CN107832173A - 一种基于工况检测的城市轨道交通车辆实时故障诊断方法 - Google Patents
一种基于工况检测的城市轨道交通车辆实时故障诊断方法 Download PDFInfo
- Publication number
- CN107832173A CN107832173A CN201711063962.1A CN201711063962A CN107832173A CN 107832173 A CN107832173 A CN 107832173A CN 201711063962 A CN201711063962 A CN 201711063962A CN 107832173 A CN107832173 A CN 107832173A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- working condition
- similarity
- real
- time
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2252—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using fault dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于工况检测的城市轨道交通车辆实时故障诊断方法,建立各工况特征字符序列库,以工况分类的故障诊断知识库;采集、获取车辆实时数据;根据基于时间序列的相似度计算公式,计算实时数据序列和工况特征字符序列的相似度,确定车辆数据的工况索引,根据诊断知识库索引,故障诊断知识库分类诊断故障,获得诊断结果。本发明大大减少了车辆实时的海量数据与故障诊断知识库中知识匹配的数量,提高了诊断系统的执行速度和故障判断的准确率,实现了城市轨道交通车辆的实时故障诊断。
Description
技术领域
本发明涉及一种基于工况检测的城市轨道交通车辆实时故障诊断方法,属于城市轨道交通车辆实时故障诊断技术领域。
背景技术
城市轨道交通车辆包括牵引、辅助、制动、门控、空调等子系统,各个子系统内部各组件的逻辑关系、子系统之间的逻辑关系以及系统内部各组件的状态组成了车辆的故障诊断知识库。因此一个车辆的故障诊断知识库的数量非常庞大,采集的数据输入到诊断系统以后需要一一判断的知识也非常庞大。另外,车辆故障诊断系统每天都面临着百兆字节的采集数据大量地涌入,如若采用传统的车辆故障诊断机制,当采集模块获得车辆总线数据后,通过解析提取出数据帧中的车辆实时状态信号数据,然后将其发送至诊断系统进行故障诊断。由于无法定位采集的数据与知识库中哪类知识有关,为了保证故障诊断结果的完整性和准确性,只能将采集到的海量数据一一与知识库中大量的知识匹配判断,这样会大大降低诊断系统的执行速度和故障判断的准确率,无法实现实时故障诊断。
实际上,地铁车辆处在不同的工况时,并不需要诊断知识库中所有故障。比如当列车以一定速度正常运行时,就只需考虑运行过程中可能发生的关门故障、空调故障、牵引故障等,而无需考虑睡眠故障、停放制动故障等。
发明内容
针对现有技术存在的不足,本发明目的是提供一种基于工况检测的城市轨道交通车辆实时故障诊断方法,大大减少了车辆实时的海量数据与故障诊断知识库中知识匹配的数量,提高了诊断系统的执行速度和故障判断的准确率,实现了城市轨道交通车辆的实时故障诊断。
为了实现上述目的,本发明是通过如下的技术方案来实现:
本发明的一种基于工况检测的城市轨道交通车辆实时故障诊断方法,包括以下几个步骤:
步骤1:建立牵引、辅助、制动、门控、空调和乘客信息系统中各工况特征字符序列库B,每个工况特征字符序列记为bi,i为工况序号,以工况分类的故障诊断知识库C,C内部诊断故障的知识记为cp,j,p为故障诊断知识库索引值并且与工况序号i一一对应,j为该工况中故障序号,工况特征字符序列库B与故障诊断知识库C根据i和p的对应关系建立映射关系,其中,i=1,…,iend,p=1,…,pend,j=1,…,jend;
步骤2:采集城市轨道交通车辆一端口实时数据A,获得城市轨道交通车辆一实时状态数据序列,记为am并存储,其中m=1,…,∞;
步骤3:i=1,初始化am和b1的最大相似度SMAX=0;
步骤4:计算实时状态数据序列am与工况特征字符序列bi的编辑距离LD(am,bi),最长公共子序列LCS(am,bi),由回朔路径得到最长公共子序列中连续子串长度LCS'(am,bi);
步骤5:根据基于时间序列的相似度计算公式,计算实时状态数据序列am和工况特征字符序列bi的相似度S(am,bi);
步骤6:比较相似度S(am,bi)和SMAX,如果S(am,bi)>SMAX,则SMAX=S(am,bi),转步骤7;如果S(am,bi)<SMAX,转步骤8;
步骤7:比较SMAX和相似度最大值,如果SMAX>相似度最大值,转步骤10;如果SMAX<相似度最大值,转步骤8;
步骤8:判断i=iend,如果是,转步骤9;如果不是,i=i+1,转步骤4;
步骤9:比较SMAX和相似度容错允许值,如果SMAX>相似度容错允许值,转步骤10;如果SMAX<相似度容错允许值,转步骤12
步骤10:输出当前工况标号i;
步骤11:根据工况标号i获得该工况对应的故障诊断知识库索引p转步骤13;
步骤12:匹配所有故障诊断知识库索引,转向步骤13;
