CN109946096B - 基于模型空间的高速列车风管故障诊断方法 - Google Patents
基于模型空间的高速列车风管故障诊断方法 Download PDFInfo
- Publication number
- CN109946096B CN109946096B CN201811415303.4A CN201811415303A CN109946096B CN 109946096 B CN109946096 B CN 109946096B CN 201811415303 A CN201811415303 A CN 201811415303A CN 109946096 B CN109946096 B CN 109946096B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- air pipe
- model
- approximation
- 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
Images
Abstract
本发明公开的基于模型空间的高速列车风管故障诊断方法,使用BP神经网络学习了风管压力数据变化曲线;在时序空间中分别使用傅里叶基、高斯基、多项式基、正弦基等拟合函数逼近了风管压力变化曲线;在模型空间中将时序空间的风管压力数据转换为模型元素,利用元素在空间中的拓扑关系进行故障诊断。本发明公开的方法能够反映出高速列车风管的安全状态,为车辆的异常发现,现场的故障分析、排除,故障前特征判定与预警提供理论支持。
Description
技术领域
本发明属于故障诊断方法技术领域,具体涉及一种基于模型空间的高速列车风管故障诊断方法。
背景技术
我国在迅猛发展高速铁路的同时也非常重视高速铁路的安全运营,而保障高速铁路安全运营的重要条件之一便是高速列车的制动系统的安全性。目前高速列车常用的制动系统有空气制动系统和动力制动系统,而空气制动系统是高速列车的基础制动系统,也是保障高速列车安全运行的基本控制系统。高速列车空气制动系统由风管、风缸、压缩机等部件组成,这些部件在长久使用过程中不可避免的会出现损坏、老化、脱落等情况,如不及时维修则容易引发故障从而造成铁路交通事故。
针对这一现象,铁路总局、车辆制造厂家以及各相关专业的科研院所已经提出并采取了多项技术手段,但是大多数传统的自主故障诊断系统在很大程度上依赖于“正常”系统的数学模型。若这些模型可用,那么可以通过模型与实际结果的比较来进行故障诊断,但在生产环境中,工程系统往往是很复杂的,这就导致数学模型的不准确性,甚至是无用性,进而影响自主故障诊断系统的诊断效果。同时目前高速列车检修依旧是定期检修与日常维修两种方式。虽然定期检修与日常维修具有积极的预防作用,但是这两种检修方式均需要列车停运后再进行,缺乏及时性与状态跟进性,并且有时列车并未发生明显故障,只是存在安全隐患,这种问题日常维修不易查出。因此,上述检修手段对高速列车运行的安全以及可用性都带来极大地影响甚至是威胁,同时上述方式很难预防故障的突然发生,存在危害乘客生命安全的风险。在铁路交通运输中,因列车空气制动系统故障所引发的铁路交通事故,给国家、人民造成重大的损失。因此,研究高速列车空气制动系统故障诊断方法对于保障列车安全运行具有重要意义。通过建立模型空间中的高速列车风管安全状态故障诊断方法,实现了对高速列车风管安全状态进行诊断。
发明内容
本发明的目的在于提供一种基于模型空间的高速列车风管故障诊断方法,能对高速列车风管状态进行诊断,解决了现有技术不能检测出列车行驶过程中的安全隐患,难以预防行驶过程中的突发危险状况。
本发明所采用的技术方案是,基于模型空间的高速列车风管故障诊断方法,具体按照以下步骤实施:
步骤1.按高速列车风管不同工况,通过传感器采集高速列车风管压力监测数据表示为Xi(i=1,2,3,…,n),其中i表示采样点,判断Xi(i=1,2,3,…,n是否有空缺值,若存在空缺值,则在空缺值处按照临近插值方法进行插值,即将该点临近的数据值点赋给该点,通过插值处理后的数据表示为interXi(i=1,2,3,…,n);
步骤2.将步骤1得到的无空缺值的风管压力数据interXi(i=1,2,3,…,n)按照风管正常态、风管漏风故障态、风管阻塞故障态、压缩机故障态四种已知风管工况对数据进行分类提取,提取结果为具有完整工作周期的风管压力数据;
步骤3.将步骤2得到的四种类型的风管压力数据,将其作为BP神经网络的训练数据带入神经网络模型,通过BP神经网络学习,得到四种类型的神经网络学习结果,其中,每一种学习结果代表该种类型的风管状态;
步骤4.将步骤3训练后的结果,利用傅里叶基、高斯基、多项式基、正弦基对学习结果进行函数逼近,数据转换为连续泛函空间中的四种已知类型的模型元素P,并计算元素邻域R,将四种已知风管工况的模型元素建立为故障库,当有不同于这四种已知工况类型的故障发生时,可将其作为未知故障捕获;
步骤5.当有待测数据带入时,先完成时序数据到模型元素的转换,重复步骤1-4,得到待测数据的最优函数逼近表达式,即待测数据的模型元素,通过模型元素之间的拓扑关系实现故障诊断。
本发明的其他特点还在于,
步骤2的具体过程如下:
由于数据具有周期性,计算出所有风管压力周期数据“波谷”对应的时间点,然后提取出两个“波谷”之间的风管压力数据。
