CN108985279A - 多功能车辆总线mvb波形的故障诊断方法及装置 - Google Patents

Abstract

本发明提供多功能车辆总线MVB波形的故障诊断方法及装置，以减少故障误报的发生机率、提高故障诊断效率。在本发明实施例中，在对原始的MVB波形数据提取关键特征向量后，会将关键特征向量输入目标机器学习模型，由目标机器学习模型进行分析，得到故障诊断结果。而目标机器学习模型是基于真实MVB波形数据训练得到，与现有的诊断设备相比，目标机器学习模型的故障诊断结果与实际工业应用中MVB的真实故障情况更接近，诊断精度更高，从而可降低故障误报率，进而减少了技术人员的工作量，提高了列车通信网的排故效率。

Description

多功能车辆总线MVB波形的故障诊断方法及装置

技术领域

本发明涉及物理波形诊断领域，特别涉及多功能车辆总线MVB波形的故障诊断方法及装置。

背景技术

列车通信网中互连设备之间一般使用多功能车辆总线(Multifunction VehicleBus，MVB)进行数据通信。

现有的MVB的故障诊断方式是：利用诊断设备来判断MVB物理层所传输信号的波形(简称MVB波形)是否异常(也即诊断是否发生故障)，若发生异常会报错，之后再配合经验丰富的列车网络工程师对诊断出的异常波形进行排查。

现有的诊断设备是依据IEC61375-1列车MVB协议中对物理层和链路层规定的标准来判定MVB波形是否异常的。IEC61375-1协议对MVB的物理层波形参数有明确、严格的定义，而在实际工业应用环境中，MVB波形会受线路、外界噪声(如电磁干扰等)的影响，这使得实际运行中MVB波形可能工作在协议要求的界限之外但并不妨碍总线通信；同时，不同车型、不同车辆的MVB波形通常也会表现出一定的差异性。因此，现有的诊断设备在严格地按照总线协议要求进行诊断的过程中，往往会发生故障误报。

此外，故障报错后，技术人员需借用示波器等信号显示设备逐条观察并分析报故障的MVB波形，因此，若经常性故障误报，也会耗费技术人员大量的时间，降低了列车通信网的调试与排故效率。

发明内容

有鉴于此，本发明实施例提供多功能车辆总线MVB波形的故障诊断方法及装置，以减少故障误报的发生机率、提高故障诊断效率。

为实现上述目的，本发明实施例提供如下技术方案：

一种多功能车辆总线MVB波形的故障诊断方法，包括：

获取待诊断的MVB波形数据；

对所述MVB波形数据进行预处理，得到预处理后的波形数据；

从所述预处理后的波形数据中提取关键特征向量；所述关键特征向量包括各关键特征项对应的特征值；

使用目标机器学习模型分析所述关键特征向量，得到所述MVB波形数据的故障诊断结果；其中，所述目标机器学习模型是基于真实MVB波形数据训练得到的。

在一个可能的设计中，上述故障诊断结果包括：故障类型及相应的诊断信息；其中，所述诊断信息包括：第一信息和第二信息中的至少一种，所述第一信息用于表征所述故障类型是否发生，所述第二信息用于表征所述故障类型的故障程度。

在一个可能的设计中，所述目标机器学习模型的训练过程包括：从多种MVB波形的故障类型中确定出适于采用机器学习进行诊断的故障类型；所述适于采用机器学习进行诊断的故障类型为目标故障类型；从数据源处获取波形样本；其中，任一所述波形样本包含真实的MVB波形数据；对所述波形样本进行预处理，得到预处理后的波形样本；从所述预处理后的波形样本中提取特征样本；所述特征样本包括各关键特征项对应的特征值；对所述特征样本进行标记，以表征所述特征样本的波形状态；从多种机器学习算法中选择出适用于所述目标故障类型的机器学习算法；所述适用于所述目标故障类型的机器学习算法为目标机器学习算法；确定所述目标机器学习算法的超参数，对确定出超参数的所述目标机器学习算法进行初始参数赋值；使用训练样例集和完成初始参数赋值的所述目标机器学习算法，训练得到所述目标机器学习模型；其中，所述训练样例集包括至少两个标记后的特征样本。

在一个可能的设计中，在提取所述特征样本之前，上述方法还可包括如下步骤：从预设的M个特征项中选取与所述目标故障类型关联度最高的N个特征项作为所述关键特征项，其中，所述M、N均为自然数，且N小于M。

在一个可能的设计中，在训练得到所述目标机器学习模型后，还包括：使用测试样例集测试所述目标机器学习模型的诊断精度和诊断速度；所述测试样例集包含至少两个标记后的特征样本；若所述目标机器学习模型不满足预设条件，执行下述操作中的一种或多种，并进行重新训练：重新确定所述目标故障类型对应的关键特征项；修改所述超参数；选择其他的机器学习算法作为所述目标机器学习算法；其中，所述预设条件包括：所述目标机器学习模型的诊断精度不低于诊断精度阈值，且诊断速度不低于速度阈值。