步骤13:根据所述故障诊断知识库索引,所述故障诊断知识库C调用该索引对应的知识诊断故障,获得诊断结果。
步骤(5)中,所述基于时间序列的相似度计算公式:
其中,LEN(am)为实时状态数据序列am的长度,LEN(bi)为工况特征字符序列bi的长度。
步骤(7)中,所述相似度最大值为0.9。
步骤(9)中,所述相似度容错允许值为0.7。
本发明的方法通过时间序列相似度,设定相似度的最大值、容错允许值,检测城市轨道交通车辆所在工况,大大减少了车辆实时的海量数据与故障诊断知识库中知识匹配的数量,提高了诊断系统的执行速度和故障判断的准确率,实现了城市轨道交通车辆的实时故障诊断。
附图说明
图1是本发明的组成框图;
图2是部分城市轨道交通车辆工况特征数据点;
图3为工况序号与故障诊断知识库索引一一对应关系图;
图4为本发明的实施流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
本发明通过确定能够唯一识别列车各个工况特征的采集数据点,形成工况特征字符序列存储至数据库中,同时将诊断知识库按工况进行分块。然后将采集的数据与该字符序列进行相似度匹配,匹配度最高的工况特征字符序列即为当前采集数据所属工况。最后再将其与该工况对应的诊断知识块进行一一判断,则大大缩减了知识匹配数量。不仅有效加快了故障诊断的执行速度,实现实时故障诊断;而且方便以后对故障的分类统计和易发生故障环节的重点预防。
图1是基于工况检测的城市轨道交通车辆实时故障诊断方法的组成。通过计算实时数据序列和工况特征字符序列的相似度,确定车辆数据的工况索引,然后依据工况索引,采用对应的诊断知识库进行一一判断,则大大缩减了知识匹配数量。
图2是部分城市轨道交通车辆工况特征数据点,每个工况特征字符序列通过相对应的工况特征数据点列出。
图3是工况序号与故障诊断知识库索引一一对应关系图。同时,工况序号对应该工况的特征字符序列,故障诊断知识库索引对应与该工况相关的故障诊断知识。
图4是一种基于工况检测的城市轨道交通车辆实时故障诊断方法的流程图。主要包括如下步骤:
步骤1:根据城市轨道交通车辆的组成、运行规范和六大系统的接口控制规范,建立牵引、辅助、制动、门控、空调和乘客信息系统中各工况特征字符序列库B,每个工况序列记为bi,i为工况序号,;以工况分类的故障诊断知识库C,C内部诊断故障的知识记为cp,j p为故障诊断知识库索引值并且与工况序号i一一对应,工况特征字符序列库B与故障诊断知识库C根据i和p的对应关系建立映射关系,其中,i=1,…,iend,p=1,…,pend,j=1,…,jend;。
步骤2:采集车辆某一端口实时数据A并解析,获得车辆某一实时状态数据序列,记为am并存储,其中m=1,…,∞。
步骤3:i=1,初始化am和b1的最大相似度SMAX=0。
步骤4:计算实时状态数据序列am与工况特征字符序列bi的编辑距离LD(am,bi),最长公共子序列LCS(am,bi),由回朔路径得到的最长公共子序列中的连续子串的长度LCS'(am,bi)。
步骤5:根据基于时间序列的相似度计算公式,计算实时状态数据序列am和工况特征字符序列bi的相似度S(am,bi)。
所述基于时间序列的相似度计算公式:
其中,LEN(am)为序列am的长度,LEN(bi)为序列bi的长度。
步骤6:比较相似度S(am,bi)和SMAX,如果S(am,bi)>SMAX,则SMAX=S(am,bi),转步骤7;如果S(am,bi)<SMAX,转步骤8;
步骤7:比较SMAX和相似度最大值0.9,如果SMAX>0.9;转步骤10,如果SMAX<0.9,转步骤8。
所述相似度最大值的设置是为了提高运行速率,在故障很少的情况下快速确定工况。它的数值0.9是通过大规模试验的统计结果。
步骤8:判断i=iend,如果是,转步骤9,如果不是,i=i+1,转步骤4。
步骤9:比较SMAX和相似度容错允许值0.7,如SMAX>0.7,转步骤10,如果SMAX<0.7,转步骤12。
所述相似度容错允许值的设置是为了系统中存在少量故障情况下减少匹配诊断知识库的数量,提高故障诊断速率。它的数值0.7是通过大规模试验的统计结果,如果SMAX<0.7,说明系统中存在故障的情况比较多,为了减少故障漏检,需要匹配所有诊断知识库。
步骤10:输出当前工况标号i。
步骤11:根据工况标号i获得该工况对应的诊断知识库索引p,转步骤13。
步骤12:匹配所有故障诊断知识库索引。
步骤13:根据故障诊断知识库索引,故障诊断知识库C调用该索引对应的知识诊断故障,获得诊断结果。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于工况检测的城市轨道交通车辆实时故障诊断方法,其特征在于,包括以下几个步骤:
步骤1:建立牵引、辅助、制动、门控、空调和乘客信息系统中各工况特征字符序列库B,每个工况特征字符序列记为bi,i为工况序号,以工况分类的故障诊断知识库C,C内部诊断故障的知识记为cp,j,p为故障诊断知识库索引值并且与工况序号i一一对应,j为该工况中故障序号,工况特征字符序列库B与故障诊断知识库C根据i和p的对应关系建立映射关系,其中,i=1,…,iend,p=1,…,pend,j=1,…,jend;
步骤2:采集城市轨道交通车辆一端口实时数据A,获得城市轨道交通车辆一实时状态数据序列,记为am并存储,其中m=1,…,∞;
步骤3:i=1,初始化am和b1的最大相似度SMAX=0;
