CN107703920A - 基于多元时间序列的列车制动系统的故障检测方法 - Google Patents

Abstract

本发明提供了一种基于多元时间序列的列车制动系统的故障检测方法。该方法包括：采集列车制动系统的故障检测相关的样本数据，建立样本数据的多元时间序列矩阵；利用滑动时间窗口从多元时间序列矩阵中提取出时间序列片段的样本数据，将提取出的时间序列片段的样本数据与异常模式的特征数据进行匹配检测，根据匹配检测的结果获取列车制动系统在时间序列片段中的故障检测结果。本发明的方法从数据分析的角度出发，结合了机器学习和多元时间序列挖掘算法，并提出基于滑动时间窗口进行异常模式匹配的算法，通过模式匹配，可以对已有数据中的故障进行监测和智能诊断，从而可以更准确地发现异常发生的本质原因，对异常进行更好的定位。

Description

基于多元时间序列的列车制动系统的故障检测方法

技术领域

本发明涉及列车故障检测技术领域，尤其涉及一种基于多元时间序列的列车制动系统的故障检测方法。

背景技术

目前，铁路运输的发展方向是重载和高速，即货运发展重载运输，客运发展高速铁路。重载运输是指在先进的铁路技术装备条件下，采用单机、双机或多机牵引的大功率内燃或电力机车，增加货物列车编组辆数，大幅度提高了列车牵引重量的运输方式。目前国内普遍采用具备微机模拟控制、网络通讯等信息化的功能的电控空气制动机的机车。

我国自主研制的新一代电控空气制动机，已广泛应用于神华、朔黄等货运专线的万吨重载组合列车，是列车制动系统的核心控制设备。电空制动机采用微机模拟控制技术，能实现列车自动制动与机车单独制动、空电联合制动、断钩保护、列车充风流量监测、无动力回送、制动重联、列车电控制动、列车速度监控配合等制动基本功能。制动机的安全可靠运行及精确故障诊断，是当前的研究热点问题。

在电控空气制动机中，传感器是机车制动机系统中非常关键的部件，制动系统通过传感器采集关键部件压力或流量信息掌握机车制动机状态信息，监控机车运行及利用状态信息实现对制动系统的闭环控制。由于机车中的传感器长期运行在各种恶劣环境下，加上外部干扰影响，导致传感器发生故障。包括传感器失效、漂移两种常见的故障。传感器漂移是指传感器转换比例关系不再是固定的，会缓慢地出现偏差且难以发现其微小变化，使得显示屏显示的采集压力、流量值与制动机部件实际值不符，从而导致制动机发出错误的制动指令，存在很大的安全隐患；传感器完全失效意味着传感器被损坏，传感器输出电流或电压为0，不能实时获得机车的各种状态信息。使用合适的仪器故障检测和识别技术可以防止故障传感器造成的性能下降、中途停车、甚至发生重大事故等不良后果。

由于制动机中的数据处理软件落后和故障检测技术落后，对于故障只能通过机车日志进行间接分析，鉴于制动机系统在重载列车安全运行中的重要性，国内外铁路部门和研究人员均对制动机系统的监控和故障诊断技术进行了大量的研究。

根据诊断方法的不同原理，对制动机系统的故障诊断可分为基于解析模型、基于知识、基于数据驱动的方法。

上述现有的对制动机系统的故障诊断方法的缺点为：

现有的解析模型法建立在精确数学模型的基础上采用参数估计、观测器的设计和等价关系法对系统进行监控，该方法对模型精度的依赖性较强，无法应用于同步制动系统这类数学模型和信号流模型无法精确描述的场景。

现有的基于知识法应用于监控对象的过程经验知识较为完备的场合，使用定性的模型来获得过程监控的指标，通过模糊推理方法、模式识别方法、定性观测器、知识观测器、定性仿真和神经元网络方法进行故障诊断，但是该方法对于经验知识并不完备的监控对象，无法设立精确的模型来对其进行监控。

现有的数据驱动法进行故障监测时，忽略了传感器监测值变化的时序性和动态性，只考虑了待监测变量之间的相关性，关注点在于每一个时刻的监测值是否超出正常的阈值，而没有在一段时间范围内整体观测数据的动态变化趋势，忽略了前后时刻之间的关联性，由于制动系统的故障存在关联性和复杂性，这样在进行故障监测时，如果只根据某一时刻的异常观测值很难对故障进行准确定位的。