在一个可能的设计中，在得到所述故障诊断结果后，上述方法还可包括如下步骤：将所述关键特征向量和所述故障诊断结果存储至数据源中；其中，所述关键特征向量作为所述数据源中的特征样本，所述故障诊断结果用于在训练过程中标记所述关键特征向量；或者，将在诊断过程中得到的所述预处理后的波形数据和所述故障诊断结果存储至所述数据源中；所述故障诊断结果用于在训练过程中标记所述预处理后的波形数据所对应的特征样本；或者，将所述MVB波形数据和所述故障诊断结果存储至所述数据源中，其中，所述故障诊断结果用于在训练过程中标记所述MVB波形数据对应的特征样本。

在一个可能的设计中，所述关键特征项包括关键时域特征项和关键频域特征项；所述关键频域特征项包括：频谱极大值点的幅值、频谱极大值点的相位和频谱极大值点的频率；所述关键时域特征项包括：幅值参数、电平参数、脉冲宽度参数、脉冲峰值位置常数、脉冲峭度和帧尾震荡参数中的至少一种。

在一个可能的设计中，所述从所述预处理后的波形数据中提取关键特征向量包括：从所述预处理后的波形数据中提取各所述关键时域特征项对应的时域特征值；将所述预处理后的波形数据转换为波形频域数据；从所述波形频域数据中提取各所述关键频域特征项对应的频域特征值。

在一个可能的设计中，所述从多种机器学习算法中选择出适用于所述目标故障类型的机器学习算法包括：若所述目标故障类型所对应的故障为确定性故障，从多种二分类机器学习算法中选择一种作为适用于所述目标故障类型的机器学习算法；若所述目标故障类型所对应的故障为衰退性故障，从多种回归机器学习算法中选择一种作为适用于所述目标故障类型的机器学习算法。

一种多功能车辆总线MVB波形的故障诊断装置，包括：

采集单元，用于获取待诊断的MVB波形数据；

预处理单元，用于对所述MVB波形数据进行预处理，得到预处理后的波形数据；

诊断单元，用于从所述预处理后的波形数据中提取关键特征向量；使用目标机器学习模型分析所述关键特征向量，得到所述MVB波形数据的故障诊断结果；其中，所述关键特征向量包括各关键特征项对应的特征值；所述目标机器学习模型是基于真实MVB波形数据训练得到的。

在本发明实施例中，在对原始的MVB波形数据提取关键特征向量后，会将关键特征向量输入目标机器学习模型，由目标机器学习模型进行分析，得到MVB波形数据的故障诊断结果。而目标机器学习模型是基于真实MVB波形数据训练得到，与现有的诊断设备相比，目标机器学习模型的故障诊断结果与实际工业应用中MVB的真实故障情况更接近，诊断精度更高，从而可降低故障误报率，进而减少了技术人员的工作量，提高了列车通信网的排故效率。

附图说明

图1为本发明实施例提供的MVB波形的故障诊断方法的示例性流程图；

图2为本发明实施例提供的机器学习模型训练的示例性流程图；

图3为本发明实施例提供的健康波形数据示例图；

图4-7为发明实施例提供的故障波形数据示例图；

图8为发明实施例提供的故障诊断方法的另一示例性流程图；

图9为发明实施例提供的诊断过程和训练过程的整体示例性流程图；

图10为发明实施例提供的诊断装置的示例性结构图。

具体实施方式

本发明提供多功能车辆总线(Multifunction Vehicle Bus，MVB)波形的故障诊断方法及装置，其既可运用在MVB网络运行阶段进行故障诊断，也可运用在MVB网络设计调试阶段进行故障诊断，发现问题。

上述诊断装置可为独立的硬件设备，或者，也可以组件、工具或独立软件的形式部署于服务器、嵌入式硬件平台等设备上，为客户提供MVB的离线故障诊断服务或实时/近实时故障诊断服务。

上述诊断装置所执行的故障诊断方法的核心思想是：先对原始的MVB波形数据提取关键特征向量，再由目标机器学习模型基于关键特征向量进行分析，得到MVB波形数据的故障诊断结果。

上述目标机器学习模型是基于真实MVB波形数据训练得到的，与现有的诊断逻辑相比，目标机器学习模型的故障诊断结果与实际工业应用中MVB的真实故障情况更相近，诊断精度更高，从而可降低故障误报的机率，进而减少了技术人员的工作量，提高了列车通信网的排故效率。

在目标机器学习模型训练结束后，还会测试训练出的目标机器学习模型是否满足预期性能要求(包含诊断精度和诊断速度方面的要求)，若不满足，会进行相应的调整，直至满足预期性能要求。