步骤3的具体过程如下:
首先,建立具有1个输入层、2个隐含层、1个输出层的BP神经网络模型,每层通过tansig函数激活;
其次,将步骤2得到的风管压力数据、风管漏风故障态风管压力数据、风管阻塞故障风管压力数据和压缩机故障风管压力数据从输入层输入神经网络,通过前馈计算以及tansig函数激活,再将激活后的数据传递到下一层,直至前馈到输出层,得到输出数据;
然后,计算输出数据与真实数据的MSE误差,再将其反向传播,修改每一层的网络权值,直至MSE误差满足停止条件或达到最大次数完成训练,得到四种类型的神经网络学习结果,其中每一种学习结果可以代表该种类型的风管状态。
步骤4的具体过程如下:
步骤4.1针对步骤3得到的四种学习结果,使用通过傅里叶基、高斯基、多项式基、正弦基对学习结果进行函数逼近,并且每种基与系数均进行1至8阶函数逼近,逼近处理之后每种学习结果均可得到8种逼近方程,四种学习结果的共32种逼近方程,逼近过程如下:
令提取数据:data=xlsread(‘神经网络学习结果.xlsx’),则傅里叶基函数逼近:fun=Fourier(data,n);高斯基函数逼近:fun=Gauss(data,n);多项式基函数逼近:fun=Polynomial(data,n);正弦基函数逼近:fun=Sinusoidal(data,n);
步骤4.2通过契合度K在每种学习结果经步骤4.1得到的32种函数逼近表达式中选取最优函数逼近表达式,契合度K计算公式如下公式所示。
K=SSE+RMSE+(1-R-square)+(1-Adjusted R-square) (1)
其中,SSE表示和方差,RMSE表示均方根误差,R-square表示确定系数,AdjustedR-square表示校正确定系数;利用契合度K选取最优函数逼近表达式的条件是逼近方程阶数尽可能小,在同阶数时,选择小的K值所代表逼近方程作为最优函数逼近表达式,即将四种已知工况类型的最优函数表达式作为模型元素P;
定义模型空间中模型元素P的邻域如公式(2)所示:
其中,R为已知故障模型元素的邻域,n表示参与该模型元素BP神经网络学习的实测风管压力周期数据个数,i表示参与该模型元素BP神经网络学习的实测风管压力周期数据组数,G(x)为该模型元素最佳逼近方程,fi(x)表示参与该模型元素BP神经网络学习的实测风管压力不同组数的最佳逼近方程,f1(x)表示参与学习的第一组实测风管压力周期数据的最优函数逼近表达式,f2(x)表示参与学习的第二组实测风管压力数据的最优函数逼近表达式,以此类推;
步骤4.3根据得到四种已知类型的模型元素P,建立已知类型故障库,当有不同于已知类型的故障发生时,将其作为未知故障捕获,加入到故障库中。
步骤5的中的模型之间的拓扑关系如下:
计算待测数据的模型元素P与已知四种类型模型元素,即正常态模型元素P1、风管漏风故障态模型元素P2、风管阻塞故障态模型元素P3、压缩机故障态模型元素P4之间的范数,如公式(3)所示,定义模型空间中的两个模型元素之间的范数:
L(P1,P2)=||F1·F2|| (3)
其中,L表示模型范数,P1,P2表示两个模型元素,F1,F2表示两个模型元素的最优函数逼近表达式;
若范数落在已知类型的模型元素邻域R内,则待测数据所对应的风管类型属于该已知类型,若范数不落在任意已知类型的模型元素邻域R内,则待测数据所对应的风管类型属于未知故障,将其加入故障库中;
模型空间中的故障诊断如公式(4)所示;
其中,Class(j)表示故障诊断结果,j表示已知故障模型元素个数,Gj(x)表示第j个已知故障模型元素的最佳逼近方程,U(x)为待测故障模型元素最佳逼近方程;
当Class(j)为1时,表明待测数据所表示的故障类型属于已知故障j,当Class(j)为0时表明待测数据所代表的故障类型不属于已知故障j,只有当对于所有j均有L(Gj(x),U(x))>Rj时,表明待测数据所表示的故障类型属于未知故障。
本发明的有益效果在于,
(1)本发明通过建立模型空间中的高速列车风管安全状态故障诊断方法,实现了对高速列车风管安全状态进行诊断。由于生产环境中工程系统的复杂性使得传统数学模型对于系统的拟合效果不是很理想,进而对依靠数学模型来进行故障诊断的系统产生负面影响。相对于传统的时序模型故障诊断方法,本发明采用更高维度的“模型空间”后,再进行故障诊断,能够在一定程度上抵消由于拟合效果不理想导致对依靠该类模型进行故障诊断的系统产生的影响。
(2)本发明假设已知若干种常见的故障模型,并由此建立故障模型库。当有未知故障发生时,依据故障模型库可以将其作为未知故障捕获。
(3)本文的方法提供了一种故障诊断的思路,为高速列车的异常发现、现场故障的分析与诊断提供了决策支持,能够直接或间接的支持现场车辆的维修维护工作,且与现有的列车维修维护手段相比,能提高检测效率,降低人工成本。
附图说明
图1是本发明中的模型空间示意图;
图2是本发明故障诊断方法的步骤图;
图3是本发明涉及的对风管压力数据进行插值的流程图;
图4是本发明涉及的对风管压力数据进行插值的插值效果示意图,其中,(a)是插值前风管压力数据示意图,(b)是插值后风管压力数据示意图;
图5是通过传感器采集高速列车风管压力监测数据示意图;
图6是本发明涉及的对不同工况风管压力数据进行提取的效果示意图;
