CN110293949B - 一种高速列车空气制动系统微小故障检测方法 - Google Patents

Abstract

本发明公开了一种高速列车空气制动系统微小故障检测方法，属于故障诊断领域，该方法包括：在高速列车正常运行工况下，采集多组包含制动全过程的制动缸压力测量数据构成多个训练数据集；计算每个训练数据集所包含每个样本的故障检测统计量；基于所有训练数据集所包含的全部故障检测统计量信息，确定混合故障检测统计量的控制限；在高速列车实时运行工况下，将采集的当前时刻的制动缸压力数据作为测试样本，判断是否有故障发生。本发明利用历史数据建模，在线数据检测，对数据分布没有要求，且算法简单，易于计算机实现与实际应用，适用于不同的制动级别和制动阶段，对几类微小故障具有好的检测效果。

Description

一种高速列车空气制动系统微小故障检测方法

技术领域

本发明属于故障诊断领域，具体涉及一种高速列车空气制动系统微小故障检测方法。

背景技术

近年来，全世界范围内多个国家的高铁技术均取得了快速发展，高铁运营里程不断攀升。尤其，我国的高铁更是取得了举世瞩目的成就，截至2018年底，我国的高铁运营里程超过29,000公里，占世界高铁总运营里程的2/3。作为高铁系统的核心，高速列车与乘客及工作人员密切相关，其安全运行至关重要。高速列车信息控制系统可划分为几个子系统，其中制动系统主要用于确保列车在正常及紧急情况下完成符合要求的减速及停车，是极其重要的安全关键系统。

根据制动过程能量的转移方式，可将制动分为电制动和空气制动两大主要类别。近几年高速列车的电制动技术取得了长足进步，但空气制动技术仍然是高速列车制动中不可或缺的一部分。为确保高速列车空气制动系统的安全、可靠运行，目前实际运营的高速列车中已具备有效的监控和诊断逻辑，以及相应的处置方式。例如，广泛采用德国KNORR公司制定的超限报警机制对制动系统中重要的空气压力进行实时监测，一旦压力值超出限定范围便触发报警；另外，一些系统自检电路也可以有效地诊断传感器的硬件故障，诸如开路、短路故障。这类监控策略虽然可以确保列车的安全运行，但对空气制动系统中常见的几类故障(尤其在故障发生初期时)不够敏感，无法有效地对其进行检测和诊断。事实上，对这类微小/初期故障进行及时且准确的诊断非常重要：首先，可以防止这类故障演化为严重故障，从而有效避免因此而导致的制动切除或紧急停车；再者，微小故障检测与诊断可以为预防性维护与维修提供重要的部件信息，从而节省定期维护造成的经济与人力损耗。

专利(动车组制动缸故障监测方法及故障监测系统，ZL 2016 1 0065389.7，2018年4月20日授权)针对高速列车空气制动系统中的制动缸子系统，公开了一种基于变量间方差的故障监测方法及故障监测系统。通过理论分析及示例说明展示了所提方法相比当前KNORR监测逻辑的优势。然而，这类策略仍然存在不足：例如，变量间方差对空气制动系统中的上游部件例如闭环控制中的EP阀、中继阀等故障无效；此外，对发生初期的微小故障类型，比如轻度泄漏及微小幅值多重传感器故障检测效果不佳。

综上，亟需一种新的故障检测方法对高速列车空气制动系统进行在线监控，及时地完成空气制动系统中几类微小故障的检测。

发明内容

针对现有技术中存在的上述技术问题，本发明提出了一种高速列车空气制动系统微小故障检测方法，设计合理，克服了现有技术的不足，具有良好的效果。

为了实现上述目的，本发明采用如下技术方案：

一种高速列车空气制动系统微小故障检测方法，包括如下步骤：

步骤1：在高速列车正常运行工况下，采集多组包含制动全过程的制动缸压力测量数据，将采集的制动缸压力测量数据构成多个训练数据集；

步骤2：计算步骤1中每个训练数据集所包含每个样本的故障检测统计量，其中，针对每个样本需要首先确定该样本所处的制动过程阶段，然后再从混合指标中选取对应的分段函数并计算其故障检测统计量；

步骤3：基于所有训练数据集所包含的全部故障检测统计量信息，确定混合故障检测统计量的控制限；

步骤4：在高速列车实时运行工况下，采集当前时刻的制动缸压力数据，并将采集的制动缸压力数据作为测试样本，首先确定该测试样本所处的制动过程阶段，然后计算该样本的故障检测统计量，并与步骤3中的控制限进行比较，判断是否有故障发生。