需要说明的是，MVB故障类型有很多种，例如三角波畸变、帧尾故障、脉冲异常、波形非曼码、帧长度异常等。则上述目标机器学习模型的个数可为多个，每一目标机器学习模型可用于诊断一个特定的MVB波形故障类型。

在进行诊断时，如需要确定某一特定故障类型是否有发生，或定量刻画其故障程度，可仅选择该特定故障类型对应的目标机器学习模型进行诊断，得到针对该特定故障类型的诊断结果。此外，也可选择多个目标机器学习模型同时进行诊断(类似于体检)，得到多个故障类型的诊断结果。

下面将基于以上描述中本发明涉及的共性方面，对本发明实施例做进一步详细说明。

图1示出了上述故障诊断方法的一种示例性流程，包括：

S101：诊断装置获取待诊断的MVB波形数据。

在一个示例中，上述MVB波形数据具体可为物理层波形数据。

需要说明的是，MVB协议物理层有三种实现方式，分别是ESD(电气短距离介质)、EMD(电气中距离介质)和OGF(光纤介质)，其中ESD和EMD均采用屏蔽双绞线传递信息，即使用两根电线之间的电压压差表示总线信号，而OGF以光信号能级来表征高低电平(以光信号传递信息)。

对于ESD和EMD方式，可通过A/D采样设备、信号调理设备对总线中的MVB电压信号进行处理得到MVB物理层波形数据。以实时诊断为例，诊断装置可通过采用自带的数据采集电路和信号调理电路，或独立的数据采集设备、信号调理设备从真实列车的MVB上实时采集物理层波形数据。

也即，对于ESD和EMD方式，上述MVB物理层波形数据具体可为MVB的物理层差分电压信号波形数据。进一步的，对于ESD和EMD方式，如进行实时/近实时诊断，则获取的是待诊断的MVB电压信号的实时物理层差分波形数据。而如进行离线诊断，获取的是待诊断的MVB电压信号的离线物理层差分波形数据。

而对于OGF方式，可先使用诊断装置自带的光电转换模块或独立的光电转换模块对光信号进行光电转换，得到MVB电压信号，再通过A/D采样设备、信号调理设备对总线中的MVB电压信号进行处理得到MVB物理层波形数据。

S102：诊断装置对上述波形数据进行预处理，得到预处理后的波形数据。

在一个示例中，上述预处理可包括去野点(去异常值)、滤波(例如平滑滤波)、重采样、报文切割和归一化的至少一种。

其中，报文切割的主要目的是去除背景噪声将总线报文数据切割出来，也即进行报文切割后得到了报文所对应的波形数据。

而重采样的主要目的是为了统一电压信号的采样频率(电压信号在采样时并没有统一固定的采样频率，通常会设置几种不同的采样频率供选择，所以需要通过重采样来统一采样频率)，方便后续进行报文切割、特征提取等工作。

S103：诊断装置从上述预处理后的波形数据中提取关键特征向量。

其中，关键特征向量(或称为特征样例)包括各关键特征项对应的特征值。

需要说明的是，MVB波形数据有多种物理特征属性(也即特征项)，例如电压最大值、电压最小值、电压均值等，若每一特征项都用于诊断，则可能耗费过多的计算资源和计算时间，因此，需要从多个特征项(例如M个)中选择一部分(例如N个，N小于M)作为关键特征项，提取各关键特征项对应的特征值构成关键特征向量。

举例来讲，假定高电平均值为关键特征项，则可根据波形数据计算具体的高电平均值取值。

需要说明的是，若关键特征项为多个，则多个关键特征项对应的特征值构成一个关键特征向量(特征样例)。举例来讲，假定每个波形数据有16个关键特征项，则需要提取这16个关键特征项的特征值，共同组成该波形数据的特征样例。

S104：使用目标机器学习模型分析上述关键特征向量，得到上述MVB波形数据的故障诊断结果。

上述目标机器学习模型是基于真实MVB波形数据训练得到的。

具体的，上述故障诊断结果可包括故障类型及相应的诊断信息。

前已述及，可针对某一特定故障类型进行诊断，或也可同时诊断多个故障类型，则在对多个故障类型进行诊断的场景下，上述故障诊断结果可包括至少一个故障类型的编号(或名称)，以及其相应的诊断信息。

其中，上述诊断信息因故障类型不同，可仅包括第一信息或第二信息，也可同时包括第一信息和第二信息，第一信息用于表征故障类型是否发生，第二信息用于表征故障类型的故障程度。

举例来讲，对于确定性故障(例如帧尾错误)，其对应的诊断信息可仅包括第一信息。示例性的，第一信息具体可为0或1，其中，“0”表示未出现该错误(故障)，而“1”表示存在这样的错误(故障)；

而对于衰退型故障，其对应的诊断信息包括第二信息，或同时包括第一信息和第二信息。以三角波畸变故障为例，其对应的第二信息可为区间[0,1]、[0,10]、[0,100]等内的连续值，数值越大说明波形畸变接近三角波的程度越大。

