CN106932144B - 基于朴素贝叶斯的轮对残余动不平衡量评估方法及装置 - Google Patents
基于朴素贝叶斯的轮对残余动不平衡量评估方法及装置 Download PDFInfo
- Publication number
- CN106932144B CN106932144B CN201710195267.4A CN201710195267A CN106932144B CN 106932144 B CN106932144 B CN 106932144B CN 201710195267 A CN201710195267 A CN 201710195267A CN 106932144 B CN106932144 B CN 106932144B
- Authority
- CN
- China
- Prior art keywords
- cross
- vehicle
- value
- wheel
- operation data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 52
- 230000001133 acceleration Effects 0.000 claims description 30
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000032683 aging Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000009987 spinning Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 239000002585 base Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003483 aging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003637 basic solution Substances 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012360 testing method 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
- G01M1/00—Testing static or dynamic balance of machines or structures
- G01M1/14—Determining imbalance
- G01M1/16—Determining imbalance by oscillating or rotating the body to be tested
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于朴素贝叶斯的轮对残余动不平衡量评估方法及装置，该方法包括：获取目标车辆的交路运行数据，并分别计算各目标车辆交路运行数据的特征值，得到一训练样本集；从目标车辆的检修数据中获取各目标车辆的轮对残余动不平衡量；根据预设的动不平衡量类别集合、所述目标车辆的轮对残余动不平衡量及所述训练样本集进行贝叶斯分类器训练，得到目标车辆的轮对残余动不平衡量评估模型；根据待评估车辆的交路运行数据计算待评估车辆交路运行数据的特征值；根据所述待评估车辆的交路运行数据的特征值及所述轮对残余动不平衡量评估模型，确定待评估车辆的轮对残余动不平衡量所属的类别。利用本发明，可在不拆卸轮对的情况下得到轮对的状态。
Description
技术领域
本发明涉及车辆检测技术领域，尤其涉及一种基于朴素贝叶斯的轮对残余动不平衡量评估方法及装置。
背景技术
在机械加工过程中，由于材料分布不均匀，加工毛坯上的缺陷，以及加工误差、装配误差和设计误差等自身制造原因，或运用过程中的冲击、腐蚀、磨损等因素，都可能会使轮对质心偏移。质心偏移的轮对转动时，在惯性的影响下必定产生离心力，造成轮对不平衡故障。
不平衡量，即是反应轮对质心偏移程度的物理量，其计算方法为不平衡质量与其质心到轴线距离的乘积，单位为g·m。不平衡量越大，表示轮对质心偏移越严重。
轮对不平衡故障的存在，将导致轮对在运动过程中产生横向和垂向振动。客车运行速度越高，振动越剧烈，轮轨接触点分布及接触角度不断发生变化，从而导致轮缘磨耗增大，加速踏面剥离及其他零部件的老化，增加运营维护成本，严重时可能造成油压减振器漏油或轴箱弹簧折断等故障，使车辆运行品质恶化，给列车运营带来安全隐患。
为保证车辆具有良好的运行平稳性、安全性，以及旅客乘坐的舒适性，对于高速客车轮对，在出厂或段修时都会对轮对进行动平衡测试及校正。将轮对进行动平衡测试及校正后的剩余不平衡量，称为轮对残余动不平衡量。《铁路客车轮轴组装检修及管理规则》中规定运行速度小于60km/h的轮对，残余动不平衡量应不大于75g·m；运行速度为160km/h的轮对，残余动不平衡量应不大于50g·m。
轮对在出厂、段修或厂修时均会进行动平衡测试及校正，保证了新造或新旋修轮对的残余动不平衡量满足指标要求。但轮对在运用过程中的残余动不平衡量是未知的，且真正影响运营安全的也是运用过程中的轮对。
轮对在运用过程中，由于长期受力、冲击、腐蚀、磨损等也会使轮对残余动不平衡量不断累积，残余动不平衡量过大，会加剧车辆振动，使轮轨接触点分布及接触角度发生变化，从而导致轮缘磨耗增大，并加速踏面剥离及其他部件老化，对行车安全带来严重影响，因此，及时了解每个轮对的残余动不平衡量显得尤为重要。
发明内容
为解决上述技术问题，本发明实施例提供了一种基于朴素贝叶斯的轮对残余动不平衡量评估方法及装置。