图7是本发明涉及的BP神经网络示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明的基于模型空间的高速列车风管故障诊断方法,模型空间示意图如图1所示,模型空间就是在时序数据之上抽象出一个模型层,将时序数据转换为模型元素,利用该模型元素去代替时序数据。后续的学习策略直接应用在模型空间中,而非时序空间内。通过这些模型元素来代替时序数据可以使得这类数据更精简、稳定。并且该模型空间是由拟合模型的全部时序数据所组成的函数空间,因此,这些模型也就成为了模型空间中的点集。
本发明的基于模型空间的高速列车风管故障诊断方法,如图2所示,具体按照以下步骤实施:
步骤1.按高速列车风管不同工况,通过传感器采集高速列车风管压力监测数据表示为Xi(i=1,2,3,…,n),其中i表示采样点,判断Xi(i=1,2,3,…,n是否有空缺值,若存在空缺值,则在空缺值处按照临近插值方法进行插值,即将该点临近的数据值点赋给该点,通过插值处理后的数据表示为interXi(i=1,2,3,…,n);其中临近插值的流程如图3所示,插值前后对比如图4所示;
步骤2.将步骤1得到的无空缺值的风管压力数据interXi(i=1,2,3,…,n)按照风管正常态、风管漏风故障态、风管阻塞故障态、压缩机故障态四种已知风管工况对数据进行分类提取,提取结果为具有完整工作周期的风管压力数据;
由于风管故障类型在实际中是隐藏的,没有数据可以直接反映出风管处于何种故障,但是风管压力数据随着风管的充风、排风却又呈现出周期性变化,并且这种变化与风管故障类型是对应的,故需要提取结果为具有完整工作周期的四类风管压力数据,如图5所示。正是这种周期性使得数据可以提取出完成的风管工作周期数据。
由于数据具有周期性,计算出所有风管压力周期数据“波谷”对应的时间点,然后提取出两个“波谷”之间的风管压力数据,如图6所示。
步骤3.将步骤2得到的四种类型的风管压力数据,将其作为BP神经网络的训练数据带入神经网络模型,通过BP神经网络学习,得到四种类型的神经网络学习结果,其中,每一种学习结果代表该种类型的风管状态;
步骤3的具体过程如下:
如图7所示,建立具有1个输入层、2个隐含层、1个输出层的BP神经网络模型,每层通过tansig函数激活;其次,将步骤2得到的风管压力数据、风管漏风故障态风管压力数据、风管阻塞故障风管压力数据和压缩机故障风管压力数据分别带入BP神经网络模型进行训练,将风管压力数据、风管漏风故障态风管压力数据、风管阻塞故障风管压力数据和压缩机故障风管压力数据从输入层输入神经网络,通过前馈计算以及tansig函数激活,再将激活后的数据传递到下一层,直至前馈到输出层,得到输出数据;然后计算输出数据与真实数据的MSE误差,再将其反向传播,修改每一层的网络权值,直至MSE误差满足停止条件或达到最大次数完成训练,得到四种类型的神经网络学习结果,其中每一种学习结果可以代表该种类型的风管状态;
BP神经网络的算法描述如表1所示:
表1神经网络训练算法描述
步骤4.将步骤3训练后的结果,利用傅里叶基、高斯基、多项式基、正弦基对学习结果进行函数逼近,数据转换为连续泛函空间中的四种已知类型的模型元素P,并计算元素邻域R,将四种已知风管工况的模型元素建立为故障库,当有不同于这四种已知工况类型的故障发生时,可将其作为未知故障捕获;
步骤4的具体过程如下:
步骤4.1针对步骤3得到的四种学习结果,使用通过傅里叶基、高斯基、多项式基、正弦基对学习结果进行函数逼近,并且每种基与系数均进行1至8阶函数逼近,逼近处理之后每种学习结果均可得到8种逼近方程,四种学习结果的共32种逼近方程,逼近过程如下:
令提取数据:data=xlsread(‘神经网络学习结果.xlsx’),则傅里叶基函数逼近:fun=Fourier(data,n);高斯基函数逼近:fun=Gauss(data,n);多项式基函数逼近:fun=Polynomial(data,n);正弦基函数逼近:fun=Sinusoidal(data,n);
以1阶傅里叶函数逼近为例,设1阶傅里叶函数为fou(x),然后将步骤3得到的学习结果分别带入该函数,通过解方程可以得到fou(x)的系数,完成1阶傅里叶函数逼近。
再计算逼近函数仿真结果与学习结果的四种误差,和方差,均方根误差,确定系数,校正确定系数。
步骤4.2通过契合度K在每种学习结果经步骤4.1得到的32种函数逼近表达式中选取最优函数逼近表达式,契合度K计算公式如下公式所示。
K=SSE+RMSE+(1-R-square)+(1-Adjusted R-square) (1)
其中,SSE表示和方差,RMSE表示均方根误差,R-square表示确定系数,AdjustedR-square表示校正确定系数;利用契合度K选取最优函数逼近表达式的条件是逼近方程阶数尽可能小,在同阶数时,选择更小的K值所代表逼近方程作为最优函数逼近表达式,将四种已知工况类型的最优函数表达式作为模型元素P;
定义模型空间中模型元素P的邻域如公式(2)所示:
其中,R为已知故障模型元素的邻域,n表示参与该模型元素BP神经网络学习的实测风管压力周期数据个数,i表示参与该模型元素BP神经网络学习的实测风管压力周期数据组数,G(x)为该模型元素最佳逼近方程,fi(x)表示参与该模型元素BP神经网络学习的实测风管压力不同组数的最佳逼近方程,f1(x)表示参与学习的第一组实测风管压力周期数据的最优函数逼近表达式,f2(x)表示参与学习的第二组实测风管压力数据的最优函数逼近表达式,以此类推;