进一步的，上述故障诊断结果可用于指导总线维护业务，便于列车网络工程师或总线维护人员了解总线状态、快速定位故障的原因，乃至定位问题设备。

可见，在本发明实施例中，在对原始的MVB波形数据提取关键特征向量后，会将关键特征向量输入目标机器学习模型，由目标机器学习模型进行分析，得到故障诊断结果。而目标机器学习模型是基于真实MVB波形数据训练得到，与现有的诊断设备相比，目标机器学习模型的故障诊断结果与实际工业应用中MVB的真实情况更相近，诊断精度更高，从而可降低故障误报的机率，进而减少了技术人员的工作量，提高了列车通信网的调试与排故效率。

下面重点介绍机器学习模型的训练过程。需要说明的是，机器学习模型的训练、开发通常是在离线计算机/平台(可统称为训练设备)中实施。

请参见图2，目标机器学习模型的训练过程可至少包括如下步骤：

S201：从多种MVB波形的故障类型中确定出适于采用机器学习进行诊断的故障类型。

可将适于机器学习方法进行诊断的故障类型确定为目标故障类型。

需要说明的是，MVB故障类型有多种(多种指两种或两种以上)，并不是所有的故障类型都适合采用机器学习技术来识别，因此，需要从多个故障类型中筛选出适于进行机器学习的故障类型。

进一步的，还可从适于机器学习的故障类型中，找出最重要、或最易引发重大事故，或客户最关注的故障类型，作为目标故障类型。

步骤201可由人工执行，也可借助筛选设备或筛选算法筛选出合适的故障类型。

S202：从数据源处获取波形样本。

与步骤101中待诊断的MVB物理层波形数据相类似，步骤202中的波形样本为数字信号。

数据源中的波形样本可由客户提供，或由提供诊断服务的厂家自行采集。

并且，任一波形样本包含真实的MVB物理层波形数据。

具体的，数据源中任一波形样本中的MVB物理层波形数据可为健康(正常)波形数据，或故障波形数据。在建立初期，数据源中的任一波形样本可为典型的健康(正常)波形数据或典型的故障波形数据。

图3示出了一帧健康波形数据的形态示例，而故障波形数据因故障不同，其形态与健康波形相比，会有不同的差异。例如，图4示出了三角波畸变故障对应的波形示例，图5示出了曼彻斯特码脉冲异常故障对应的波形示例，图6示出了帧尾震荡异常故障对应的波形示例，图7示出了幅值异常(大范围幅值异常)故障对应的波形示例。

步骤202可由训练设备执行。

S203：对上述波形样本进行预处理，得到预处理后的波形样本。

预处理请参见前述步骤102部分的描述，在此不作赘述。步骤203可由训练设备执行。

S204：确定关键特征项。

具体的，可从预设的M个特征项中选取与目标故障类型关联度最高的N个特征项作为关键特征项，其中，M、N均为自然数，且N小于M。

如何从M个特征项中选择N个作为关键特征项，可有多种实现方式。

在一个示例中，可使用多元线性回归算法得到各特征项的权重，权重表示关联度，选取权重前N大的特征项作为关键特征项。

在另一个示例中，可使用主成分分析法，从M个特征项中确定N个主成分，确定出的主成分即是关键特征项。

在又一示例中，还可使用简单决策树方法，将各特征项作为节点，其中，越靠近根部的节点越重要，则可确定N个最靠近根部的特征项作为关键特征项。

进一步的，关键特征项还可分为关键时域特征项和关键频域特征项。

示例性的，上述关键频域特征项包括但不限于：频谱极大值点的幅值、频谱极大值点的相位和频谱极大值点的频率；上述关键时域特征项可包括但不限于以下类别：幅值参数、电平参数、脉冲宽度参数、脉冲峰值位置常数、脉冲峭度和帧尾震荡参数。

下表1即示出了16种关键特征项。

表1

前述提及的幅值参数可包括：表1中编号1-3的关键特征项，电平参数可包括表1中编号4-7的关键特征项，脉冲宽度参数可包括表1中编号8-9的关键特征项，帧尾震荡参数可包括表1中编号12-13的关键特征项。

本领域技术人员可根据信号处理理论和故障类型特点来增删、更改关键特征项，所确定的关键特征项应能够充分反映目标故障类型的特点，使得对应特征值在正常状态与故障类型状态下具备良好的区分度。

步骤204可由训练设备执行，也可由人工执行。

S205：开发特征提取算法。

步骤205可由人工执行。在开发时，可针对每一关键特征项开发对应特征提取算法。或者，对于几种相似的关键特征项可开发一种算法，例如，可发开一种提取算法，提取最大值、最小值和均值。

在本发明其他实施例中，也可将前述的步骤202和203放在步骤204或205之后执行。

需要说明的是，除可自行开发特征提取算法外，也可采用现有成熟的特征提取算法，在采用现有成熟特征提取算法的情况下，步骤205可省略。在机器学习算法自带特征提取环节(如深度学习)的情况下，步骤204和205均可省略。

