量和后向变量，γ_t(i)＝P(q_t＝i|O,λ)能表示为如下形式：

因此定义的这两个变量之间的关系具体如下：

隐马尔可夫模型在学习的过程中，不断更新HMM的参数，从而使得P(O|λ)最大；

设定初始的HMM参数为λ＝{π,A,B}；

首先计算前向变量α和后向变量β；

然后计算期望ξ；

最后根据如下所示的三个重估计算法来更新HMM参数，具体算法分别如下：

定义当前的HMM模型为{π,A,B}，那么可以利用该模型计算上面三个式子的右端，再定义重新估计的HMM模型为那么上面三个式子的左端就是重估的HMM模型参数；因此迭代的计算上面三个式子，由此不断地重新估计HMM的参数，在多次迭代后可以得到HMM模型的一个最大似然估计；

通过对比似然概率的大小，完成对高速列车风管安全状态的诊断，也就是高速列车风管的故障诊断。

本发明基于隐马尔可夫模型的高速列车风管安全状态诊断的方法，以高速列车风管压力监测数据为基础，首先通过临近插值、smooth平滑处理，然后利用高速列车风管压力监测数据对隐马尔可夫模型进行训练并训练出若干故障模型，下一步将监测数据带入故障模型求取似然概率，最后通过对比似然概率找出当前系统所处的安全状态。本发明基于隐马尔可夫模型的高速列车风管安全状态诊断的方法能有效的反映出高速列车风管的隐状态，进而可以反映出高速列车风管的安全状态，为车辆的异常发现，现场的故障分析、排除，故障前特征判定与预警提供理论支持。

Claims (4)

1.基于隐马尔可夫模型的高速列车风管安全状态诊断的方法，其特征在于，具体按照以下步骤实施：

步骤1、先利用传感器对高速列车风管压力进行监测数据采集，然后对采集到的高速列车风管压力监测数据进行插值处理；

步骤2、经步骤1后，对插值后的风管压力监测数据进行平滑处理；

步骤3、经步骤2后，取四组平滑后的监测数据，这四组分别为：正常态监测数据、故障态1监测数据、故障态2监测数据以及故障态3监测数据；将取得的四组平滑后的监测数据作为样本数据，再将四组平滑后的监测数据分别带入隐马尔可夫模型中，经训练后得到四种不同的HMM诊断模型，这四种模型分别为：正常态HMM模型、风管漏风故障HMM模型、风管阻塞故障HMM模型、压缩机故障HMM模型；

步骤4、待步骤3完成后，另取四组平滑后的监测数据，这四组监测分别为：正常态监测数据、故障态1监测数据、故障态2监测数据以及故障态3监测数据，将这些数据作为测试样本，并分别带入经步骤3训练完成的四个隐马尔可夫模型中，包括有：正常态HMM、故障态1HMM、故障态2HMM以及故障态3HMM，求取似然概率值；

经步骤3完成HMM模型的训练，得到四种不同的HMM诊断模型之后，另外选择四组预处理之后的监测数据作为测试样本，并将其分别带入到四种不同的HMM诊断模型中，求取最大似然概率的对数值；

求取得到的最大似然概率的对数值能表现出测试样本与四种不同的HMM诊断模型的拟合程度，lnp(O|λ)越大，最大为0，表明拟合程度越高，也就是测试样本越接近于该HMM诊断模型，即测试样本属于该HMM诊断模型对应的隐性状态；

似然概率的计算主要是通过前向后向算法来实现的：

首先需要定义两个辅助变量：

第一个变量定义为t时状态i和t+1时状态j的概率，

即ζ_t(i,j)＝P(q_t＝i,q_t+1＝j|O,λ) (1)；

公式1能等价于

利用前向变量和后向变量，公式2能表示为如下形式：

第二个变量定义为后验概率，也就是在给定观察状态序列和HMM的情况下，t时状态i的概率：

即γ_t(i)＝P(q_t＝i|O,λ) (4)；

利用前向变量和后向变量，公式4能表示为如下形式：

定义的上述两个变量，即第一个变量与第二个变量之间的关系如下：

隐马尔可夫模型在学习的过程中，不断更新HMM的参数，从而使P(O|λ)最大；

设定初始的HMM参数为λ＝{π,A,B}；

首先计算前向变量α和后向变量β；然后计算期望ξ；最后根据如下所示的三个重估计算法来更新HMM参数，具体算法分别如下：

定义当前的HMM模型为λ＝{π,A,B}，则能利用该模型计算公式7～公式9的右端，再定义重新估计的HMM模型为则公式7～公式9的左端就是重估的HMM模型参数；迭代计算公式7～公式9，由此不断地重新估计HMM的参数，在多次迭代后能得到HMM模型的一个最大似然估计；