本发明实施例一方面提供了一种基于朴素贝叶斯的轮对残余动不平衡量评估方法方法，该方法包括：
获取目标车辆的交路运行数据，并分别计算各目标车辆交路运行数据的特征值a1,a2,…，am，得到一训练样本集A，A＝{a1,a2,…，am}，m为目标车辆的数量；
从所述目标车辆的检修数据中获取各目标车辆的轮对残余动不平衡量；
根据预设的动不平衡量类别集合C＝{y1，y2,…，yn}、所述目标车辆的轮对残余动不平衡量及所述训练样本集A进行贝叶斯分类器训练，得到目标车辆的轮对残余动不平衡量评估模型，其中，y1，y2,…，yn为预设的动不平衡量类别，n为不小于2的整数；
根据待评估车辆的交路运行数据计算待评估车辆交路运行数据的特征值；
根据所述待评估车辆的交路运行数据的特征值及所述轮对残余动不平衡量评估模型，确定待评估车辆的轮对残余动不平衡量所属的类别；
其中，所述交路运行数据为车体横向振动加速度、车体垂向振动加速度、构架横向振动加速度及构架垂向振动加速度中的一种。
本发明实施例另一方面还提供了一种基于朴素贝叶斯的轮对残余动不平衡量评估装置，该装置包括：
交路数据获取单元，用于获取目标车辆的交路运行数据；
训练样本集生成单元，用于计算各目标车辆交路运行数据的特征值a1,a2,…，am，得到一训练样本集A，A＝{a1,a2,…，am}，m为目标车辆的数量；
动不平衡量获取单元，用于从所述目标车辆的检修数据中获取各目标车辆的轮对残余动不平衡量；
模型训练单元，用于根据预设的动不平衡量类别集合C＝{y1，y2,…，yn}、所述目标车辆的轮对残余动不平衡量及所述训练样本集A进行贝叶斯分类器训练，得到目标车辆的轮对残余动不平衡量评估模型，其中，y1，y2,…，yn为预设的动不平衡量类别，n为不小于2的整数；
待评估信息计算单元，用于根据待评估车辆的交路运行数据计算待评估车辆交路运行数据的特征值；
动不平衡量评估模块，用于根据所述待评估车辆的交路运行数据的特征值及所述轮对残余动不平衡量评估模型，确定待评估车辆的轮对残余动不平衡量所属的类别；
其中，所述交路运行数据为车体横向振动加速度、车体垂向振动加速度、构架横向振动加速度及构架垂向振动加速度中的一种。
利用本发明实施例提供的方法，可以通过对列车的交路运行数据进行训练得到基于朴素贝叶斯的轮对残余动不平衡量评估模型，根据待评估列车的交路运行数据，对入库列车所有轮对的残余动不平衡量进行评估，针对性指导库检作业，排除安全隐患，保障铁路运行安全。
本发明实施例提供的基于朴素贝叶斯的轮对残余动不平衡量评估方法，可在不拆卸轮对的情况下，及时掌握列车所有轮对的残余动不平衡量信息，指导库检人员及时更换残余动不平衡量偏大的轮对，避免剧烈振动导致的轮缘磨耗及其他零部件的老化，降低运营维护成本，提升列车运行品质。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本发明实施例基于朴素贝叶斯的轮对残余动不平衡量评估方法的流程图；
图2为本发明实施例训练贝叶斯分类器的流程示意图；
图3为本发明实施例利用训练样本集中的特征值在四种类别下的条件概率进行曲线拟合得到的概率分布曲线；
图4为本发明实施基于朴素贝叶斯的轮对残余动不平衡量评估方法的原理图；
图5为本发明实施例686244车的轮对动平衡试验数据结果；
图6为本发明实施例686244车的朴素贝叶斯模型的诊断结果；
图7为本发明实施例基于朴素贝叶斯的轮对残余动不平衡量评估装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
贝叶斯分类是将概率统计应用于复杂领域进行不确定性推理和数据分析的重要工具。作为一种基于概率的不确定性推理方法，贝叶斯分类已在医疗诊断、统计决策、专家系统等方面得到了重要的应用，充分体现了贝叶斯分类在系统模式识别领域的优势。贝叶斯定理解决了现实生活里经常遇到的问题：已知某条件概率，如何得到两个事件交换后的概率，也就是在已知P(A|B)的情况下求P(B|A)：
上述的条件概率是指：在事件B已经发生的前提下，事件A发生的概率，叫做事件B发生下事件A的条件概率。其基本求解公式为：
贝叶斯定理之所以重要，是因为人们经常在生活中经常遇到这种情况：P(A|B)可以很容易直接得出，但很难直接得出P(B|A)。比如在TCDS系统(客车运行安全监控系统)中，所监测的走行部振动数据事实上是转向架的一个相应，也就是公式中的A，而转向架本身的物理属性其实是公式中的B，利用贝叶斯定理就可以在已知P(A|B)的条件下获得P(B|A)。
如果再对转向架的物理状态作进一步细化，引起特定速度区间振动异常的最直接因素是轮对的动平衡残余量过大。因此，对列车转向架的轮对动平衡残余量进行贝叶斯分类的研究，可以反推出列车的轮对状态。
图1为本发明实施例提供的基于朴素贝叶斯的轮对残余动不平衡量评估方法的流程，如图1所示，该评估方法主要包括以下步骤：
步骤S1、获取目标车辆的交路运行数据，并分别计算各目标车辆交路运行数据的特征值a1,a2,…，am，得到一训练样本集A，A＝{a1,a2,…，am}，m为目标车辆的数量。
通常的，目标车辆通常指同一类型的车辆。本发明实施例所用的特征值为交路运行数据的均方根值。
步骤S2、从所述目标车辆的检修数据中获取各目标车辆的轮对残余动不平衡量。
步骤S3、根据预设的动不平衡量类别集合C＝{y1，y2,…，yn}、所述目标车辆的轮对残余动不平衡量及所述训练样本集A进行贝叶斯分类器训练，得到目标车辆的轮对残余动不平衡量评估模型。
类别集合中的y1，y2,…，yn为预设的动不平衡量类别，其中，n为不小于2的整数。通常地，对车辆轮对残余动不平衡量没有强制检修标准，例如，根据目前既有的对25T型车SW-220K型转向架的检修经验，初步将轮对动平衡残余量分为4个类别区间，即y1＝[0,50)、y2＝[50-75)、y3＝[75-100)、y4＝[100,+inf)(单位为g·m)。其中，y1区间是《中国铁路总公司铁路客车段修规程》中对段修车辆轮对旋轮的出厂合格标准，即认为动平衡残余量处于y1区间的轮对状态较为良好；动平衡残余量处于y2区间的车辆绝大多数为检修后各部件正常消耗或磨损的车辆，即认为轮对状态正常；而动平衡残余量处于y3、y4区间的轮对普遍存在各部件状态过度消耗或磨损等状况，甚至出现轮对擦伤、踏面剥离等较严重故障，因此认为轮对需要进行拆解检修。
步骤S4、根据待评估车辆的交路运行数据计算待评估车辆交路运行数据的特征值。其中，待评估车辆的类型与目标车辆的类型相同。
步骤S5、根据所述待评估车辆的交路运行数据的特征值及所述轮对残余动不平衡量评估模型，确定待评估车辆的轮对残余动不平衡量所属的类别。
根据朴素贝叶斯分类的定义，结合TCDS转向架监测子系统以及车辆转向架本身现状，对于每辆车来说：训练样本集A即为每个交路的TCDS转向架数据，其中的每个a为各目标车辆的交路运行数据的特征值。a通常为某一交路运行数据中的某一种属性参数，例如目标车辆在北京至济南这一交路上的构架垂向振动加速度。在本发明实施例中，交路运行数据包括车体横向振动加速度、车体垂向振动加速度、构架横向振动加速度及构架垂向振动加速度中，可以任意选取一种振动加速度展开分析，并发明并不限定。
利用本发明实施例提供的方法，可以通过对列车的交路运行数据进行训练得到基于朴素贝叶斯的轮对残余动不平衡量评估模型，根据待评估列车的交路运行数据，对入库列车所有轮对的残余动不平衡量进行评估，针对性指导库检作业，排除安全隐患，保障铁路运行安全。
本发明实施例提供的基于朴素贝叶斯的轮对残余动不平衡量评估方法，可在不拆卸轮对的情况下，及时掌握列车所有轮对的残余动不平衡量信息，指导库检人员及时更换残余动不平衡量偏大的轮对，避免剧烈振动导致的轮缘磨耗及其他零部件的老化，降低运营维护成本，提升列车运行品质。
步骤S1是准备工作阶段，这个阶段的任务是为朴素贝叶斯分类做必要的准备，主要工作是对各目标车辆的交路运行数据进行特征提取，以及特征值的计算，该步骤的完成质量对整个方法流程有重要影响。
在一实施例中，利用步骤S1获取的目标车辆的交路运行数据，是从目标车辆的历史运行数据中筛选出来的。目标车辆的历史运行数据中可能包含列车上其他传感器传输的数据，例如风速、温度等，因此，需要从历史运行数据中筛选出交路运行数据，例如车体横向振动加速度、车体垂向振动加速度、构架横向振动加速度、构架垂向振动加速度等。但是，筛选出的交路运行数据可能存在毛刺数据或故障数据，因此，本发明实施例通常还会根据预设的合法数值区间，对所述目标车辆的交路运行数据进行清洗，剔除毛刺数据及故障数据，得到合法的交路运行数据。合法数值区间通常为根据经验获取的，当交路运行数据明显偏离该区间时，可以剔除该数据。
步骤S3是离线训练阶段，这个阶段的任务就是生成分类器，主要工作是统计每个类别在训练样本集中的出现频率及每个特征值对每个类别的条件概率估计，并将结果记录下来。
在一实施例中，利用步骤S3获取目标车辆的轮对残余动不平衡量评估模型时，可以按照图2所示步骤来训练分类器：
步骤S31、根据预设的动不平衡量类别对所述目标车辆的轮对残余动不平衡量进行分类，得到各类别中所包含的残余动不平衡量对应的车辆占总目标车辆的概率P(y1)，P(y2)，…，P(yn)。
例如，目标车辆的数量为100辆，这100辆车的轮对残余动不平衡量分别为b1,b2,…，b100，如果b1,b2,…，b100中有20个量落在y1类别中(即落在[0,50)内)，有30个量落在y2类别中(即落在[50-75)内)，有40个量落在y3类别中(即落在[75-100)内)，剩余10个量落在y4类别中(即落在[100,+inf)内)，那么各类别中所包含的残余动不平衡量对应的车辆占总目标车辆的概率分别为：P(y1)＝0.2，P(y2)＝0.3，P(y3)＝0.4，P(y4)＝0.1。
步骤S32、统计得到在各预设的动不平衡量类别下所述训练样本集中各特征值的条件概率估计：P(a1|y1),…,P(am|y1)；P(a1|y2),…,P(am|y2)；…；P(a1|yn),…,P(am|yn)。
为了获取对应的转向架轮对状态信息，可以通过记录目标车辆的检修数据的方式获得。其中，由于临修及段修规程中未对待拆解转向架的轮对在旋轮前有动平衡试验要求，因此可以获取目标车辆的轮对旋轮前的状态数据，即根据检修记录获取目标车辆的轮对在检修之前的残余动不平衡量及状态(例如，轮对是良好状态还是需要维修)。
步骤S33、对各预设的动不平衡量类别下所述训练样本集中各特征值的条件概率估计分别进行曲线拟合，得到各类别下连续变量的条件概率密度分布函数P(X|y1)，P(X|y2)，…，P(X|yn)，其中X为曲线拟合后的连续的特征值集合。
由于步骤S22中求取的是离散的特征值在各类别下的条件概率，如果待评估车辆的交路运行数据的特征值与目标车辆的交路运行数据的特征值不同，那么可能无法正确估计待评估车辆的轮对状态，因此需要根据步骤S22中得到的P(a1|y1),…,P(am|y1)；P(a1|y2),…,P(am|y2)；…；P(a1|yn),…,P(am|yn)进行数据拟合，得到各类别下连续变量的条件概率密度分布函数P(X|y1)，P(X|y2)，…，P(X|yn)。图3是当预设的动不平衡量类别分为4种时，利用训练样本集A中的特征值在各类别下的条件概率进行曲线拟合得到的概率分布曲线，横轴表示特征值的大小，纵轴表示各特征值在各类别下的条件概率。