步骤4:计算实时状态数据序列am与工况特征字符序列bi的编辑距离LD(am,bi),最长公共子序列LCS(am,bi),由回朔路径得到最长公共子序列中连续子串长度LCS'(am,bi);
步骤5:根据基于时间序列的相似度计算公式,计算实时状态数据序列am和工况特征字符序列bi的相似度S(am,bi);
步骤6:比较相似度S(am,bi)和SMAX,如果S(am,bi)>SMAX,则SMAX=S(am,bi),转步骤7;如果S(am,bi)<SMAX,转步骤8;
步骤7:比较SMAX和相似度最大值,如果SMAX>相似度最大值,转步骤10;如果SMAX<相似度最大值,转步骤8;
步骤8:判断i=iend,如果是,转步骤9;如果不是,i=i+1,转步骤4;
步骤9:比较SMAX和相似度容错允许值,如果SMAX>相似度容错允许值,转步骤10;如果SMAX<相似度容错允许值,转步骤12
步骤10:输出当前工况标号i;
步骤11:根据工况标号i获得该工况对应的故障诊断知识库索引p转步骤13;
步骤12:匹配所有故障诊断知识库索引,转向步骤13;
步骤13:根据所述故障诊断知识库索引,所述故障诊断知识库C调用该索引对应的知识诊断故障,获得诊断结果。
2.根据权利要求1所述的基于工况检测的城市轨道交通车辆实时故障诊断方法,其特征在于,步骤(5)中,所述基于时间序列的相似度计算公式:
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>L</mi>
<mi>C</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<mi>LCS</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>L</mi>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>L</mi>
<mi>C</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<mi>L</mi>
<mi>E</mi>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>L</mi>
<mi>E</mi>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
</mfrac>
</mrow>
其中,LEN(am)为实时状态数据序列am的长度,LEN(bi)为工况特征字符序列bi的长度。
3.根据权利要求1所述的基于工况检测的城市轨道交通车辆实时故障诊断方法,其特征在于,步骤(7)中,所述相似度最大值为0.9。
4.根据权利要求2所述的基于工况检测的城市轨道交通车辆实时故障诊断方法,其特征在于,步骤(7)中,所述相似度最大值为0.9。
5.根据权利要求1所述的基于工况检测的城市轨道交通车辆实时故障诊断方法,其特征在于,步骤(9)中,所述相似度容错允许值为0.7。
6.根据权利要求2所述的基于工况检测的城市轨道交通车辆实时故障诊断方法,其特征在于,步骤(9)中,所述相似度容错允许值为0.7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711063962.1A CN107832173B (zh) | 2017-11-02 | 2017-11-02 | 一种基于工况检测的城市轨道交通车辆实时故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711063962.1A CN107832173B (zh) | 2017-11-02 | 2017-11-02 | 一种基于工况检测的城市轨道交通车辆实时故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107832173A true CN107832173A (zh) | 2018-03-23 |
CN107832173B CN107832173B (zh) | 2020-11-10 |
Family
ID=61651571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711063962.1A Active CN107832173B (zh) | 2017-11-02 | 2017-11-02 | 一种基于工况检测的城市轨道交通车辆实时故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832173B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116028509A (zh) * | 2023-03-27 | 2023-04-28 | 合肥工业大学 | 一种基于因果机制的最优工况索引生成方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5313388A (en) * | 1991-06-07 | 1994-05-17 | Ford Motor Company | Method and apparatus for diagnosing engine and/or vehicle system faults based on vehicle operating or drive symptoms |