发明内容

本发明的实施例提供了一种基于多元时间序列的列车制动系统的故障检测方法，以实现对列车制动系统进行有效的故障检测。

为了实现上述目的，本发明采取了如下技术方案。

一种基于多元时间序列的列车制动系统的故障检测方法，通过对列车制动系统出现过的历史异常情况进行综合分析，归纳各个异常的故障特点和数据特征，构建异常模式，所示方法具体包括：

采集列车制动系统的故障检测相关的样本数据，建立所述样本数据的多元时间序列矩阵；

利用滑动时间窗口从所述多元时间序列矩阵中提取出时间序列片段的样本数据，将提取出的时间序列片段的样本数据与所述异常模式的特征数据进行匹配检测，根据所述匹配检测的结果获取所述列车制动系统在所述时间序列片段中的故障检测结果。

进一步地，所述的通过对列车制动系统出现过的历史异常情况进行综合分析，归纳各个异常的故障特点和数据特征，构建异常模式，包括：

通过对列车制动系统出现过的历史异常情况进行综合分析，归纳各个异常的故障特点和数据特征，构建多个异常模式，每个异常模式包含一个或者多个诱导变量，所述诱导变量为影响列车制动系统的运作状态的属性变量，每个异常模式所包含的诱导变量具有时序特性，所述时序特性是指诱导变量在时间序列中前后时刻的数据之间有着牵连关系，不同异常模式之间具有不同的诱导变量的时序特性；

所述异常模式中的所有属性变量在时间序列上的属性数据构成了所述异常模式的特征数据。

进一步地，所述的采集列车制动系统的故障检测相关的样本数据，包括：

通过传感器采集列车制动系统的故障检测相关的运行数据，对所述运行数据中的缺失值进行填充，将所述运行数据中的字符类型的变量进行数字编码，将所述运行数据中的数值型的数据进行归一化处理，得到预处理后的运行数据；

根据影响列车制动系统的运作状态的各个属性变量通过特征提取方法对所述预处理后的运行数据进行特征数据提取，将提取出来的特征数据作为列车制动系统的故障检测相关的样本数据。

进一步地，所述的建立所述样本数据的多元时间序列矩阵，包括：

提取所述样本数据中包含的所有影响列车制动系统的运作状态的属性变量，以及每个属性变量对应的运行数据，根据所有属性变量对应的运行数据建立多元时间序列矩阵，所述多元时间序列矩阵为二维矩阵，所述多元时间序列矩阵中的各个列分别代表不同的属性变量，所述多元时间序列矩阵中的各个行分别代表不同的时间戳，所述多元时间序列矩阵中的元素代表行序号对应的时间戳上的列序号对应的属性变量的运行数据。

进一步地，所述的利用滑动时间窗口从所述多元时间序列矩阵中提取出时间序列片段的样本数据，将提取出的时间序列片段的样本数据与所述异常模式的特征数据进行匹配检测，根据所述匹配检测的结果获取所述列车制动系统在所述时间序列片段中的故障检测结果，包括：

设置用于故障检测的滑动时间窗口，所述滑动时间窗口的属性包括观测的起始时间start_t、观测的结束时间end_t、观测的时间长度length、观测的属性范围width和滑动步长step，所述width的值等于要检测的多元时间序列矩阵中的列所代表的属性变量的数目，所述时间长度length等于结束时间end_t减去所述起始时间start_t，所述滑动步长step为下一次检测时，窗口需要在所述时间序列矩阵中向前平移的时间间隔Δt；

设定故障检测的时间范围为[t₁,t_m]，将所述滑动时间窗口的起始时间start_t设置为t₁，根据所述滑动时间窗口的起始时间start_t、时间长度length和属性范围width从所述多元时间序列矩阵中提取出当前滑动时间窗口对应的时间序列片段的样本数据；

分别计算出所述当前滑动时间窗口对应的时间序列片段的样本数据与每个异常模式的特征数据之间的相似度值，所述相似度值根据加权的一维向量的欧氏距离得到，判断所述相似度值是否大于限定的相似度阈值，如果当前滑动时间窗口对应的时间序列片段与某个异常模式对应的相似度值大于限定的相似度阈值，则判断所述当前滑动时间窗口对应的时间序列片段的样本数据出现异常情况，异常模式为所述某个异常模式；如果当前滑动时间窗口对应的时间序列片段与所有异常模式对应的相似度值都不大于限定的相似度阈值，则判断所述当前滑动时间窗口对应的时间序列片段的样本数据没有出现异常情况；