步骤S34、根据贝叶斯公式及所述各类别中所包含的残余动不平衡量对应的车辆占总目标车辆的概率P(y1)，P(y2)，…，P(yn)，以及各类别下连续变量的条件概率密度分布函数P(X|y1)，P(X|y2)，…，P(X|yn)，分别计算训练样本集在各类别条件下的条件概率P(y1|X)，P(y2|X)，…，P(yn|X)，即得目标车辆的轮对残余动不平衡量评估模型。
具体实施时，可以根据已求结果，通过计算得到至此，贝叶斯等式右边的所有元素都已经确定，可以根据贝叶斯定理计算得到P(y1|X),P(y2|X),…,P(yn|X)，即，朴素贝叶斯模型训练完毕。
在得到目标车辆的轮对残余动不平衡量评估模型后，可以利用步骤S5对与目标车辆同样类型的待评估车辆进行残余动不平衡量进行评估。具体实施时，分别求取所述待评估车辆的交路运行数据的特征值在各类别下的条件概率P(y1|x)，P(y2|x)，…，P(yn|x)，x为待评估车辆的交路运行数据的特征值，然后获取所述条件概率P(y1|x),P(y2|x),…,P(yn|x)中的最大值P(yk|x)，k∈[1,n]，根据最小错误概率分类决策，判定待评估车辆的交路运行数据的特征值属于类别yk。
在一实施例中，计算待评估车辆的交路运行数据的特征值之前，为了使该特征值更为准确，本发明实施例通常还会根据预设的合法数值区间，对待评估车辆的交路运行数据进行清洗，剔除毛刺数据及故障数据，得到合法的交路运行数据。其中，该预设的合法数值区间可以根据经验获得。
本发明实施例基于朴素贝叶斯的轮对残余动不平衡量评估方法的原理大体如图4所示。
下面根据训练好的朴素贝叶斯模型进行轮对状态评估验证。选取Z105-Z106A组686244车作为待评估车辆，该车于2016年6月21日在济南车辆段进行临修，临修时工作人员对转向架进行了拆解，拆解试验结果如图5所示，轮对的残余动不平衡量的类别区间属于y4。选取该车6月14日至6月17日的二端TCDS数据作为特征样本集的数据源。将该车当天(2016年6月28日)的构架垂向振动加速度的特征值x导入训练好的朴素贝叶斯模型中，计算P(y1|x),P(y2|x),P(y3|x),P(y4|x)，这里的y1～y4沿用前述的区间，即y1＝[0,50)、y2＝[50-75)、y3＝[75-100)、y4＝[100,+inf)，计算结果如图6所示。其中，图中第2～5列为车辆686244的轮对状态属于y1,y2,y3,y4区间的概率，由结果可见：P(y1|x)＝0.008％、P(y2|x)＝0.002％、P(y3|x)＝34.60％、P(y4|x)＝65.30％，根据最小错误概率分类决策，即对轮对状态的评估结果与实际吻合，证明了轮对残余动不平衡量评估模型的准确性。
基于与图1所示基于朴素贝叶斯的轮对残余动不平衡量评估方法相同的发明构思，本发明实施例还提供了一种基于朴素贝叶斯的轮对残余动不平衡量评估装置，具体如下面实施例所述。由于该装置解决问题的原理与图1中轮对残余动不平衡量评估方法相似，因此该装置的实施可以参见图1的轮对残余动不平衡量评估方法的实施，重复之处不再赘述。
在另一实施例中，本发明还提供了一种基于朴素贝叶斯的轮对残余动不平衡量评估装置，其结构如图7所示，该装置包括：交路数据获取单元1、训练样本集生成单元2、动不平衡量获取单元3、模型训练单元4、待评估信息计算单元5及动不平衡量评估单元6。
交路数据获取单元1，用于获取目标车辆的交路运行数据。
训练样本集生成单元2，用于计算各目标车辆交路运行数据的特征值a1,a2,…，am，得到一训练样本集A，A＝{a1,a2,…，am}，m为目标车辆的数量。其中，该特征值通常指均方根值。
动不平衡量获取单元3，用于从所述目标车辆的检修数据中获取各目标车辆的轮对残余动不平衡量。
模型训练单元4，用于根据预设的动不平衡量类别集合C＝{y1，y2,…，yn}、所述目标车辆的轮对残余动不平衡量及所述训练样本集A进行贝叶斯分类器训练，得到目标车辆的轮对残余动不平衡量评估模型，其中，y1，y2,…，yn为预设的动不平衡量类别，n为不小于2的整数。
待评估信息计算单元5，用于根据待评估车辆的交路运行数据计算待评估车辆交路运行数据的特征值。
动不平衡量评估单元6，用于根据所述待评估车辆的交路运行数据的特征值及所述轮对残余动不平衡量评估模型，确定待评估车辆的轮对残余动不平衡量所属的类别。其中，所述交路运行数据为车体横向振动加速度、车体垂向振动加速度、构架横向振动加速度及构架垂向振动加速度中的一种。
在一实施例中，上述的模型训练单元4包括两个统计模块、一个曲线拟合模块和一个评估模型获取模块。其中，一个统计模块用于预设的动不平衡量类别对所述目标车辆的轮对残余动不平衡量进行分类，得到各类别中所包含的残余动不平衡量对应的车辆占总目标车辆的概率P(y1)，P(y2)，…，P(yn)；另一个统计模块用于统计得到在各预设的动不平衡量类别下所述训练样本集中各特征值的条件概率估计：P(a1|y1),…,P(am|y1)；P(a1|y2),…,P(am|y2)；…；P(a1|yn),…,P(am|yn)；曲线拟合模块用于对各预设的动不平衡量类别下所述训练样本集中各特征值的条件概率估计分别进行曲线拟合，得到各类别下连续变量的条件概率密度分布函数P(X|y1)，P(X|y2)，…，P(X|yn)，其中X为曲线拟合后的连续的特征值集合；评估模型获取模块，用于根据贝叶斯公式及所述各类别中所包含的残余动不平衡量对应的车辆占总目标车辆的概率P(y1)，P(y2)，…，P(yn)，以及各类别下连续变量的条件概率密度分布函数P(X|y1)，P(X|y2)，…，P(X|yn)，分别计算训练样本集在各类别条件下的条件概率P(y1|X)，P(y2|X)，…，P(yn|X)，即得目标车辆的轮对残余动不平衡量评估模型。