CN101853291A (zh) * | 2010-05-24 | 2010-10-06 | 合肥工业大学 | 基于数据流的车辆故障诊断方法 |
CN104091070A (zh) * | 2014-07-07 | 2014-10-08 | 北京泰乐德信息技术有限公司 | 一种基于时间序列分析的轨道交通故障诊断方法和系统 |
-
2017
- 2017-11-02 CN CN201711063962.1A patent/CN107832173B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5313388A (en) * | 1991-06-07 | 1994-05-17 | Ford Motor Company | Method and apparatus for diagnosing engine and/or vehicle system faults based on vehicle operating or drive symptoms |
CN101853291A (zh) * | 2010-05-24 | 2010-10-06 | 合肥工业大学 | 基于数据流的车辆故障诊断方法 |
CN104091070A (zh) * | 2014-07-07 | 2014-10-08 | 北京泰乐德信息技术有限公司 | 一种基于时间序列分析的轨道交通故障诊断方法和系统 |
Non-Patent Citations (2)
Title |
---|
HUI DING: "Querying and Mining of Time Series Data: Experimental", 《PROCEEDINGS OF THE VLDB ENDOWMENT》 * |
钟锦源: "含时序信息的电力系统故障诊断方法与应用", 《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116028509A (zh) * | 2023-03-27 | 2023-04-28 | 合肥工业大学 | 一种基于因果机制的最优工况索引生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107832173B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017157119A1 (zh) | 一种车辆异常行为的识别方法及装置 | |
CN107451004B (zh) | 一种基于定性趋势分析的道岔故障诊断方法 | |
CN105741553B (zh) | 基于动态阈值的识别车辆轨迹中停靠路段的方法 | |
CN109204063B (zh) | 一种动力电池健康状态soh的获取方法、装置及车辆 | |
CN107967323B (zh) | 基于大数据进行异常出行车辆分析的方法及系统 | |
CN107153841B (zh) | 一种城市轨道交通车辆门系统的亚健康预测方法 | |
CN110588658B (zh) | 一种基于综合模型检测驾驶员风险等级的方法 | |
Lestyan et al. | Extracting vehicle sensor signals from CAN logs for driver re-identification | |
CN108223167B (zh) | 检测失效装置的方法 | |
CN110232415B (zh) | 一种基于生物信息特征的列车转向架故障识别方法 | |
CN113689594A (zh) | 一种新的汽车行驶工况构造方法 | |
CN112734219A (zh) | 一种车辆运输行驶行为分析方法及系统 | |
CN107832173B (zh) | 一种基于工况检测的城市轨道交通车辆实时故障诊断方法 | |
CN1908987A (zh) | 基于波形识别的地铁机车牵引电路故障诊断方法 | |
CN113918642A (zh) | 一种基于电力物联网设备的数据过滤监测预警方法 | |
CN111754130A (zh) | 一种基于大数据分析的新能源车辆运营评价方法 | |
CN108090635A (zh) | 一种基于聚类分类的路用性能预测方法 | |
Xu et al. | Research on estimation method of mileage power consumption for electric vehicles | |
CN106224067A (zh) | 一种基于数据驱动的汽车三元催化器的故障诊断方法 | |
CN116859236A (zh) | 一种车用电机故障诊断方法、装置及车联网平台 | |
CN110705628A (zh) | 一种基于隐马尔可夫模型检测驾驶员风险等级的方法 | |
CN115688003A (zh) | 驾驶员识别方法、装置、计算机设备及可读存储介质 | |
CN115373366A (zh) | 一种交互式诊断系统、诊断方法及存储介质 | |
CN113742196B (zh) | 一种机车智能驾驶软件的测试方法及装置 | |
CN110667597B (zh) | 基于车辆控制器局域网数据信息的驾驶风格状态辨识方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |