CN109855855B - 高速列车闭环刹车制动系统间歇故障检测方法 - Google Patents

Abstract

本发明公开了一种高速列车闭环刹车制动系统间歇故障检测方法，具体涉及故障诊断技术领域。其解决了现有的高速列车故障检测技术对幅值较小且持续时间有限的间歇故障不能进行有效检测的不足。该方法通过对连续采集的高速列车闭环刹车制动系统的多个传感器的正常工况下的样本数据进行离散训练，在得出高速列车闭环刹车制动系统间歇故障的方向和故障幅值下界的基础上，对T²,Q,φ,D统计量分别计算其flag值，选取flag值最大的统计量进行在线阶段的故障检测。

Description

高速列车闭环刹车制动系统间歇故障检测方法

技术领域

本发明涉及故障诊断技术领域，具体涉及一种高速列车闭环刹车制动系统间歇故障检测方法。

背景技术

近年来，随着高速列车的飞速发展，对其关键系统的故障检测问题已成为研究热点。闭环刹车制动系统作为高速列车信息控制系统中与安全性相关密切的子系统，已有很多数据驱动的故障检测方法在其上取得了成功应用。但人们对持续故障的检测问题关注较多，而对间歇故障的检测问题关注较少。随着近年来电子、信息等技术的高速发展，间歇故障逐渐引起了人们的重视。间歇故障是指一类持续时间有限，没有外部补偿措施仍然可以自行消失使系统重新恢复可接受性能的故障。高速列车闭环刹车制动系统在复杂环境下运行，易发生间歇故障。一方面，复杂的电子电路构成了电子制动控制单元，其虚焊老化等会引发控制器间歇故障。此外，高速列车会受震动、电磁干扰等影响，制动系统车载传感器也易发生间歇失效。

间歇故障若不及时进行检测，任其发展，则最终有可能演变为持续故障，因此间歇故障可视为持续故障的一种前兆。与持续故障相比，间歇故障更难以被检测，因为其具有幅值微小且持续时间有限的特性。目前大部分的故障检测方法一般针对幅值较大的故障效果明显，而针对幅值较小的故障不敏感。近几年虽然在微小故障的检测方面取得了一系列研究成果，但间歇故障不仅具有幅值微小的特性，其还具有持续时间较短的特性，使其比微小故障更难被检测。

另一方面，高速列车刹车制动系统的多级闭环控制和系统的动态特性使得实时观测样本之间含有很强的自相关性。传统的数据驱动故障检测方法多假设实时观测样本之间是独立的，而这种假设在闭环系统中很难成立。目前为止，考虑高速列车闭环刹车制动系统中实时观测样本含有较强的自相关性，如何对幅值较小且持续时间有限的间歇故障进行有效检测，尚未得到广泛研究。

发明内容

本发明的目的是针对高速列车间歇故障检测存在的不足，提出了一种可以处理高速列车闭环刹车制动系统中实时观测样本之间含有较强自相关性的问题，并能够检测出幅值较小且持续时间有限的间歇故障的高速列车闭环刹车制动系统间歇故障检测方法。

本发明具体采用如下技术方案：

高速列车闭环刹车制动系统间歇故障检测方法，具体包括以下步骤：

步骤11、离线训练：

111、假设高速列车闭环刹车制动系统包含m个传感器，且m个传感器的采样时刻均相同，则连续采集N个正常单工况下的样本数据，并构造如式(1)所示的正常工况测量矩阵：

[X₁,X₂,…,X_N]∈R^m×N (1)