在一实施例中，上述的动不平衡量评估单元6包括一条件概率计算模块和一判断模块。其中，条件概率计算模块用于分别求取所述待评估车辆的交路运行数据的特征值在各类别下的条件概率P(y1|x)，P(y2|x)，…，P(yn|x)，x为待评估车辆的交路运行数据的特征值；判定模块用于获取所述条件概率P(y1|x),P(y2|x),…,P(yn|x)中的最大值P(yk|x)，k∈[1,n]，判定待评估车辆的交路运行数据的特征值属于类别yk。
在一实施例中，上述的交路运行数据获取单元1包括一数据筛选模块和一数据清洗模块，其中，数据筛选模块用于从目标车辆的历史运行数据中从筛选出所述目标车辆的交路运行数据；数据清洗模块用于根据预设的合法数值区间，对所述目标车辆的交路运行数据进行清洗，剔除毛刺数据及故障数据，得到合法的交路运行数据。
在一实施例中，在利用待评估信息计算单元5计算待评估车辆的交路运行数据的特征值之前，交路运行数据获取单元1还用于根据预设的合法数值区间，对待评估车辆的交路运行数据进行清洗，剔除毛刺数据及故障数据，得到合法的交路运行数据。
利用本发明实施例提供的方法及装置，可以通过对列车的交路运行数据进行训练得到基于朴素贝叶斯的轮对残余动不平衡量评估模型，根据待评估列车的交路运行数据，对入库列车所有轮对的残余动不平衡量进行评估，针对性指导库检作业，排除安全隐患，保障铁路运行安全。
本发明实施例提供的基于朴素贝叶斯的轮对残余动不平衡量评估方法及装置，可在不拆卸轮对的情况下，及时掌握列车所有轮对的残余动不平衡量信息，指导库检人员及时更换残余动不平衡量偏大的轮对，避免剧烈振动导致的轮缘磨耗及其他零部件的老化，降低运营维护成本，提升列车运行品质。
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、系统、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(系统)、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，使得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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于朴素贝叶斯的轮对残余动不平衡量评估方法，其特征在于，所述方法包括：
获取目标车辆的交路运行数据，并分别计算各目标车辆交路运行数据的特征值a 1,a 2,…，a m ，得到一训练样本集A，A={a 1,a 2,…，a m }，m为目标车辆的数量；
从所述目标车辆的检修数据中获取各目标车辆的轮对残余动不平衡量；
根据预设的动不平衡量类别集合C={y 1，y 2, …，y n }、所述目标车辆的轮对残余动不平衡量及所述训练样本集A进行贝叶斯分类器训练，得到目标车辆的轮对残余动不平衡量评估模型，其中，y 1，y 2, …，y n 为预设的动不平衡量类别，n为不小于2的整数；
所述根据预设的动不平衡量类别集合C={y 1，y 2, …，y n }、所述目标车辆的轮对残余动不平衡量及所述训练样本集A进行贝叶斯分类器训练，得到目标车辆的轮对残余动不平衡量评估模型，包括：
根据预设的动不平衡量类别对所述目标车辆的轮对残余动不平衡量进行分类，得到各类别中所包含的残余动不平衡量对应的车辆占总目标车辆的概率P(y 1)，P(y 2)，…，P(y n)；
统计得到在各预设的动不平衡量类别下所述训练样本集中各特征值的条件概率估计：P(a 1|y1),…,P(a m |y1)；P(a 1|y2),…, P(a m |y2)；…；P(a 1|y n ),…,P(a m |y n )；
对各预设的动不平衡量类别下所述训练样本集中各特征值的条件概率估计分别进行曲线拟合，得到各类别下连续变量的条件概率密度分布函数P(X|y1)，P(X|y2)，…，P(X|y n )，其中X为曲线拟合后的连续的特征值集合；
根据贝叶斯公式及所述各类别中所包含的残余动不平衡量对应的车辆占总目标车辆的概率P(y 1)，P(y 2)，…，P(y n)，以及各类别下连续变量的条件概率密度分布函数P(X|y1)，P(X|y2)，…，P(X|y n )，分别计算训练样本集在各类别条件下的条件概率P(y 1| X)，P(y 2|X)，…，P(y n |X) ，即得目标车辆的轮对残余动不平衡量评估模型；
根据待评估车辆的交路运行数据计算待评估车辆交路运行数据的特征值；
根据所述待评估车辆的交路运行数据的特征值及所述轮对残余动不平衡量评估模型，确定待评估车辆的轮对残余动不平衡量所属的类别；
其中，所述交路运行数据为车体横向振动加速度、车体垂向振动加速度、构架横向振动加速度及构架垂向振动加速度中的一种；
其中，在计算待评估车辆的交路运行数据的特征值之前，所述方法还包括：
根据预设的合法数值区间，对待评估车辆的交路运行数据进行清洗，剔除毛刺数据及故障数据，得到合法的交路运行数据。
2.根据权利要求1所述的方法，其特征在于，根据所述待评估车辆的交路运行数据的特征值及所述轮对残余动不平衡量评估模型，确定待评估车辆的轮对残余动不平衡量所在的类别，包括：
分别求取所述待评估车辆的交路运行数据的特征值在各类别下的条件概率P(y 1| x)，P(y 2| x)，…，P(y n |x)，x为待评估车辆的交路运行数据的特征值；
获取所述条件概率P(y 1|x),P(y 2|x),…,P(y n |x)中的最大值P(y k |x)，k∈[1,n]，判定待评估车辆的交路运行数据的特征值属于类别y k 。
3.根据权利要求1所述的方法，其特征在于，所述获取目标车辆的交路运行数据，包括：
从目标车辆的历史运行数据中筛选出所述目标车辆的交路运行数据；
根据预设的合法数值区间，对所述目标车辆的交路运行数据进行清洗，剔除毛刺数据及故障数据，得到合法的交路运行数据。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述特征值为均方根值。