步骤4.3根据得到四种已知类型的模型元素P,建立已知类型故障库,当有不同于已知类型的故障发生时,将其作为未知故障捕获,加入到故障库中。
步骤5.当有待测数据带入时,先完成时序数据到模型元素的转换,重复步骤1-4,得到待测数据的最优函数逼近表达式,即待测数据的模型元素P,通过模型元素之间的拓扑关系实现故障诊断。
步骤5的中的模型之间的拓扑关系如下:
计算待测数据的模型元素P与已知四种类型模型元素,即正常态模型元素P1、风管漏风故障态模型元素P2、风管阻塞故障态模型元素P3、压缩机故障态模型元素P4之间的范数,如公式(3)所示,定义模型空间中的两个模型元素之间的范数:
L(P1,P2)=||F1·F2|| (3)
其中,L表示模型范数,P1,P2表示两个模型元素,F1,F2表示两个模型元素的最优函数逼近表达式;
若范数落在已知类型的模型元素邻域R内,则待测数据所对应的风管类型属于该已知类型,若范数不落在任意已知类型的模型元素邻域R内,则待测数据所对应的风管类型属于未知故障,将其加入故障库中;
模型空间中的故障诊断如公式(4)所示;
其中,Class(j)表示故障诊断结果,j表示已知故障模型元素个数,Gj(x)表示第j个已知故障模型元素的最佳逼近方程,U(x)为待测故障模型元素最佳逼近方程;
当Class(j)为1时,表明待测数据所表示的故障类型属于已知故障j,当Class(j)为0时表明待测数据所代表的故障类型不属于已知故障j,只有当对于所有j均有L(Gj(x),U(x))>Rj时,表明待测数据所表示的故障类型属于未知故障。
实施例1
由于外部因素致使传感器在采集数据时存在低密度的数据缺失,若直接将此数据带入计算会导致诊断命中率降低,故首先需要对此类数据进行插值处理。在本发明中插值处理方法采用临近差值。因为传感器采集时间间隔为1s,且采集周期长,同时所有风管工况类型(风管正常、风管阻塞故障、风管漏风故障、压缩机故障)风管压力监测数据的最小周期为717s,所以,基于实际采集的压力监测数据,在不丢失原始数据特征的前提下,令正常态风管压力监测数据如表2所示,其中采样时间间隔为1秒。由表2可以看出,在采样时间的第8、16秒存在数据缺失,因此需要对其进行插值处理。
在本发明中,传感器采集到的原始风管压力监测数据可以表示为Xi(i=1,2,3,…,n),其中i表示采样点。判断所有Xi(i=1,2,3,…,n)是否存在若存在则对该处进行临近插值。以表2为例进行数据插值,插值后的数据如表3所示。
表2原始高速列车风管压力监测数据
采样时间 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
压力值 | 8.4 | 9.2 | 9.8 | 10 | 9.9 | 9.5 | 9.2 | 8.8 | 8.5 | |
采样时间 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 |
压力值 | 8.5 | 9.1 | 9.7 | 10.1 | 9.8 | 9.2 | 9 | 8.7 | 8.5 | |
采样时间 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 |
压力值 | 8.5 | 9.1 | 9.7 | 9.9 | 9.6 | 9.4 | 9.2 | 9 | 8.8 | 8.4 |
表3插值处理后高速列车风管压力监测数据
采样时间 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
压力值 | 8.4 | 9.2 | 9.8 | 10 | 9.9 | 9.5 | 9.2 | 8.8 | 8.8 | 8.5 |
采样时间 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 |
压力值 | 8.5 | 9.1 | 9.7 | 10.1 | 9.8 | 9.2 | 9.2 | 9 | 8.7 | 8.5 |
采样时间 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 |
压力值 | 8.4 | 9.1 | 9.7 | 9.9 | 9.6 | 9.4 | 9.2 | 9 | 8.8 | 8.4 |
经插值处理后数据中不存在空缺值点,表示为interXi(i=1,2,3,…,n),然后需要对同一类型的interXi(i=1,2,3,…,n)进行数据提取,此处类型是指本发明中定义的四种已知风管工况(风管正常、风管阻塞故障、风管漏风故障、压缩机故障)。因为同一类型的高速列车风管压力数据呈现出周期性,故在数据提取中首先需要找出数据的“波谷”点,然后提取出两个“波谷”点间的数据。经步骤1可以得到插值后的风管压力监测数据,以表3为例进行数据提取,首先找出表3数据的“波谷”点,即得到“波谷”点对应的采样时间点,通过计算可得第1s,第10s,第20s,第30s为“波谷”点对应的采样时间;然后提取出两个“波谷”点之间的数据,通过计算可将表3数据提取为3组如表4所示,第1s至10s为第一组风管压力监测数据,第11s至20s为第二组风管压力监测数据,第21s至30s为第三组风管压力监测数据。