将所述滑动时间窗口的时间向前滑动step，更新start_t:＝start_t+step，end_t:＝end_t+step后，再次提取出当前滑动时间窗口对应的时间序列片段的样本数据，按照上述处理过程再次判断当前滑动时间窗口对应的时间序列片段的样本数据是否出现异常情况，依次类推，直到滑动时间窗口的达到所述故障检测的时间范围的终点，即end_t>t_m，则本次列车故障检测结束。

进一步地，所述的分别计算出所述当前滑动时间窗口对应的时间序列片段的样本数据与每个异常模式的特征数据之间的相似度值，所述相似度值根据加权的一维向量的欧氏距离得到，包括：

设当前滑动时间窗口对应的时间序列片段的样本数据为X,某一异常模式对应的特征数据为Y，经过多元时间序列的数学抽象后，X、Y均为m行p列的二维矩阵形式，m代表所含的时间戳的个数，n代表所含属性列的个数。

X与Y的相似度匹配公式如下：

其中，x_i,j和y_i,j分别代表样本数据X和某一异常模式的特征数据Y的第i行的第j列的数据值，w_j代表每个属性的权重。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例的基于多元时间序列的列车制动系统的故障检测方法从数据分析的角度出发，结合了机器学习和多元时间序列挖掘算法，并提出基于滑动时间窗口进行异常模式匹配的算法，通过模式匹配，可以对已有数据中的故障进行监测和智能诊断，从而可以更准确地发现异常发生的本质原因，对异常进行更好的定位。

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为本发明实施例提供的一种基于多元时间序列的列车制动系统的故障检测方法的处理流程图；

图2为本发明实施例提供的一种多元时间序列在数学上表示为一个二维矩阵的示意图；

图3为本发明实施例提供的一种数据预处理和特征提取的示意图；

图4为本发明实施例提供的一种异常模式的数据分布独特性示意图；

图5为本发明实施例提供的一种图4a中的异常模式1的时序性示意图；

图6为本发明实施例提供的一种图4b中的异常模式2的时序性示意图；

图7为本发明实施例提供的一种基于滑动时间窗口的异常诊断算法的流程图。

具体实施方式

下面详细描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。下面通过参考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、组件和/或它们的组。应该理解，当本发明实施例称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

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。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

本发明实施例通过对制动系统的大样本数据进行分析，采用统计、及聚类、模式匹配等机器学习方法进行对制动系统的异常进行学习，并进而对制动系统进行异常诊断。

当前，由于电空制动系统的工作模式和部件较多，内部结构复杂多变且具有密切的数据交互和耦合关系，容易引起故障并发、故障传播和故障连锁反应等问题，采用现有的专家知识法、解析模型法等常见的故障检测方法，难以有效的达到故障诊断的目的。而目前各大站段采用的故障修、预防修和状态修仅能缓解目前对制动机进行性能维护和安全性保障的压力，再加上拆卸安装费事耗力，检修过程繁杂冗长，直接导致检修时间过长，为列车安全运行埋下了安全隐患。为此，亟切需要研究智能化的机车制动机的故障诊断方法，针对制动机这一典型复杂的多因素多变量多层次混合系统，需要建立一个能够对制动系统故障进行有效检测的监测模型，这对确保制动机运行可靠性，增强机车安全，具有重要的现实意义和社会价值。

本发明实施例提供的一种基于多元时间序列的列车制动系统的故障检测方法的处理流程如图1所示，包括如下的处理步骤：

步骤1、数据预处理和特征提取，主要作用是对列车制动系统中的BCU(BrakeControl Unit，制动控制单元)采集的运行数据进行噪声处理、缺失值处理、特征转换以及特征提取等操作，得到列车制动系统的故障检测的样本数据。

步骤2、异常模式分析，通过对列车制动系统出现过的历史异常情况进行综合分析，归纳各个异常的故障特点和数据特征，构建多个异常模式。每个异常模式包含一个或者多个诱导变量，所述诱导变量为影响列车制动系统的运作状态的属性变量，每个异常模式所包含的诱导变量具有时序特性，所述时序特性是指诱导变量在时间序列中前后时刻的数据之间有着牵连关系，不同异常模式之间具有不同的诱导变量的时序特性。