S206：从上述预处理后的波形样本中提取特征样本。

其中，特征样本包括各关键特征项对应的特征值。

前述提及了关键特征项可包含关键频域特征项，则在提取关键频域特征项对应的特征值时，可先将预处理后的波形数据由时域转换至频域(转换算法通常为快速傅里叶变换(FFT，Fast Fourier Transform))；然后再从波形频域数据中提取各关键频域特征项对应的频域特征值。

特征样本与前述步骤103中的关键特征向量相类似，在此不作赘述。

步骤206可由上述训练设备执行。

S207：对上述特征样本进行标记，以表征特征样本的波形状态。

需要说明，数据源建立初期，可人工对特征样本进行标记，作为机器学习模型的先验知识。而在后期，特别是目标机器学习模型正式投入使用后，可由诊断装置根据故障类型诊断结果自动标记。本文后续还将介绍。

所谓的标记，可指为特征样本添加一个或多个标签。例如，可添加表征健康或故障的标签(更具体的，可以“0”表示健康，以“1”表示故障)，添加故障程度的标签(例如，以位于区间[0,1]中的小数表示故障程度)，添加样例来源的标签等。相应的，特征样本的波形状态可包括健康或故障、故障程度、样例来源中的一个或多个。

具体的，样例来源可包括用于表征特征样本所对应的波形样本所归属的文件的信息，也可包括用于表征样本采集位置、采集时间的信息。

需要说明的是，上述波形样本所归属的文件的信息，后续可用于查找波形。举例来讲，有100个波形样本分别存于5个文件中，则可为每一波形样本对应的特征样本标记所属的文件。后续技术人员在排查故障类型时，可根据样例来源从文件中查找波形。

上述采集位置指总线位置，后续可用于定位故障类型发生位置。举例来讲，假定分别在总线的A处和B处采集了波形数据，经诊断后，A处采集的波形数据无故障类型，而B处采集的波形数据有故障类型，则可大概率判定在A和B之间的设备或总线存在故障类型，从而便于快速定位故障类型发生位置。

上述采集时间对于后续回溯、定位故障类型时，也可起到辅助作用。

在本发明其他实施例，图1所示实施例在得到故障类型诊断结果后，可将上述关键特征向量和故障类型诊断结果存储至上述数据源中，关键特征向量可作为数据源中的特征样本，并使用故障类型诊断结果标记该关键特征向量。

或者，也可将在诊断过程中得到的故障类型诊断结果和预处理后的波形数据存储至数据源中，后续在训练过程中可使用故障类型诊断结果标记预处理后的波形数据对应的特征样本；

或者，也可将在诊断过程中获取的物理层波形数据和上述故障类型诊断结果存储至上述数据源中，后续在训练过程中故障类型诊断结果可用于标记该物理层波形数据对应的特征样本。

S208:使用标记后的特征样本构成训练样例集。

在一个示例中，可将任一标记后的特征样本放入训练样例集或测试样例集。其中，训练样例集中的特征样本用于训练得到目标机器学习模型，而测试样例集中的特征样本用于对目标机器学习模型进行测试。

具体的，可将多个标记后的特征样本先放入特征样例集，然后基于特定划分机制将特征样例集划分为训练样例集和测试样例集；也可直接将标记后的特征样本放入训练样例集或测试样例集中。

在一个示例中，可针对标记后的特征样本生成一个随机数，根据随机数的大小将特征样本放入训练样例集或测试样例集中。举例来讲，可设置生成[0-1]区间内的随机数，随机数大于0.7时将特征样本放入训练样例集，否则放入测试样例集中。

可人工执行步骤208，也可由上述训练设备自行执行。

S209：从多种机器学习算法中选择出适用于目标故障类型的机器学习算法(目标机器学习算法)。

更具体的，若目标故障类型所对应的故障为确定性故障或二分类型故障(例如曼彻斯特码脉冲异常、帧尾震荡异常、波形幅值异常等)，则其对应的理想机器学习算法用于辨别波形是否出现特定的故障状态，也即用于解决二分类问题，可从多种二分类机器学习算法中选择一种。常用的二分类算法包括决策树算法、SVM(Support Vector Machine)分类算法、神经网络分类算法、朴素贝叶斯分类算法等基础分类算法，以及集成学习分类算法(例如随机森林)。

而若目标故障类型所对应的故障为衰退性故障(例如三角波畸变)，则其对应的理想机器学习算法用于诊断波形的故障程度或偏离正常状态的程度，其解决是机器学习中的回归问题，因此可从多种回归算法中选择一种。常用的回归算法包括多元线性回归算法、SVR(Support Vector Regression)算法，神经网络回归等基础回归算法，以及集成学习算法，例如梯度提升回归(GBR：Gradient boosting regression)算法。