5.一种基于朴素贝叶斯的轮对残余动不平衡量评估装置，其特征在于，所述装置包括：
交路数据获取单元，用于获取目标车辆的交路运行数据；
训练样本集生成单元，用于计算各目标车辆交路运行数据的特征值a 1,a 2,…，a m ，得到一训练样本集A，A={a 1,a 2,…，a m }，m为目标车辆的数量；
动不平衡量获取单元，用于从所述目标车辆的检修数据中获取各目标车辆的轮对残余动不平衡量；
模型训练单元，用于根据预设的动不平衡量类别集合C={y 1，y 2, …，y n }、所述目标车辆的轮对残余动不平衡量及所述训练样本集A进行贝叶斯分类器训练，得到目标车辆的轮对残余动不平衡量评估模型，其中，y 1，y 2, …，y n 为预设的动不平衡量类别，n为不小于2的整数；
所述模型训练单元包括：
第一统计模块，用于根据预设的动不平衡量类别对所述目标车辆的轮对残余动不平衡量进行分类，得到各类别中所包含的残余动不平衡量对应的车辆占总目标车辆的概率P(y 1)，P(y 2)，…，P(y n)；
第二统计模块，用于统计得到在各预设的动不平衡量类别下所述训练样本集中各特征值的条件概率估计：P(a 1|y1),…,P(a m |y1)；P(a 1|y2),…, P(a m |y2)；…；P(a 1|y n ),…,P(a m |y n )；
曲线拟合模块，用于对各预设的动不平衡量类别下所述训练样本集中各特征值的条件概率估计分别进行曲线拟合，得到各类别下连续变量的条件概率密度分布函数P(X|y1)，P(X|y2)，…，P(X|y n )，其中X为曲线拟合后的连续的特征值集合；
评估模型获取模块，用于根据贝叶斯公式及所述各类别中所包含的残余动不平衡量对应的车辆占总目标车辆的概率P(y 1)，P(y 2)，…，P(y n)，以及各类别下连续变量的条件概率密度分布函数P(X|y1)，P(X|y2)，…，P(X|y n )，分别计算训练样本集在各类别条件下的条件概率P(y 1| X)，P(y 2| X)，…，P(y n |X) ，即得目标车辆的轮对残余动不平衡量评估模型；
待评估信息计算单元，用于根据待评估车辆的交路运行数据计算待评估车辆交路运行数据的特征值；
动不平衡量评估单元，用于根据所述待评估车辆的交路运行数据的特征值及所述轮对残余动不平衡量评估模型，确定待评估车辆的轮对残余动不平衡量所属的类别；
其中，所述交路运行数据为车体横向振动加速度、车体垂向振动加速度、构架横向振动加速度及构架垂向振动加速度中的一种。
6.根据权利要求5所述的装置，其特征在于，所述动不平衡量评估单元包括：
条件概率计算模块，用于分别求取所述待评估车辆的交路运行数据的特征值在各类别下的条件概率P(y 1| x)，P(y 2| x)，…，P(y n |x)，x为待评估车辆的交路运行数据的特征值；
判定模块，用于获取所述条件概率P(y 1|x),P(y 2|x),…,P(y n |x)中的最大值P(y k |x)，k∈[1,n]，判定待评估车辆的交路运行数据的特征值属于类别y k 。
7.根据权利要求5所述的装置，其特征在于，所述交路运行数据获取单元，包括：
数据筛选模块，用于从目标车辆的历史运行数据中从筛选出所述目标车辆的交路运行数据；
数据清洗模块，用于根据预设的合法数值区间，对所述目标车辆的交路运行数据进行清洗，剔除毛刺数据及故障数据，得到合法的交路运行数据。
8.根据权利要求7所述的装置，其特征在于，在利用所述待评估信息计算单元计算待评估车辆的交路运行数据的特征值之前，所述交路运行数据获取单元还用于根据预设的合法数值区间，对待评估车辆的交路运行数据进行清洗，剔除毛刺数据及故障数据，得到合法的交路运行数据。
9.根据权利要求5-8任一项所述的装置，其特征在于，所述特征值为均方根值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710195267.4A CN106932144B (zh) | 2017-03-29 | 2017-03-29 | 基于朴素贝叶斯的轮对残余动不平衡量评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710195267.4A CN106932144B (zh) | 2017-03-29 | 2017-03-29 | 基于朴素贝叶斯的轮对残余动不平衡量评估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106932144A CN106932144A (zh) | 2017-07-07 |
| CN106932144B true CN106932144B (zh) | 2019-05-07 |
Family
ID=59426166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710195267.4A Active CN106932144B (zh) | 2017-03-29 | 2017-03-29 | 基于朴素贝叶斯的轮对残余动不平衡量评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106932144B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108584592B (zh) * | 2018-05-11 | 2019-10-11 | 浙江工业大学 | 一种基于时间序列预测模型的电梯轿厢振动异常预警方法 |
| CN112100497B (zh) * | 2020-09-14 | 2021-10-19 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法、装置、电子设备及可读存储介质 |