其中，X_k∈R^m×1为列向量；

112、按照式(2)对测量数据进行增广，构造增广测量矩阵Y∈R^(N-W+1)×Wm：

其中，W为增广的窗口长度，其初始值取为1；

113、将增广测量矩阵Y的各列标准化为零均值单位方差，并对标准化后的测量矩阵X的协方差矩阵S按照式(3)进行特征值分解：

其中，Λ包含了协方差矩阵S的Wm个特征值，并以降序排列，P为对应的特征向量；

114、确定主成分的个数l，并将

按照式(4)分解：

其中，P由

的前l列构成；

115、按照式(5)计算主成分空间的马氏距离T²、平方预测误差Q、主成分空间的马氏距离T²和平方预测误差Q的加权φ、全空间马氏距离D统计量的核矩阵：

其中，

J_th,Q,J_th,φ,J_th,D分别为T²，Q，φ，D统计量的阈值，根据给定的置信水平α由式(6)确定，

其中，

为自由度为h的χ²分布置信水平为α时的上分位数；

116、根据历史故障数据，给出高速列车闭环刹车制动系统间歇故障的方向ξ_q、故障幅值下界

并对T²，Q，φ，D统计量分别计算其flag值如式(7)：

若不存在任何一个统计量的flag值大于1，则置W＝W+1并重新从步骤112开始执行；

若存在flag值大于1的统计量，则选取flag值最大的统计量记为统计量γ，并采用统计量γ进行如下在线阶段的故障检测；

步骤12、在线故障检测：

121、在线采集新测量样本y_k，并按照式(8)构造增广的新测量样本向量

根据训练数据，将增广的新测量样本

标准化为

122、根据式(9)在线实时计算所选取的统计量γ，

其中M_γ为统计量γ_k的核矩阵，已由离线训练阶段的步骤115确定；

123、根据式(10)的逻辑进行故障检测：

本发明具有如下有益效果：

该方法可以处理高速列车闭环刹车制动系统中实时观测样本之间含有较强自相关性的问题，并能够检测出幅值较小且持续时间有限的间歇故障，提高了数据驱动方法对间歇故障的检测能力。

附图说明

图1为高速列车闭环刹车制动系统间歇故障检测方法流程框图；

图2为增广的D统计量进行实时间歇故障检测的检测结果示意图；

图3为未采用增广技术的D统计量检测结果示意图。

具体实施方式

下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：

如图1所示，高速列车闭环刹车制动系统间歇故障检测方法，具体包括以下步骤：

步骤11、离线训练：

111、假设高速列车闭环刹车制动系统包含m个传感器，且m个传感器的采样时刻均相同，则连续采集N个正常单工况下的样本数据，并构造如式(1)所示的正常工况测量矩阵：

[X₁,X₂,…,X_N]∈R^m×N (1)