所述异常模式中的所有属性变量在时间序列上的属性数据构成了异常模式的特征数据。

步骤3、滑动时间窗口异常诊断，这是本发明实施例的核心部分。提取所述样本数据中包含的所有影响列车制动系统的运作状态的属性变量，以及每个属性变量对应的运行数据，根据所有属性变量对应的数据建立MTS(multivariate time series，多元时间序列)，所述多元时间序列矩阵为二维矩阵，所述多元时间序列矩阵中的各个列分别代表不同的属性变量，所述多元时间序列矩阵中的各个行分别代表不同的时间戳，所述多元时间序列矩阵中的元素代表行序号对应的时间戳上的列序号对应的属性变量的运行数据。然后，通过设计基于滑动时间窗口的多元时间序列的异常模式匹配算法，对样本数据进行异常模式诊断。

4.2相关参数定义

定义一：多元时间序列的数学表示

多元时间序列在数学上可以表示为一个二维矩阵，如图2所示。在一个MTS矩阵中，本发明实施例给每行和每列都进行了标注，它们的含义如下：

(1)列标号v_j，它代表不同的属性变量，在进行制动系统故障诊断时，这些属性可以是列车管风压、均衡风缸压力值、总风缸风压值等传感器监测的指标；

(2)行标号t_i，它代表当前时刻系统的时间戳。一般采集数据时都是等时间间隔采样，即相邻的两个时刻t_i和t_i+1都是距离相同时间差Δt；

这样，在MTS矩阵中，每一行的含义是：在时刻t_i，全部属性变量v_j(j＝1,2,……,p)的实际观测值，而每一列则可以看作是一个单变量的时间序列。因此，从整体上看，一个二维矩阵就是一个多元(变量)的时间序列MTS的数学表示。

本发明实施例中的数据集便是上面所描述的多元时间序列形式，数据的列变量的个数是30(交流车)和17(直流车)，代表与制动系统相关的监测变量。由于数据是流式数据，因此，多元时间序列的行数是无限长的，但为了便于存储和处理，通常都是将流式的MTS分片存储，在本发明实施例采用的数据中，直流车BCU数据是以每100个时刻的采样值为片段存储，交流车BCU数据则是以每30个时刻的采样值为片段存储。

定义二：滑动时间窗口wind

在本发明实施例中，异常诊断模块的核心思想是设计一个基于滑动时间窗口的异常匹配算法。定义滑动时间窗口wind,它是一个随时间增长不断滑动的二维矩形窗口，有以下五个基本属性：

观测的起始时间：start_t

观测的结束时间：end_t

观测的时间长度：length，length＝end_t–start_t

观测的属性范围：width,width的值等于要检测的多元时间序列矩阵中的列所代表的属性变量的数目，一般width等于定义一中MTS的属性变量数目，即对MTS的全部变量都进行监测。

滑动步长：step,为下一次检测时，窗口需要在所述时间序列矩阵中向前平移的时间间隔Δt，当滑动时间窗口wind对所监测范围内的数据进行模式诊断后，立即滑动step个时间间隔Δt，即wind下一次观测的时间范围是[start_t+step,end_t+step]，观测的属性变量保持不变，整体效果是在时间轴上整体观测区域向前平移step个时间间隔。

4.3方案描述

模块一：数据预处理和特征提取

本发明实施例提供的一种数据预处理和特征提取的示意图如图3所示，通常情况下，传感器采集到的数据会存在一定的缺失值，并且包含着数值型、字符型等多种数据类型，原始数据的这些特点不便于本发明实施例对数据的整体特征进行直观的分析，也不利于后续对数据建模分析。因此，BCU首先需要对数据进行一次预处理，将缺失值进行填充，将字符类型的变量进行数字编码，将数值型的数据进行归一化处理等等。

在数据预处理完成后，下一步的操作是特征工程。特征工程就是分析各种特征对解决问题的重要性并选出最具有代表性的特征，通过特征工程对数据降维，可以减少滑动时间窗口观测的属性变量数目，在进行时时故障诊断时，降低了计算时间开销，从而更快的对异常进行响应。