优选地，在步骤1中：

在高速列车空气制动系统无故障情形下，多次运行制动全过程包括牵引、制动施加、保持和缓解过程，每节列车采集相应的多个制动缸的压力测量数据，构成多个训练数据集；其中，训练数据集的数量与运行制动全过程的次数一致，每个训练数据集包含样本的多少取决于每次运行制动全过程的持续时间；假设共有p个训练数据集，分别记为X₁，X₂，…，X_p，训练数据集的每一行代表一个样本，即包含该采样时刻m个制动缸压力测量值的行向量，不同的训练数据集所包含的样本数目相同或者不同。

优选地，在步骤2中：

记步骤1中任意一个训练数据集中的任意一个样本为x＝[x₁,x₂,…,x_i,...,x_m]^T，其中x_i表示第i个制动缸的压力，将制动全过程划分为四个阶段，利用A、B、C、D分别表示制动施加、制动保持、制动缓解以及牵引过程；首先利用如下逻辑判断样本所处的制动阶段：根据空气制动系统给定的压力参考值变化信息，当连续多个时刻压力设定值均保持恒定的非零取值时，判定进入制动保持阶段；当压力设定值打破稳态，突然降低/升高，或者降至零，判定制动保持阶段结束；

在制动保持阶段，即B阶段，采用如下故障检测统计量：

其中，

表示该样本所包含的m个制动缸压力的平均值，x^r表示制动保持阶段压力参考值；

在其他三个阶段，即A、C、D阶段，采用如下故障检测统计量：

综合上述结果，故障检测统计量表示为如下分段函数：

将步骤1中p个训练数据集的所有样本输入到上述分段函数中，得到所有训练样本的故障检测统计量。

优选地，在步骤3中：

记(3)式所示混合指标中D_s(x)的控制限为

D_c(x)的控制限为

假设步骤1中p个训练数据集总共包含N个训练样本，其中处于A、C、D阶段的样本数为N₁，处于B阶段的样本数为N₂，满足N＝N₁+N₂；按照如下方式确定控制限：

综合上述结果，故障检测统计量的控制限表示为如下相应的分段函数：

优选地，在步骤4中：

在高速列车实时运行工况下，将采集的当前时刻的制动缸压力数据作为测试样本，记为x^t∈R^m；根据步骤2中逻辑确定该样本所处的制动阶段，然后输入到步骤2中混合故障检测统计量所示的分段函数(3)中，求得其故障检测统计量D(x^t)＝D_s(x^t)或者D(x^t)＝D_c(x^t)；将x^t的故障检测统计量与步骤3中的控制限η²进行比较，如果D(x^t)＞η²，即

则认为有故障发生，否则判定系统处于正常状态。

本发明所带来的有益技术效果：

本发明提出的一种基于混合指标的高速列车空气制动系统微小故障检测方法，利用高速列车空气制动系统正常运行工况下的制动缸压力测量数据进行建模，无需空气制动系统各个部件精确的解析模型，也无需故障工况下的测量数据，便于实际应用；对空气制动系统中可能发生的阀门部件机械故障、测量传感器微小故障，以及制动管路发生的轻度泄漏故障敏感，可以有效地对空气制动系统进行在线监控，实现及时准确的故障检测；所提方法可适用于不同制动级别以及制动施加、保持和缓解等不同制动阶段；采用的故障检测算法简单，计算量小，易于计算机实现。

附图说明

图1是根据本发明一实施例的基于混合指标的高速列车空气制动系统微小故障检测方法的步骤流程图；

图2是根据本发明一示例中的空气制动系统中继阀故障检测结果示意图；

图3是根据本发明一示例中的空气制动系统多重传感器微小故障检测结果示意图；

图4是根据本发明一示例中的空气制动系统轻度泄漏故障检测结果示意图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明：

本发明的目的在于对高速列车空气制动系统实施在线监控，及时地检测出制动控制单元中阀门部件或者控制回路、制动缸部件以及气体传输管路可能发生的异常。考虑到制动作用意图将制动力平均分配到高速列车每节列车上安装的多个制动缸上，因此正常情况下每节列车多个制动缸压力应趋于一致。基于这样一个考虑，本发明在制动过程的施加、缓解及牵引阶段采用方差这一度量来衡量多个制动缸压力测量值之间的分散程度，以便及时检测到异常情况。另外，在制动保持阶段，多个制动缸压力测量值除了具备趋于一致这一特性外，还应满足各自取值在压力参考设定值附近波动这一约束。因此，在制动保持阶段，除了方差度量又引入一个跟踪误差度量项，构成一个组合故障检测统计量。综合看来，在制动过程的不同阶段，本发明采用二分段函数这样一个混合指标实现对高速列车空气制动系统的实施监控。