步骤209可由人工执行，也可以借助程序或独立设备确定出针对目标故障类型的最优机器学习算法。

S210：确定目标机器学习算法的超参数，并对确定出超参数的目标机器学习算法进行初始参数赋值。

超参数(例如步长参数、迭代次数等)是在开始进行机器学习(训练)过程之前赋值的算法参数，而不是通过训练得到的参数数据。通常情况下，需要对超参数进行优化，在超参数的经验取值范围内给机器学习模型选择一组最优超参数，以提高学习的性能和效果。

初始参数赋值包括对机器学习模型自身的参数(例如神经网络模型中的连接权重)进行初始赋值。机器学习模型自身的参数会在训练过程中由机器学习算法进行调整。

需要说明的是，“超参数的确定”可由机器学习算法自动执行，或由人工根据经验直接赋值。“初始参数赋值”一般由机器学习算法自动执行，初始参数往往以随机数或者初始值为某一定值的形式进行初始化赋值。

S211：使用上述训练样例集和完成初始参数赋值的目标机器学习算法，训练得到目标机器学习模型(也可称为算法生成模型)。

具体的，可将训练样例集中的特征样本作为输入，基于其标签进行训练，得到对应的算法生成模型。

需要说明的是，对于某些机器学习算法，比如神经网络算法在训练之前是存在初始模型的，可经过训练过程来迭代优化初始模型中的各种连接权值和阈值，训练结束所得模型即神经网络算法的生成模型；

而有些机器学习算法是没有初始模型(如K-NN分类算法)，只是在训练完成后获得了进行决策、判断的机制，这些机制即算法所得的生成模型。

步骤211由上述训练设备执行。

S212：使用测试样例集测试目标机器学习模型的诊断性能。

其中，模型的诊断性能可包括诊断精度和诊断速度。

具体的，是将测试样例集中的特征样本输入目标机器学习模型，根据目标机器学习模型的输出来统计其诊断性能。

前述提及了特征样本对应标签，可根据标签作为标尺来衡量目标机器学习模型的诊断精度。以确定性故障类型为例，假定共100个用于测试的特征样本，其中50个特征样本的标签是0，而50个特征样本的标签是1。

常用模型的诊断正确率作为评价其诊断精度的方法，举例来讲，目标机器学习模型将4个标签为0的特征样本诊断错误，将6个标签为1的特征样本诊断错误，诊断错误的数量为10，则其诊断精度为90％。其他常用评价模型诊断精度的度量方式有查准率、查全率、F1度量等；

至于模型的诊断速度通常需要结合一定的辅助工具来测定，仍以上述情形为例，同样判断一定数目测试样本的诊断结果，不同机器学习算法生成的目标机器学习模型所耗用的时间是不同的，通过统计、对比其耗用时间评价其速度是否符合需求，这在嵌入式实时诊断设备中极为重要。

步骤212可由人工执行或由训练设备执行。

S213：若目标机器学习模型不满足预设条件，执行下述操作中的一种或多种，并重新训练：

重新确定目标故障类型对应的关键特征项；

修改超参数；

选择其他的机器学习算法作为目标机器学习算法。

在修改超参数时，可通过参数寻优搜索来确定最佳超参数。需要说明的是，在重新确定目标故障类型对应的关键特征项和修改超参数后，若仍难以达到预设条件，可考虑采用其他可用机器学习算法重新训练。

在一个示例中，上述预设条件可包括：目标机器学习模型的诊断精度不低于诊断精度阈值，且诊断速度不低于速度阈值，以此得到测试诊断精度和诊断速度兼顾的机器学习模型。

其中，诊断精度阈值和速度阈值可根据不同的需要而设定，例如，可设定诊断精度阈值为95％，速度阈值为1ms处理100个特征样本。

可输出并保存目标机器学习模型以供随时调用。

步骤213可由人工执行或由训练设备执行。

可见，在本实施例中，使用真实的MVB物理层波形数据进行训练，得到目标机器学习模型，目标机器学习模型并非呆板地按照总线协议进行诊断，其诊断机制与实际工业应用中MVB的真实故障类型情况更相近，诊断精度更高。从而可降低故障类型误报的机率，进而减少了技术人员的工作量，提高了列车总线通信网络的排故效率。

不考虑MVB链路层异常导致的故障，基本上所有物理层故障均可通过本发明所提供的故障诊断方法来识别。下面以三角波畸变故障为例，介绍从训练到正式进行诊断的详细过程。请参见图8，该过程包括：