特征提取的主要方法有小波变换、PCA特征提取、K-L变换等等。通过对BCU预处理后的数据进行特征提取，本发明实施例发现重要的特征主要有列车管风压值、均衡风缸压力值、目标值、大闸小闸状态、流量计值等，通过提取到的这些特征，去除了一些无关变量对结果的影响，降低了计算复杂度，对后续提升诊断模型的精度和响应速度有重要的作用。

模块二：异常模式分析

通过对历史上出现的各种异常情况进行汇总分析，发现不同原因导致的异常，它的数据分布呈现了不同的特征，本发明实施例称这种与每种异常类型密切相关的特征为异常模式，不同异常类型的异常模式都具有对应的数据分布独特性。

假设出现了一个异常情况，通过后台对BCU制动系统所监测的数据流进行数据分析，本发明实施例截取一个时间序列片段，其中数据分布符合这类异常类型的异常模式对应的数据分布独特性，本发明实施例将这个时间序列片段抽象为数学中的二维矩阵来描述，图4为本发明实施例提供的一种异常模式的数据分布独特性示意图。通过对多种异常模式所呈现的数据分布进行分析，本发明实施例发现，异常模式存在以下特性：

异常模式的多变量特性

不同异常发生的诱导因素不尽相同，在图4a中，异常模式1的诱导因素是监测变量v₁和v_j，在t₂到t_i时刻，v₁和v_j的数据出现问题导致异常模式1发生。而在图4b中，异常模式2的诱导因素是监测变量v₂和v_p,在t_i到t_m时刻，由于它们出现问题导致异常模式2发生。

通过对所有的异常模式进行分析发现：不同异常模式的诱导变量数目和种类都不同，而且这些诱导因素之间存在着一定的相关关系，这就是异常模式的多变量特性。

对异常模式的数据进行分析后发现，不同异常模式之间呈现着不同的时序特征。时序特性是时间序列的基础特性，它是指时间序列中前后时刻的数据之间有着明显的牵连关系，常见的有周期性，线性等时序特征。图4a中的异常模式1的时序性如图5所示，图4b中的异常模式1的时序性如图6所示。

图5和图6所示的折线图可以清晰地展现时间序列的时序特性，如图5所示，异常模式1在t₂-t_i的时间范围内，v₁和v_j呈现周期性上下震荡的规律，很明显v₁和v_j具有明显的相关性；异常模式2在t₁-t_m的是时间范围内，v₂呈现周期性的波动情况，每隔一定时间，v₂的观测值都会下降，然后回归正常值，而v_p则呈现不断下降的趋势。通过对异常模式1和异常模式2两个异常模式的分析发现，不同的异常模式不仅与不同的检测变量相关，同时还有着明显的时序特征。

模块三：基于滑动时间窗口的异常诊断

假设已知的异常模式有k个，通过前面的分析，本发明实施例知道，每种异常模式exp_mode_i都有不同的多变量相关性和时序特性，为了充分利用已知异常模式的诊断经验，本发明实施例设计基于滑动时间窗口的异常诊断算法对已有异常模式进行匹配和发现，设定故障检测的时间范围为[t₁,t_m]，将所述滑动时间窗口的起始时间start_t设置为t₁，根据所述滑动时间窗口的起始时间start_t、时间长度length和属性范围width从所述多元时间序列矩阵中提取出当前滑动时间窗口对应的时间序列片段的样本数据；

分别计算出所述当前滑动时间窗口对应的时间序列片段的样本数据与每个异常模式的特征数据之间的相似度值，所述相似度值根据加权的一维向量的欧氏距离得到，具体计算过程如下：

设当前滑动时间窗口对应的时间序列片段的样本数据为X,某一异常模式对应的特征数据为Y，经过多元时间序列的数学抽象后，X、Y均为m行p列的二维矩阵形式，m代表所含的时间戳的个数，n代表所含属性列的个数。

X与Y的相似度匹配公式如下：

其中，x_i,j和y_i,j分别代表样本数据X和某一异常模式的特征数据Y的第i行的第j列的数据值，w_j代表每个属性的权重。

判断所述相似度值是否大于限定的相似度阈值，如果当前滑动时间窗口对应的时间序列片段的样本数据与某个异常模式对应的相似度值大于限定的相似度阈值，则判断所述当前滑动时间窗口对应的时间序列片段的样本数据出现异常情况，异常模式为所述某个异常模式；如果当前滑动时间窗口对应的时间序列片段的样本数据与所有异常模式对应的相似度值都不大于限定的相似度阈值，则判断所述当前滑动时间窗口对应的时间序列片段的样本数据没有出现异常情况；