其中，X_k∈R^m×1为列向量；

112、按照式(2)对测量数据进行增广，构造增广测量矩阵Y∈R^(N-W+1)×Wm：

其中，W为增广的窗口长度，其初始值取为1；

113、将增广测量矩阵X的各列标准化为零均值单位方差，并对标准化后的测量矩阵X的协方差矩阵S按照式(3)进行特征值分解：

其中，Λ包含了协方差矩阵S的Wm个特征值，并以降序排列，P为对应的特征向量；

114、确定主成分的个数l，并将

按照式(4)分解：

其中，P由

的前l列构成；

115、按照式(5)计算T²，Q，φ，D统计量的核矩阵：

其中，

J_th,Q,J_th,φ,J_th,D分别为T²，Q，φ，D统计量的阈值，根据给定的置信水平α由式(6)确定，

其中，

为自由度为h的χ²分布置信水平为α时的上分位数；

116、根据历史故障数据，给出高速列车闭环刹车制动系统间歇故障的方向ξ_q、故障幅值下界

并对T²，Q，φ，D统计量分别计算其flag值如式(7)：

若不存在任何一个统计量的flag值大于1，则置W＝W+1并重新从步骤112开始执行；

若存在flag值大于1的统计量，则选取flag值最大的统计量记为统计量γ，并采用统计量γ进行如下在线阶段的故障检测；

步骤12、在线故障检测：

121、在线采集新测量样本y_k，并按照式(8)构造增广的新测量样本向量

根据训练数据，将增广的新测量样本

标准化为

122、根据式(9)在线实时计算所选取的统计量γ，

其中M_γ为统计量γ_k的核矩阵，已由离线训练阶段的步骤115确定；

123、根据式(10)的逻辑进行故障检测：

为了验证所提出的高速列车闭环刹车制动系统间歇故障检测方法的有效性，利用高速列车闭环刹车制动系统仿真案例进行了验证。首先收集高速列车闭环刹车制动系统正常工况下的5000个观测数据，作为训练数据。随后，再收集高速列车闭环刹车制动系统正常工况下的1000个观测数据，并从第401个数据起加入传感器间歇故障，作为测试数据。传感器间歇故障即对某个监测变量的测量出现偏差。所加入传感器间歇故障的幅值略小于该监测变量的标准差，间歇故障持续10个采样时刻，即第401至第410个采样时刻包含传感器间歇故障。根据离线训练阶段的步骤，我们可以确定增广的窗口长度为W＝3，且flag值最大的统计量为D统计量。因此在线故障检测阶段，我们采用增广的D统计量进行实时间歇故障检测，其检测结果如图2所示。

上图中曲线1代表增广的D统计量值，横直线2代表了该统计量的阈值。当统计量的值超过阈值时，则我们判断发生了故障，否则判断为无故障。上图曲线3代表了间歇故障发生时增广的D统计量的值，即从第401到第410个采样时刻增广的D统计量的值。

为了对比方便，未采用增广技术的D统计量检测结果如图3。容易看出，我们的方法有效提高了对间歇故障的检测能力，且误报率在可接受范围内。综上，基于增广技术的间歇故障检测方法提高了数据驱动方法对高速列车闭环刹车制动系统间歇故障的检测能力。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (1)

1.高速列车闭环刹车制动系统间歇故障检测方法，其特征在于，具体包括以下步骤：

步骤11、离线训练：

111、假设高速列车闭环刹车制动系统包含m个传感器，且m个传感器的采样时刻均相同，则连续采集N个正常单工况下的样本数据，并构造如式(1)所示的正常工况测量矩阵：

[X₁,X₂,…,X_N]∈R^m×N (1)

其中，X_k∈R^m×1为列向量；

112、按照式(2)对测量数据进行增广，构造增广测量矩阵Y∈R^(N-W+1)×Wm：

其中，W为增广的窗口长度，其初始值取为1；

113、将增广测量矩阵Y的各列标准化为零均值单位方差，并对标准化后的测量矩阵X的协方差矩阵S按照式(3)进行特征值分解：

其中，Λ包含了协方差矩阵S的Wm个特征值，并以降序排列，P为对应的特征向量；

114、确定主成分的个数l，并将

按照式(4)分解：

其中，P由

的前l列构成；

115、按照式(5)计算主成分空间的马氏距离T²、平方预测误差Q、主成分空间的马氏距离T²和平方预测误差Q的加权φ、全空间马氏距离D统计量的核矩阵：

M_Q＝I-PP^T

M_D＝S^-1 (5)

其中，

J_th,Q,J_th,φ,J_th,D为T²，Q，φ，D统计量的阈值，根据给定的置信水平α由式(6)确定，

其中，

为自由度为h的χ²分布置信水平为α时的上分位数；

116、根据历史故障数据，给出高速列车闭环刹车制动系统间歇故障的方向ξ_q、故障幅值下界

并对T²，Q，φ，D统计量分别计算其flag值如式(7)：

若不存在任何一个统计量的flag值大于1，则置W＝W+1并重新从步骤112开始执行；

若存在flag值大于1的统计量，则选取flag值最大的统计量记为统计量γ，并采用统计量γ进行如下在线阶段的故障检测；

步骤12、在线故障检测：

121、在线采集新测量样本y_k，并按照式(8)构造增广的新测量样本向量

根据训练数据，将增广的新测量样本

标准化为

122、根据式(9)在线实时计算所选取的统计量γ，

其中M_γ为统计量γ_k的核矩阵，已由离线训练阶段的步骤115确定；

123、根据式(10)的逻辑进行故障检测：

Images