S801：从数据源处获取存在不同程度三角波畸变的波形样本，并对上述波形样本进行预处理，得到预处理后的波形样本。

数据源、预处理等相关介绍请参见前文记载，在此不作赘述。

S802：确定关键特征项。

在本实施例中，可采用前述表1的16个特征项作为关键特征项。关键特征项的相关介绍请参见前文记载，在此不作赘述。

S803：开发特征提取算法。

S803与前述的S205相类似，在此不作赘述。

S804：从上述预处理后的波形样本中提取特征样本，并对上述特征样本进行标记，将标记后的特征样本放入训练样例集或测试样例集。

相关记载请参见前文介绍，在此不作赘述。

S805：从多种机器学习模型中选择出适用于三角波畸变故障的机器学习算法作为目标机器学习算法，确定目标机器学习算法的超参数，并对确定出超参数的目标机器学习算法进行初始参数赋值。

示例性的，可选取贝叶斯岭回归算法作为目标机器学习算法。

如何确定超参数和进行初始参数赋值请参见前述S210的记载，在此不作赘述。

S806：使用训练样例集和完成初始参数赋值的目标机器学习算法，训练得到目标机器学习模型。

S806与前述的S211相类似，在此不作赘述。

S807：使用测试样例集测试目标机器学习模型的诊断性能，若目标机器学习模型满足预设条件，进入S808，否则，进入S815。

预设条件相关内容请参见前述记载，在此不作赘述。

S808：获取待诊断的实时MVB物理层波形数据。

S808与前述的S101相类似，在此不作赘述。

S809：在硬件平台上部署特征提取算法。

在本步骤中，将在步骤803中开发的特征提取算法部署在硬件平台上。

S810：在上述硬件平台上部署目标机器学习模型。

在本步骤中，将训练后兼顾诊断精度和诊断速度的目标机器学习模型部署在硬件平台上。

步骤S809和S810可由人工执行。

S811：硬件平台对上述实时MVB物理层波形数据进行预处理，得到预处理后的波形数据。

S811与前述的S102相类似，在此不作赘述。

S812：硬件平台从上述预处理后的波形数据中提取关键特征向量。

S812与前述的S103相类似，在此不作赘述。

S813：硬件平台使用目标机器学习模型分析上述关键特征向量，得到故障诊断结果。

上述故障诊断结果可包括故障类型和相应的诊断信息。在本实施例中，其诊断信息可为区间[0,1]、[0,10]、[0,100]等内的连续值，数值越大说明波形畸变接近三角波的程度越大，从而给出当前波形是否为近三角波状态的诊断。

由于上述处理过程需要一定的运算时间，所以给出的故障诊断结果为实时或近实时故障诊断结果。

这里简单介绍些实时与近实时的区别：

MVB传递的是一帧帧报文，以任一报文为例，在下一报文在MVB中传输结束之前，若可得到故障诊断结果，可认为得到的是实时故障诊断结果。

而近实时是指：在一批N个(N大于1)报文在MVB中传输结束之前，若可得到前一批N个报文的故障诊断结果，可认为得到的是近实时故障诊断结果。

S814：硬件平台将关键特征向量和故障诊断结果存储至上述数据源中。

在本实施例中，将获取的实时物理层波形数据对应的关键特征向量和故障诊断结果存储至数据源中，进一步扩大了训练样例集和测试样例集。此外，还可供后续故障展示、故障分析应用程序读取，指导故障维护。

在目标机器学习模型正式投入实时诊断使用后，仍可以迭代的形式基于数据源中逐渐增多的数据不断地进行训练和优化模型，令目标机器学习模型的诊断性能逐步优化。

诊断过程和训练过程的整体流程图请参见图9。

S815：执行下述操作中的一种或多种，并重新训练：重新确定目标故障类型对应的关键特征项；修改超参数；选择其他的机器学习算法。

综上，在本发明中，目标机器学习模型可持续进行动态学习更新，对列车MVB的物理波形故障状态进行自动化的辨别和描述，相比传统方式对MVB故障的识别，本发明所提供的诊断方式诊断精度更高、可靠性更强、速度更快、所需人力成本显著降低，并可对部分衰退型总线波形故障状态给出定量描述，因此可实现对MVB物理层波形状态的智能识别，刻画物理层波形状态。

下面介绍上述诊断装置，图10示出了上述诊断装置的一种示例性结构，其可包括：采集单元1、预处理单元2和诊断单元3。其中：

采集单元1可用于获取待诊断的MVB物理层波形数据；

预处理单元2可用于对上述物理层波形数据进行预处理，得到预处理后的波形数据；

而诊断单元3可用于从预处理后的波形数据中提取关键特征向量，并使用目标机器学习模型分析上述关键特征向量，得到该MVB物理层波形数据的故障诊断结果。

相关内容请参见本文前述记载。在此不作赘述。

此外，上述诊断装置还可包括训练单元，或者，由第三方设备执行对机器学习模型的训练和测试。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及模型步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或模型的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、WD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种多功能车辆总线MVB波形的故障诊断方法，其特征在于，包括：