将所述滑动时间窗口的时间向前滑动step，更新start_t:＝start_t+step，end_t:＝end_t+step后，再次提取出当前滑动时间窗口对应的时间序列片段的样本数据，按照上述处理过程再次判断当前滑动时间窗口对应的时间序列片段的样本数据是否出现异常情况，依次类推，直到滑动时间窗口的达到所述故障检测的时间范围的终点，即end_t>t_m，则本次列车故障检测结束。

本发明实施例提供的一种基于滑动时间窗口的异常诊断算法的流程图如图7所示，该流程图的描述如下：

(1)首先，将制动系统中监测的多元时间序列MTS传入异常诊断系统，其中，MTS为时间流数据，假设一次诊断任务中需要检测的时间范围为[t₁,t_m]。

(2)经过前期对异常模式的汇总分析，提取出k个异常模式。

(3)设立一个观测窗口wind，观测的时间范围为[start_t,end_t]。

(4)对于每个异常模式exp_mode_i:匹配时间窗口wind内的BCU数据片段与异常模式exp_mode_i的相似度similarity，多元时间序列相似度的衡量可以根据加权的一维向量的欧氏距离得到。

(5)判断相似度similarity是否大于限定的相似度阈值Sim_thrd。如果similarity>＝Sim_thrd，则认为滑动时间窗口在该时刻观测的MTS片段表现出异常模式exception_mode_i的数据特征，并输出诊断结果：[start_t,end_t]范围内出现异常情况，异常模式为exception_mode_i；否则，则认为不会出现异常模式exception_mode_i，进入(6)。

(6)窗口wind继续向下滑动，更新start_t:＝start_t+step，end_t:＝end_t+step

(7)判断观测窗口是否已达到终点，如果end_t>t_m，则结束；否则，转入(3)，滑动时间窗口对下一段观测数据MTS进行异常诊断。

综上所述，本发明实施例的基于多元时间序列的列车制动系统的故障检测方法从数据分析的角度出发，结合了机器学习和多元时间序列挖掘算法，并提出基于滑动时间窗口进行异常模式匹配的算法，通过模式匹配，可以对已有数据中的故障进行监测和智能诊断。本发明实施例充分考虑了数据的时序性特征，考虑了数据各分量的上下文相关性。同时重点关注故障发生的时序模式，从而可以更准确地发现异常发生的本质原因，对异常进行更好的定位。

本发明实施例不仅可以对已有的故障进行监测并给出建议，还要解决对制动机系统的经验知识不足的情况下发现新的异常模式，从而使异常样本数据库不断丰富，使整个保障体系不断完善和健全。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于多元时间序列的列车制动系统的故障检测方法，其特征在于，通过对列车制动系统出现过的历史异常情况进行综合分析，归纳各个异常的故障特点和数据特征，构建异常模式，所示方法具体包括：

采集列车制动系统的故障检测相关的样本数据，建立所述样本数据的多元时间序列矩阵；

利用滑动时间窗口从所述多元时间序列矩阵中提取出时间序列片段的样本数据，将提取出的时间序列片段的样本数据与所述异常模式的特征数据进行匹配检测，根据所述匹配检测的结果获取所述列车制动系统在所述时间序列片段中的故障检测结果。

2.根据权利要求1所述的方法，其特征在于，所述的通过对列车制动系统出现过的历史异常情况进行综合分析，归纳各个异常的故障特点和数据特征，构建异常模式，包括：

通过对列车制动系统出现过的历史异常情况进行综合分析，归纳各个异常的故障特点和数据特征，构建多个异常模式，每个异常模式包含一个或者多个诱导变量，所述诱导变量为影响列车制动系统的运作状态的属性变量，每个异常模式所包含的诱导变量具有时序特性，所述时序特性是指诱导变量在时间序列中前后时刻的数据之间有着牵连关系，不同异常模式之间具有不同的诱导变量的时序特性；

所述异常模式中的所有属性变量在时间序列上的属性数据构成了所述异常模式的特征数据。

3.根据权利要求1或2所述的方法，其特征在于，所述的采集列车制动系统的故障检测相关的样本数据，包括：

通过传感器采集列车制动系统的故障检测相关的运行数据，对所述运行数据中的缺失值进行填充，将所述运行数据中的字符类型的变量进行数字编码，将所述运行数据中的数值型的数据进行归一化处理，得到预处理后的运行数据；