在数据提取之后可以得到同一类型的若干组风管压力监测数据,然后需要对提取数据进行BP神经网络学习,在BP神经网络学习中,首先以正常态风管压力监测数据为例对BP神经网络进行初始化,建立具有2个隐含层的BP神经网络,第一个隐含层的节点数为20,第二个隐含层的节点数为40,网络的传输函数均为“tansig”,本发明中涉及的BP神经网络示意图如图7所示;初始化神经网络之后,设置网络的epochs为10000,网络的goal为1e-6,网络的lr为0.01,然后将所有正常态风管压力监测数据带入初始化之后的BP神经网络对网络进行训练、学习。学习后得到1组学习后的正常态风管压力监测数据,令该组学习数据代表所有的正常态风管压力监测数据。为得到更为精确的学习结果,本方法对同一类型的数据学习进行了100次循环,从中选出误差最小的一次学习结果作为最终的BP神经网络学习结果。
表4数据提取后高速列车风管压力监测数据
表5正常态学习结果傅里叶基函数逼近误差与契合度
傅里叶逼近 | 1阶 | 2阶 | 3阶 | 4阶 | 5阶 | 6阶 | 7阶 | 8阶 |
SSE | 4.197 | 0.428 | 0.198 | 0.1968 | 0.1896 | 0.1479 | 0.09264 | 0.07201 |
R-square | 0.8765 | 0.9874 | 0.9942 | 0.9942 | 0.9944 | 0.9956 | 0.9973 | 0.9979 |
Adjusted R-square | 0.8745 | 0.9871 | 0.9939 | 0.9939 | 0.9941 | 0.9953 | 0.997 | 0.9977 |
RMSE | 0.1502 | 0.04823 | 0.03299 | 0.03307 | 0.03264 | 0.02898 | 0.02307 | 0.02046 |
K | 4.5962 | 0.50173 | 0.24289 | 0.24177 | 0.23374 | 0.18598 | 0.12141 | 0.09687 |
表6正常态学习结果高斯基函数逼近误差与契合度
高斯逼近 | 1阶 | 2阶 | 3阶 | 4阶 | 5阶 | 6阶 | 7阶 | 8阶 |
SSE | 9.86 | 1.304 | 0.8978 | 0.1958 | 0.1667 | 0.1623 | 0.1612 | 0.1622 |
R-square | 0.7098 | 0.9616 | 0.9736 | 0.9942 | 0.9951 | 0.9952 | 0.9953 | 0.9952 |
Adjusted R-square | 0.7067 | 0.9606 | 0.9724 | 0.9939 | 0.9947 | 0.9948 | 0.9947 | 0.9946 |
RMSE | 0.2296 | 0.0842 | 0.07043 | 0.03316 | 0.03087 | 0.03072 | 0.03088 | 0.03126 |
K | 10.6731 | 1.466 | 1.02223 | 0.24086 | 0.20777 | 0.20302 | 0.20208 | 0.20366 |
在得到学习结果之后需要对学习结果进行函数逼近。针对四种已知类型的风管压力监测数据分别利用傅里叶基、高斯基、多项式基、正弦基对其进行1至8阶函数逼近,并计算逼近误差与契合度K,其中K的计算如公式(1)所示。本发明以风管正常态学习结果为例,不同基的函数逼近误差与契合度K如表5至表8所示。
表7正常态学习结果多项式基函数逼近误差与契合度
多项式逼近 | 1阶 | 2阶 | 3阶 | 4阶 | 5阶 | 6阶 | 7阶 | 8阶 |
SSE | 26.13 | 10.26 | 1.995 | 1.781 | 1.244 | 0.4044 | 0.3481 | 0.2498 |
R-square | 0.2312 | 0.698 | 0.9413 | 0.9476 | 0.9634 | 0.9881 | 0.9898 | 0.9926 |
Adjusted R-square | 0.2271 | 0.6948 | 0.9403 | 0.9464 | 0.9624 | 0.9877 | 0.9894 | 0.9923 |
RMSE | 0.3728 | 0.2343 | 0.1036 | 0.09813 | 0.08224 | 0.04701 | 0.04373 | 0.03715 |
K | 28.0445 | 11.1015 | 2.217 | 1.98513 | 1.40044 | 0.47561 | 0.41263 | 0.30205 |
表8正常态学习结果正弦基函数逼近误差与契合度
正弦逼近 | 1阶 | 2阶 | 3阶 | 4阶 | 5阶 | 6阶 | 7阶 | 8阶 |
SSE | 10.13 | 1.132 | 1.298 | 0.2164 | 0.3102 | 0.2541 | 0.2134 | 0.2721 |
R-square | 0.7018 | 0.9667 | 0.9618 | 0.9936 | 0.9909 | 0.9925 | 0.9937 | 0.992 |