| CN116858427B (zh) * | 2023-09-04 | 2023-11-21 | 山东中亚轮胎试验场有限公司 | 一种车辆轮胎动平衡检测工作台 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1256059A (en) * | 1969-03-21 | 1971-12-08 | F A S E P Fabbrica Apparecchi | Improvements in and relating to methods and apparatus for determining the centre of gravity of rotatable bodies |
| CN1843822A (zh) * | 2006-04-30 | 2006-10-11 | 西安英卓电子科技有限公司 | 列车轮对动态检测系统及检测方法 |
| CN101694701A (zh) * | 2009-10-23 | 2010-04-14 | 上海师范大学 | 用于动平衡检测系统中通道补偿的神经网络建模方法 |
| CN102706572A (zh) * | 2012-06-25 | 2012-10-03 | 北京海冬青机电设备有限公司 | 列车轮对故障诊断与康复中心 |
| CN104535323A (zh) * | 2015-01-12 | 2015-04-22 | 石家庄铁道大学 | 一种基于角域-时域-频域的机车轮对轴承故障诊断方法 |
| CN105501250A (zh) * | 2015-11-25 | 2016-04-20 | 广西大学 | 基于车载检测装置的列车轮对踏面擦伤故障诊断方法 |
-
2017
- 2017-03-29 CN CN201710195267.4A patent/CN106932144B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1256059A (en) * | 1969-03-21 | 1971-12-08 | F A S E P Fabbrica Apparecchi | Improvements in and relating to methods and apparatus for determining the centre of gravity of rotatable bodies |
| CN1843822A (zh) * | 2006-04-30 | 2006-10-11 | 西安英卓电子科技有限公司 | 列车轮对动态检测系统及检测方法 |
| CN101694701A (zh) * | 2009-10-23 | 2010-04-14 | 上海师范大学 | 用于动平衡检测系统中通道补偿的神经网络建模方法 |
| CN102706572A (zh) * | 2012-06-25 | 2012-10-03 | 北京海冬青机电设备有限公司 | 列车轮对故障诊断与康复中心 |
| CN104535323A (zh) * | 2015-01-12 | 2015-04-22 | 石家庄铁道大学 | 一种基于角域-时域-频域的机车轮对轴承故障诊断方法 |
| CN105501250A (zh) * | 2015-11-25 | 2016-04-20 | 广西大学 | 基于车载检测装置的列车轮对踏面擦伤故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于同一转向架历史对比与同一列车横向对比的转向架状态监测;戴津 等;《铁道机车车辆》;20100430;第30卷(第2期);第26-29页 |
| 基于小波包和贝叶斯分类的机车走行部滚动轴承故障诊断研究;陈二恒 等;《铁道科学与工程学报》;20150630;第12卷(第3期);"基于小波包和贝叶斯分类的机车走行部滚动轴承故障诊断研究"，陈二恒 等，《铁道科学与工程学报》，第12卷第3期，第636-641页，2015年6月 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106932144A (zh) | 2017-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106932144B (zh) | 基于朴素贝叶斯的轮对残余动不平衡量评估方法及装置 | |
| CN110222437B (zh) | 列车车列健康状态的评估方法、装置及存储介质 | |
| CN103617110B (zh) | 服务器设备状态检修系统 | |
| WO2016029590A1 (zh) | 一种城轨列车转向架的故障预测与视情维修方法 | |
| CN112131678B (zh) | 一种铁路钢轨打磨廓形设计方法 | |
| CN110222436B (zh) | 列车零部件健康状态的评估方法、装置及存储介质 | |
| CN108267312B (zh) | 一种基于快速搜索算法的地铁列车轴承智能诊断方法 | |
| Ma et al. | A prediction method based on stepwise regression analysis for train axle temperature | |
| RU2696412C2 (ru) | Диагностика состояния колес рельсового транспортного средства | |