获取待诊断的MVB波形数据；

对所述MVB波形数据进行预处理，得到预处理后的波形数据；

从所述预处理后的波形数据中提取关键特征向量；所述关键特征向量包括各关键特征项对应的特征值；

使用目标机器学习模型分析所述关键特征向量，得到所述MVB波形数据的故障诊断结果；其中，所述目标机器学习模型是基于真实MVB波形数据训练得到的。

2.如权利要求1所述的方法，其特征在于，所述故障诊断结果包括：故障类型及相应的诊断信息；其中，所述诊断信息包括：第一信息和第二信息中的至少一种，所述第一信息用于表征所述故障类型是否发生，所述第二信息用于表征所述故障类型的故障程度。

3.如权利要求1所述的方法，其特征在于，所述目标机器学习模型的训练过程包括：

从多种MVB波形的故障类型中确定出适于采用机器学习进行诊断的故障类型；所述适于采用机器学习进行诊断的故障类型为目标故障类型；

从数据源处获取波形样本；其中，任一所述波形样本包含真实的MVB波形数据；

对所述波形样本进行预处理，得到预处理后的波形样本；

从所述预处理后的波形样本中提取特征样本；所述特征样本包括各关键特征项对应的特征值；

对所述特征样本进行标记，以表征所述特征样本的波形状态；

从多种机器学习算法中选择出适用于所述目标故障类型的机器学习算法；所述适用于所述目标故障类型的机器学习算法为目标机器学习算法；

确定所述目标机器学习算法的超参数，对确定出超参数的所述目标机器学习算法进行初始参数赋值；

使用训练样例集和完成初始参数赋值的所述目标机器学习算法，训练得到所述目标机器学习模型；其中，所述训练样例集包括至少两个标记后的特征样本。

4.如权利要求3所述的方法，其特征在于，在提取所述特征样本之前，还包括：从预设的M个特征项中选取与所述目标故障类型关联度最高的N个特征项作为所述关键特征项，其中，所述M、N均为自然数，且N小于M。

5.如权利要求4所述的方法，其特征在于，在训练得到所述目标机器学习模型后，还包括：

使用测试样例集测试所述目标机器学习模型的诊断精度和诊断速度；所述测试样例集包含至少两个标记后的特征样本；

若所述目标机器学习模型不满足预设条件，执行下述操作中的一种或多种，并进行重新训练：

重新确定所述目标故障类型对应的关键特征项；

修改所述超参数；

选择其他的机器学习算法作为所述目标机器学习算法；

其中，所述预设条件包括：所述目标机器学习模型的诊断精度不低于诊断精度阈值，且诊断速度不低于速度阈值。

6.如权利要求1所述的方法，其特征在于，在得到所述故障诊断结果后，还包括：

将所述关键特征向量和所述故障诊断结果存储至数据源中；其中，所述关键特征向量作为所述数据源中的特征样本，所述故障诊断结果用于在训练过程中标记所述关键特征向量；

或者，将在诊断过程中得到的所述预处理后的波形数据和所述故障诊断结果存储至所述数据源中；所述故障诊断结果用于在训练过程中标记所述预处理后的波形数据所对应的特征样本；

或者，

将所述MVB波形数据和所述故障诊断结果存储至所述数据源中，其中，所述故障诊断结果用于在训练过程中标记所述MVB波形数据对应的特征样本。

7.如权利要求4所述的方法，其特征在于，所述关键特征项包括关键时域特征项和关键频域特征项；

所述关键频域特征项包括：频谱极大值点的幅值、频谱极大值点的相位和频谱极大值点的频率；

所述关键时域特征项包括：幅值参数、电平参数、脉冲宽度参数、脉冲峰值位置常数、脉冲峭度和帧尾震荡参数中的至少一种。

8.如权利要求7所述的方法，其特征在于，所述从所述预处理后的波形数据中提取关键特征向量包括：

从所述预处理后的波形数据中提取各所述关键时域特征项对应的时域特征值；

将所述预处理后的波形数据转换为波形频域数据；

从所述波形频域数据中提取各所述关键频域特征项对应的频域特征值。

9.如权利要求3所述的方法，其特征在于，所述从多种机器学习算法中选择出适用于所述目标故障类型的机器学习算法包括：

若所述目标故障类型所对应的故障为确定性故障，从多种二分类机器学习算法中选择一种作为适用于所述目标故障类型的机器学习算法；

若所述目标故障类型所对应的故障为衰退性故障，从多种回归机器学习算法中选择一种作为适用于所述目标故障类型的机器学习算法。

10.一种多功能车辆总线MVB波形的故障诊断装置，其特征在于，包括：

采集单元，用于获取待诊断的MVB波形数据；

预处理单元，用于对所述MVB波形数据进行预处理，得到预处理后的波形数据；

诊断单元，用于从所述预处理后的波形数据中提取关键特征向量；使用目标机器学习模型分析所述关键特征向量，得到所述MVB波形数据的故障诊断结果；其中，所述关键特征向量包括各关键特征项对应的特征值；所述目标机器学习模型是基于真实MVB波形数据训练得到的。