Adjusted R-square | 0.6986 | 0.9658 | 0.9601 | 0.9932 | 0.9901 | 0.9918 | 0.993 | 0.9909 |
RMSE | 0.2328 | 0.07845 | 0.08467 | 0.03487 | 0.0421 | 0.03844 | 0.03553 | 0.04048 |
K | 10.9624 | 1.27795 | 1.46077 | 0.26447 | 0.3713 | 0.30824 | 0.26223 | 0.32968 |
在函数逼近中,逼近方程阶数越高逼近效果越好,但是在生产环境中,并不是如此。因此,本发明定义契合度K用于选择最佳逼近方程,在生产环境中,只有当K满足诊断要求,且逼近方程阶数尽可能小时的解为最优解。通过实验验证当K约为0.2时函数逼近效果就已经能满足故障诊断要求。四种已知类型的最佳逼近方程如表9所示。
在得到四种已知风管工况类型的函数逼近最佳方程Gj(x),(j=1,2,3,4)后,需要利用Gj(x),(j=1,2,3,4)进行风管模型元素邻域Rj,(j=1,2,3,4)的计算。模型元素邻域Rj,(j=1,2,3,4)的计算如公式(2)所示,模型元素的邻域Rj,(j=1,2,3,4)等于参与BP神经网络学习的所有样本数据fi(x),(i=1,2,3,…,n)与其最佳逼近方程Gj(x)间范数之和的平均值,本发明中两元素的范数L如公式(3)所示。在得到四种风管类型的最佳逼近方程后,可据此建立故障库用于风管的故障诊断。
表9函数逼近最佳方程
高速列车风管故障诊断主要是通过模型空间中模型元素间的拓扑关系来实现,诊断过程如公式(4)所示。当有待测数据带入时,首先对待测数据进行插值处理,然后进行数据提取,BP神经网络学习,函数逼近,直至得到待测数据的最佳逼近方程U(x),得到U(x)后,通过判断Gj(x),(j=1,2,3,4)与U(x)之间的范数L(Gj(x),U(x))是否落在相应元素邻域Rj,(j=1,2,3,4)内来得到风管故障类型Class(j)。当Class(j)为1时,说明待测数据所表示的故障类型属于已知故障j;当Class(j)为0时,说明待测数据所代表的故障类型不属于已知故障j,只有当对于所有j均有L(Gj(x),U(x))>Rj,说明待测数据所表示的故障类型属于未知故障。故障诊断结果如表10所示。
表10故障诊断结果
本发明在现有研究的基础上提出一种基于模型空间的高速列车风管故障诊断方法。通过数据学习,函数逼近等方法将时序空间中监测的风管压力数据转换为连续泛函空间中的模型元素,并计算出元素邻域,再利用元素间的拓扑关系对其进行故障诊断。同时本文依据已有实验结果定义三种已知故障类型,并以此为基础建立故障库。当有无法判别的故障发生时,依据故障原因将其加入故障库。本发明可以有效的反映风管运行工况,进而较准确的实现风管的故障诊断,对高速列车风管异常发现,故障分析与排除,故障前风管特征判定与预警提供理论与决策支持。
Claims (5)
1.基于模型空间的高速列车风管故障诊断方法,其特征在于,具体按照以下步骤实施:
步骤1.按高速列车风管不同工况,通过传感器采集高速列车风管压力监测数据表示为Xi,其中i表示采样点,i=1,2,3,…,n,判断Xi是否有空缺值,若存在空缺值,则在空缺值处按照临近插值方法进行插值,即将该点临近的数据值点赋给该点,通过插值处理后的数据表示为inter Xi;
步骤2.将步骤1得到的无空缺值的风管压力数据inter Xi按照风管正常态、风管漏风故障态、风管阻塞故障态、压缩机故障态四种已知风管工况对数据进行分类提取,提取结果为具有完整工作周期的风管压力数据;
步骤3.将步骤2得到的四种类型的风管压力数据,将其作为BP神经网络的训练数据带入神经网络模型,通过BP神经网络学习,得到四种类型的神经网络学习结果,其中,每一种学习结果代表该种类型的风管状态;
步骤4.将步骤3训练后的结果,利用傅里叶基、高斯基、多项式基和正弦基对学习结果进行函数逼近,数据转换为连续泛函空间中的四种已知类型的模型元素P,并计算元素邻域R,将四种已知风管工况的模型元素建立为故障库,当有不同于这四种已知工况类型的故障发生时,将其作为未知故障捕获;
步骤5.当有待测数据带入时,先完成时序数据到模型元素的转换,重复步骤1-4,得到待测数据的最优函数逼近表达式,即待测数据的模型元素,通过模型元素之间的拓扑关系实现故障诊断。
2.如权利要求1所述基于模型空间的高速列车风管故障诊断方法,其特征在于,所述步骤2的具体过程如下:
由于数据具有周期性,计算出所有风管压力周期数据“波谷”对应的时间点,然后提取出两个“波谷”之间的风管压力数据。
3.如权利要求1所述基于模型空间的高速列车风管故障诊断方法,其特征在于,所述步骤3的具体过程如下:
首先,建立具有1个输入层、2个隐含层、1个输出层的BP神经网络模型,每层通过tansig函数激活;
其次,将步骤2得到的风管压力数据、风管漏风故障态风管压力数据、风管阻塞故障风管压力数据和压缩机故障风管压力数据从输入层输入神经网络,通过前馈计算以及tansig函数激活,再将激活后的数据传递到下一层,直至前馈到输出层,得到输出数据;