| Braga et al. | Multivariate statistical aggregation and dimensionality reduction techniques to improve monitoring and maintenance in railways: The wheelset component | |
| CN110203249B (zh) | 列车修程的处理方法、装置及存储介质 | |
| CN113776760B (zh) | 基于整轴振动分析的列车轮对失圆故障监测方法和系统 | |
| CN112991577A (zh) | 一种轨道车辆车轮多边形状态诊断系统 | |
| CN103674582B (zh) | 铁道车辆转向架运动稳定性判断方法及装置 | |
| CN115545101A (zh) | 一种基于残差神经网络的高速列车转向架故障诊断方法 | |
| Alfi et al. | Condition monitoring of suspension components in railway bogies | |
| CN111444574A (zh) | 基于动力学分析的传感器布局优化方法 | |
| CN114117687A (zh) | 一种轮对关键部件寿命预测模型构建、预测方法及系统 | |
| CN109145508A (zh) | 高速轮轨型面匹配状态的综合评价方法 | |
| CN113159342A (zh) | 一种基于模糊综合评判的地铁信号系统维修方法 | |
| RU2502572C2 (ru) | Способ классификации дефектов и выполнения шлифования прокатных валков | |
| Asplund et al. | Assessment of the data quality of wayside wheel profile measurements. | |
| CN108229253A (zh) | 一种轨道交通转轴碰磨故障的冲击诊断方法 | |
| Nugraha et al. | Detection of railroad anomalies using machine learning approach | |
| Müller et al. | Definition of wheel maintenance measures for reducing ground vibration |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100081 Beijing city Haidian District Daliushu Road No. 2 Co-patentee after: BEIJING ZONGHENG ELECTRO-MECHANICAL TECHNOLOGY Co.,Ltd. Patentee after: CHINA ACADEMY OF RAILWAY SCIENCES Corp.,Ltd. Co-patentee after: LOCOMOTIVE & CAR RESEARCH INSTITUTE OF CHINA ACADEMY OF RAILWAY SCIENCES Corp.,Ltd. Address before: 100081 Beijing city Haidian District Daliushu Road No. 2 Co-patentee before: BEIJING ZONGHENG ELECTROMECHANICAL TECHNOLOGY DEVELOPMENT Co.,Ltd. Patentee before: China Academy of Railway Sciences Co-patentee before: CHINA ACADEMY OF RAILWAY SCIENCES LOCOMOTIVE & CAR Research Institute |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20191204 Address after: 100081 Beijing city Haidian District Daliushu Road No. 2 Co-patentee after: BEIJING ZONGHENG ELECTRO-MECHANICAL TECHNOLOGY Co.,Ltd. Patentee after: CHINA ACADEMY OF RAILWAY SCIENCES Corp.,Ltd. Co-patentee after: LOCOMOTIVE & CAR RESEARCH INSTITUTE OF CHINA ACADEMY OF RAILWAY SCIENCES Corp.,Ltd. Co-patentee after: TIEKE ASPECT (TIANJIN) TECHNOLOGY DEVELOPMENT Co.,Ltd. Address before: 100081 Beijing city Haidian District Daliushu Road No. 2 Co-patentee before: BEIJING ZONGHENG ELECTRO-MECHANICAL TECHNOLOGY Co.,Ltd. Patentee before: CHINA ACADEMY OF RAILWAY SCIENCES Corp.,Ltd. Co-patentee before: LOCOMOTIVE & CAR RESEARCH INSTITUTE OF CHINA ACADEMY OF RAILWAY SCIENCES Corp.,Ltd. |