根据影响列车制动系统的运作状态的各个属性变量通过特征提取方法对所述预处理后的运行数据进行特征数据提取，将提取出来的特征数据作为列车制动系统的故障检测相关的样本数据。

4.根据权利要求3所述的方法，其特征在于，所述的建立所述样本数据的多元时间序列矩阵，包括：

提取所述样本数据中包含的所有影响列车制动系统的运作状态的属性变量，以及每个属性变量对应的运行数据，根据所有属性变量对应的运行数据建立多元时间序列矩阵，所述多元时间序列矩阵为二维矩阵，所述多元时间序列矩阵中的各个列分别代表不同的属性变量，所述多元时间序列矩阵中的各个行分别代表不同的时间戳，所述多元时间序列矩阵中的元素代表行序号对应的时间戳上的列序号对应的属性变量的运行数据。

5.根据权利要求4所述的方法，其特征在于，所述的利用滑动时间窗口从所述多元时间序列矩阵中提取出时间序列片段的样本数据，将提取出的时间序列片段的样本数据与所述异常模式的特征数据进行匹配检测，根据所述匹配检测的结果获取所述列车制动系统在所述时间序列片段中的故障检测结果，包括：

设置用于故障检测的滑动时间窗口，所述滑动时间窗口的属性包括观测的起始时间start_t、观测的结束时间end_t、观测的时间长度length、观测的属性范围width和滑动步长step，所述width的值等于要检测的多元时间序列矩阵中的列所代表的属性变量的数目，所述时间长度length等于结束时间end_t减去所述起始时间start_t，所述滑动步长step为下一次检测时，窗口需要在所述时间序列矩阵中向前平移的时间间隔Δt；

设定故障检测的时间范围为[t₁,t_m]，将所述滑动时间窗口的起始时间start_t设置为t₁，根据所述滑动时间窗口的起始时间start_t、时间长度length和属性范围width从所述多元时间序列矩阵中提取出当前滑动时间窗口对应的时间序列片段的样本数据；

分别计算出所述当前滑动时间窗口对应的时间序列片段的样本数据与每个异常模式的特征数据之间的相似度值，所述相似度值根据加权的一维向量的欧氏距离得到，判断所述相似度值是否大于限定的相似度阈值，如果当前滑动时间窗口对应的时间序列片段与某个异常模式对应的相似度值大于限定的相似度阈值，则判断所述当前滑动时间窗口对应的时间序列片段的样本数据出现异常情况，异常模式为所述某个异常模式；如果当前滑动时间窗口对应的时间序列片段与所有异常模式对应的相似度值都不大于限定的相似度阈值，则判断所述当前滑动时间窗口对应的时间序列片段的样本数据没有出现异常情况；

将所述滑动时间窗口的时间向前滑动step，更新start_t:＝start_t+step，end_t:＝end_t+step后，再次提取出当前滑动时间窗口对应的时间序列片段的样本数据，按照上述处理过程再次判断当前滑动时间窗口对应的时间序列片段的样本数据是否出现异常情况，依次类推，直到滑动时间窗口的达到所述故障检测的时间范围的终点，即end_t>t_m，则本次列车故障检测结束。

6.根据权利要求5所述的方法，其特征在于，所述的分别计算出所述当前滑动时间窗口对应的时间序列片段的样本数据与每个异常模式的特征数据之间的相似度值，所述相似度值根据加权的一维向量的欧氏距离得到，包括：

设当前滑动时间窗口对应的时间序列片段的样本数据为X,某一异常模式对应的特征数据为Y，经过多元时间序列的数学抽象后，X、Y均为m行p列的二维矩阵形式，m代表所含的时间戳的个数，n代表所含属性列的个数。

X与Y的相似度匹配公式如下：

<mrow> <mi>s</mi> <mi>i</mi> <mi>m</mi> <mrow> <mo>(</mo> <mi>X</mi> <mo>,</mo> <mi>Y</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>w</mi> <mi>j</mi> </msub> <msqrt> <mrow> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow>

其中，x_i,j和y_i,j分别代表样本数据X和某一异常模式的特征数据Y的第i行的第j列的数据值，w_j代表每个属性的权重。