然后,计算输出数据与真实数据的MSE误差,再将其反向传播,修改每一层的网络权值,直至MSE误差满足停止条件或达到最大次数完成训练,得到四种类型的神经网络学习结果,其中每一种学习结果代表该种类型的风管状态。
4.如权利要求3所述基于模型空间的高速列车风管故障诊断方法,其特征在于,所述步骤4的具体过程如下:
步骤4.1针对步骤3得到的四种学习结果,使用通过傅里叶基、高斯基、多项式基、正弦基对学习结果进行函数逼近,并且每种基与系数均进行1至8阶函数逼近,逼近处理之后每种学习结果均可得到8种逼近方程,四种学习结果的共32种逼近方程,逼近过程如下:
令提取数据:data=xlsread(‘神经网络学习结果.xlsx’),则傅里叶基函数逼近:fun=Fourier(data,n);高斯基函数逼近:fun=Gauss(data,n);多项式基函数逼近:fun=Polynomial(data,n);正弦基函数逼近:fun=Sinusoidal(data,n);n表示参与该模型元素BP神经网络学习的实测风管压力周期数据个数;
步骤4.2通过契合度K在每种学习结果经步骤4.1得到的32种函数逼近表达式中选取最优函数逼近表达式,契合度K计算公式如下公式所示;
K=SSE+RMSE+(1-R-square)+(1-Adjusted R-square) (1)
其中,SSE表示和方差,RMSE表示均方根误差,R-square表示确定系数,Adjusted R-square表示校正确定系数;利用契合度K选取最优函数逼近表达式的条件是逼近方程阶数尽可能小,在同阶数时,选择小的K值所代表逼近方程作为最优函数逼近表达式,即将四种已知工况类型的最优函数表达式作为模型元素P;
定义模型空间中模型元素P的邻域如公式(2)所示:
其中,R为已知故障模型元素的邻域,n表示参与该模型元素BP神经网络学习的实测风管压力周期数据个数,i表示参与该模型元素BP神经网络学习的实测风管压力周期数据组数,G(x)为该模型元素最佳逼近方程,fi(x)表示参与该模型元素BP神经网络学习的实测风管压力不同组数的最佳逼近方程,f1(x)表示参与学习的第一组实测风管压力周期数据的最优函数逼近表达式,f2(x)表示参与学习的第二组实测风管压力数据的最优函数逼近表达式,以此类推;L(G(x),fi(x))表示G(x)与fi(x)的范数;
步骤4.3根据得到四种已知类型的模型元素P,建立已知类型故障库,当有不同于已知类型的故障发生时,将其作为未知故障捕获,加入到故障库中。
5.如权利要求4所述基于模型空间的高速列车风管故障诊断方法,其特征在于,所述步骤5的中的模型之间的拓扑关系如下:
计算待测数据的模型元素P与已知四种类型模型元素,即正常态模型元素P1、风管漏风故障态模型元素P2、风管阻塞故障态模型元素P3、压缩机故障态模型元素P4之间的范数,如公式(3)所示,定义模型空间中的两个模型元素之间的范数:
L(P1,P2)=||F1·F2|| (3)
其中,L表示模型范数,P1,P2表示两个模型元素,F1,F2表示两个模型元素的最优函数逼近表达式;
若范数落在已知类型的模型元素邻域R内,则待测数据所对应的风管类型属于该已知类型,若范数不落在任意已知类型的模型元素邻域R内,则待测数据所对应的风管类型属于未知故障,将其加入故障库中;
模型空间中的故障诊断如公式(4)所示;
其中,Class(j)表示故障诊断结果,j表示已知故障模型元素个数,Gj(x)表示第j个已知故障模型元素的最佳逼近方程,U(x)为待测故障模型元素最佳逼近方程;Rj表示已知故障模型元素邻域;
当Class(j)为1时,表明待测数据所表示的故障类型属于已知故障j,当Class(j)为0时表明待测数据所代表的故障类型不属于已知故障j,只有当对于所有j均有L(Gj(x),U(x))>Rj时,表明待测数据所表示的故障类型属于未知故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811415303.4A CN109946096B (zh) | 2018-11-26 | 2018-11-26 | 基于模型空间的高速列车风管故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811415303.4A CN109946096B (zh) | 2018-11-26 | 2018-11-26 | 基于模型空间的高速列车风管故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109946096A CN109946096A (zh) | 2019-06-28 |
CN109946096B true CN109946096B (zh) | 2020-09-25 |
Family
ID=67005901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811415303.4A Active CN109946096B (zh) | 2018-11-26 | 2018-11-26 | 基于模型空间的高速列车风管故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109946096B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113884239B (zh) * | 2021-08-13 | 2023-12-22 | 中车南京浦镇车辆有限公司 | 一种基于tcms数据的列车制动系统管路泄漏诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015114151A (ja) * | 2013-12-10 | 2015-06-22 | 横浜ゴム株式会社 | シミュレーションモデルの作成方法及びプログラム |