步骤5、经步骤4分别计算出正常态、故障态1、故障态2、故障态3的似然概率之后，通过对比这四个似然概率的大小，最大的那一个似然概率对应的隐马尔可夫模型就是高速列车风管所对应的故障模型，至此，完成对高速列车风管安全状态的诊断，即高速列车风管的故障诊断。

2.根据权利要求1所述的基于隐马尔可夫模型的高速列车风管安全状态诊断的方法，其特征在于，所述步骤1具体按照以下方法实施：

判断采集到的风管压力监测数据X_i(i＝1，2，3，…，n)是否为空缺值，即判断X_i的值是否为空，具体判断标准如下：

若为空即X_i是空缺值，则进行临近插值操作；

若不为空X_i＝m,(m∈N)，即X_i不是空缺值，则继续判断X_i+1是否为空缺值，直至判断到第n个值为止；

依据临近插值在图像处理中的基本思想，在对高速列车内风管压力监测数据的空缺值进行临近插值时，若该点是空缺值点，则将该点临近的数据值点赋给该点。

3.根据权利要求1所述的基于隐马尔可夫模型的高速列车风管安全状态诊断的方法，其特征在于，所述步骤2具体按照以下方法实施：

经步骤1对监测数据进行插值处理后，根据需要对监测数据进行smooth平滑处理，即yy＝smooth(y)，具体处理方法如下：

利用移动平均滤波器对列向量y进行平滑处理，返回与y等长的列向量yy；移动平均滤波器的默认窗宽为5，yy中元素的计算方法具体如下：

yy(1)＝y(1)；

yy(2)＝(y(1)+y(2)+y(3))/3；

yy(3)＝(y(1)+y(2)+y(3)+y(4)+y(5))/5；

yy(4)＝(y(2)+y(3)+y(4)+y(5)+y(6))/5；

yy(5)＝(y(3)+y(4)+y(5)+y(6)+y(7))/5。

4.根据权利要求1所述的基于隐马尔可夫模型的高速列车风管安全状态诊断的方法，其特征在于，在所述步骤3中，隐马尔可夫模型中训练模型的建立具体按照以下方法实施：

将高速列车风管安全状态分为四类：分别为：正常态s₀，风管漏风故障s₁，风管阻塞故障s₂，压缩机故障s₃，这四类为HMM模型的状态集合；令o₀、o₁、o₂、o₃分别为正常态所对应的观测序列、风管漏风故障所对应的观测序列、风管阻塞故障所对应的观测序列、压缩机故障对应的观测序列；状态集合与观测序列一一对应；

令a_ij，i，j＝0，1，2，3为状态转移概率矩阵中的元素，该模型能真实的反映高速列车风管安全状态之间的转换，由正常态到故障态的转变不可逆，表明故障是不能自行修复的；

在建立隐马尔可夫模型时，采用四种隐性状态代表高速列车风管的安全状态，分别为：正常态s₀，风管漏风故障s₁，风管阻塞故障s₂，压缩机故障s₃；HMM模型的观测序列是通过预处理之后的采集器采集到的高速列车内风管压力监测数据；初始状态概率分布、初始模型状态转移概率矩阵、初始观察值的概率分布均由MATLAB中的rand函数取得，并且做归一化处理；

选取四组预处理之后的高速列车内风管压力监测数据作为训练样本，通过EM算法对初始HMM模型进行训练；待初始HMM模型训练完成后，得到四种不同的HMM诊断模型，分别为：正常态HMM模型、风管漏风故障HMM模型、风管阻塞故障HMM模型、压缩机故障HMM模型。