如图1所示，一种基于混合指标的高速列车空气制动系统微小故障检测方法，包括以下步骤：

步骤S110：在高速列车正常运行工况下，采集多组包含制动全过程的制动缸压力测量数据构成多个训练数据集。

具体地，在高速列车空气制动系统无故障发生的情形下，通过多次运行制动全过程，即牵引、制动施加、保持和缓解过程，采集每节列车相应的多个制动缸的压力测量数据，构成多个训练数据集。其中，训练数据集的数量与运行制动全过程的次数一致，每个训练数据集包含样本的多少取决于每次运行制动全过程的持续时间。假设共有p个训练数据集，分别记为X1，X2，…，Xp。训练数据集的每一行代表一个样本，即，包含该采样时刻多个制动缸压力测量值的行向量，不同的训练数据集所包含的样本数目可以不同；训练数据集的列数即为制动缸压力测量值的维数，记为m。

步骤S120：计算步骤S110中每个训练数据集所包含每个样本的故障检测统计量，其中，针对每个样本需要首先确定该样本所处的制动过程阶段，然后再从混合指标中选取对应的分段函数计算其故障检测统计量。

具体地，记步骤S110中任意一个训练数据集中的任意一个样本为x＝[x₁,x₂,…,x_m]^T∈R^m，其中x_i代表第i个制动缸的压力。考虑到制动过程不同阶段所采用的故障检测统计量有所不同，因此需要根据其特征先将制动全过程划分为典型的四个阶段，记为A～D阶段。其中，A阶段代表制动施加阶段，此时制动压力由零或者一个较小的值逐步上升到一个较大的值；B阶段为制动保持阶段，此时制动压力维持在一个稳态值附近，列车此阶段的加速度(绝对值)最大；C阶段为制动缓解阶段，此时制动压力由一个较大的值逐步减小到一个较小的值或者逐步减小到零；D阶段为无制动(单纯牵引)阶段，此时无制动力，列车处于牵引状态。利用如下逻辑判断样本所处的制动阶段：根据空气制动系统给定的压力参考值变化信息，当连续多个时刻压力设定值均保持恒定的非零取值时，判定进入制动保持阶段(即B阶段)；当压力设定值打破稳态，突然降低/升高，或者降至零，判定制动保持阶段结束。

在制动保持阶段，即B阶段，采用如下故障检测统计量：

其中，

表示该样本所包含的m个制动缸压力的平均值；x^r表示制动保持阶段压力参考值，针对特定系统及特定的制动级别，该值为已知量。可以看出，(1)式中等号右边第一项代表了不同制动缸压力测量值之间的“方差”度量，第二项代表了各个制动缸压力与目标参考压力值之间的“跟踪误差”度量。

在制动过程的其他三个阶段，即A、C、D阶段，采用如下故障检测统计量：

即，仅采用“方差”度量。因为在这三个阶段，目标参考压力取值具有时变特性或者为零，无法与各个制动缸压力测量值形成很好地对应关系。

综合上述结果，故障检测统计量可表示为如下两段函数：

然后，将步骤S110中p个训练数据集的所有样本输入到上述分段函数中，得到所有训练样本的故障检测统计量。

步骤S130：基于所有训练数据集所包含的全部故障检测统计量信息，确定混合故障检测统计量的控制限。

具体地，记(3)式所示混合指标中D_s(x)的控制限(阈值)为

D_c(x)的控制限为

假设步骤S110中p个训练数据集总共包含N个训练样本，其中处于A、C、D阶段的样本数为N₁，处于B阶段的样本数为N₂，满足N＝N₁+N₂。按照如下方式确定控制限：

综合上述结果，故障检测统计量的控制限可表示为如下相应的二分段函数：

步骤S140：在高速列车实时运行工况下，采集当前时刻的制动缸压力数据作为测试样本，首先确定该测试样本所处的制动过程阶段，然后计算该样本的故障检测统计量，并与步骤S130中的控制限进行比较，判断是否有故障发生。

具体地，在高速列车实时运行工况下，采集当前时刻的制动缸压力数据作为测试样本，记为x^t∈R^m。首先，根据步骤S120中所述逻辑确定该样本所处的制动阶段(即是否处于B阶段)，然后输入到步骤S120中混合故障检测统计量(3)中，求得其故障检测统计量D(x^t)＝D_s(x^t)或者D(x^t)＝D_c(x^t)。将x^t的故障检测统计量与步骤S130中的控制限η²进行比较，如果D(x^t)＞η²，即

则认为有故障发生，否则判定系统处于正常状态。

本发明方法利用高速列车在正常运行情况下产生的压力测量数据建模，这些数据应包含高速列车的多种运行状态，如制动施加、保持、缓解以及牵引过程。这些建模数据易于得到，且建模过程不需要高速列车空气制动系统部件精确的数学模型，也不需要故障数据，便于实际应用。