CN106226097A (zh) * | 2016-09-14 | 2016-12-14 | 西安理工大学 | 基于隐马尔可夫模型的高速列车风管安全状态诊断方法 |
CN106840703A (zh) * | 2017-03-07 | 2017-06-13 | 上海市环境科学研究院 | 尾气后处理装置的减排效果评价方法、系统及测试设备 |
-
2018
- 2018-11-26 CN CN201811415303.4A patent/CN109946096B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015114151A (ja) * | 2013-12-10 | 2015-06-22 | 横浜ゴム株式会社 | シミュレーションモデルの作成方法及びプログラム |
CN106226097A (zh) * | 2016-09-14 | 2016-12-14 | 西安理工大学 | 基于隐马尔可夫模型的高速列车风管安全状态诊断方法 |
CN106840703A (zh) * | 2017-03-07 | 2017-06-13 | 上海市环境科学研究院 | 尾气后处理装置的减排效果评价方法、系统及测试设备 |
Non-Patent Citations (1)
Title |
---|
基于模型空间的树形数据处理方法;董亚东等;《计算机工程》;20170430;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109946096A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
US8209080B2 (en) | System for determining most probable cause of a problem in a plant | |
CN107941537A (zh) | 一种机械设备健康状态评估方法 | |
CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN107703920A (zh) | 基于多元时间序列的列车制动系统的故障检测方法 | |
CN109783903B (zh) | 一种基于时间序列的工业用水管道故障诊断方法及系统 | |
CN111474919B (zh) | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 | |
CN108092623B (zh) | 一种光伏阵列多传感器故障检测定位方法 | |
CN108804740B (zh) | 基于集成改进ica-krr算法的长输管道压力监测方法 | |
CN111637045B (zh) | 一种海洋平台空气压缩机故障诊断方法 | |
CN111401529B (zh) | 一种基于遥感技术的河流生态流量监管方法 | |
CN114239377A (zh) | 一种城轨机电设备健康状态评估方法、系统及存储介质 | |
CN110570013B (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
CN103646013B (zh) | 一种基于协方差矩阵范数逼近的多重故障重构方法 | |
CN113761649A (zh) | 一种基于一维卷积神经网络的智能汽车轮胎偏磨预测方法 | |
CN109976311A (zh) | 一阶定值控制系统传感器故障诊断方法及诊断系统 | |
CN109946096B (zh) | 基于模型空间的高速列车风管故障诊断方法 | |
CN113203464A (zh) | 一种动态车载称重系统的传感器故障检测方法 | |
CN110187206B (zh) | 一种复杂工况下非高斯过程的悬浮系统的故障检测方法 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN110727669B (zh) | 一种电力系统传感器数据清理装置及清理方法 | |
CN108895839B (zh) | 烧结机漏风故障在线诊断方法 | |
Liao et al. | The fault diagnosis for centrifugal compressor based on time series analysis with neutral network | |
CN112052551A (zh) | 一种风机喘振运行故障识别方法及系统 | |
CN112990275B (zh) | 一种半定量信息融合的高速列车走行部系统故障诊断方法 |
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 |