本发明方法可适用于高速列车空气制动系统不同的制动级别以及制动全过程，具有较强的自适应能力。故障检测统计量控制限的确定采用基于历史数据的经验方式获得，从而不需要对采样数据的分布提出严苛要求。

本发明方法对高速列车空气制动系统进行实时监控，相比现有技术(例如前文所述的专利ZL201610065389.7)，不仅可以有效地监测制动缸子系统，还可以对其上游部件，诸如EP阀、中继阀等部件进行异常监测。由于B阶段组合指标的引入，使得该方法对几类微小故障的检测更加有效。且在线检测策略对每个时刻采集到的压力测量数据进行处理与分析，实时性能好。

本发明方法所采用的检测指标算法简单，仅涉及到变量求均值、加减法以及标量求平方的运算，易于计算机实现。

示例

为了帮助理解本发明，同时直观地展示本发明方法用于高速列车空气制动系统微小故障的检测效果，下面对一示例进行说明。本示例基于中国中车青岛四方车辆研究所有限公司的高速列车制动系统联调试验台，用来建模的训练数据集(正常数据)以及用来展示故障检测效果的测试数据(包含故障)均来自试验台的运行数据。具体过程如下：

(1)采集训练数据

基于试验平台，在无故障情形下多次运行制动全过程，利用试验台自带的监测软件记录相应的制动缸压力测量数据。该试验台包含整列编组，共有八组制动控制单元。我们以第一节车为例，选择常规制动下最高级别，即7级制动，来采集训练数据。该试验平台的第一节车包含4个模拟制动缸，因此在本示例中，制动缸压力测量值的维数m为4。

(2)计算训练数据的故障检测统计量并存储

针对第(1)步中收集到的多组训练数据集，需要计算每组训练数据集中每一个样本的故障检测统计量。值得注意的是，在每组训练数据集中，训练样本通常都是由牵引状态，经过制动施加、制动保持、制动缓解，再回到牵引状态。利用公式(3)可以求得所有训练样本的故障检测统计量，并将这些取值存储，为下一步计算故障检测统计量的控制限提供支撑。需要说明，针对本试验台，7级常规制动对应的压力参考设定值为299kPa，因此在式(3)中针对B阶段样本，D_c(x)计算式(1)中x^r取值为299。

(3)计算得到混合故障检测统计量的控制限

有了第(2)步中获得的所有训练样本的故障检测统计量，接下来利用公式(4)和(5)计算两个故障检测统计量的控制限，针对本示例的计算结果为

和

(4)产生并收集包含故障的测试数据，进行故障检测

在本示例中，我们考虑三种类型的故障，分别为空气制动系统中继阀故障，制动缸压力传感器多重微小故障，和管路轻度泄漏故障。

首先，探究中继阀故障的检测效果。中继阀在高速列车空气制动系统中通常担任流量和压力放大的角色。在本示例所涉及的制动试验台上，中继阀为压力1:1放大，即只提供流量放大功能。我们考虑中继阀压力放大系数由标称值1降为0.9这样一种乘性故障类型。由于中继阀位于制动缸部件的上游，因此该故障会对四个制动缸压力产生相近的影响，从而使得不同制动缸压力测量值之间的“方差”度量失效，无法有效地检测出这一故障。本发明提出的混合故障检测统计量，在B阶段有效地融合了“跟踪误差”项，从而可以有效地检测到该异常。图2展示了基于混合指标的故障检测结果，其中蓝线表示故障检测统计量，红线表示相应的控制限。可以看出，在第76～158个样本之间(即B阶段)，中继阀故障被成功检测到。

其次，考虑制动缸压力测量传感器的多重微小故障类型。本组测试数据集包含208个样本，其中故障施加于第70个样本。故障类型为恒值偏差故障，分别施加到第1号和第3号传感器上，幅值分别为3kPa和2kPa。由于故障幅值较小，传统的KNORR逻辑无法检测到该故障，专利(ZL 2016 1 0065389.7)所提出的方法对此故障的检测效果也不好。图3展示了基于混合指标的故障检测结果。可以看出，尤其在B阶段，除了少数样本被漏报之外，该故障可以很好地被检测到。这也说明了一个问题，即混合指标中组合指标D_c(x)由于融合了更多的信息，因而对此类多重传感器故障更加敏感。

最后，考虑制动缸管路发生轻度泄漏故障。需要说明的是，当某一处连接点发生气体泄漏故障时，由于本试验台上各个模拟制动缸之间相互连通，因此该泄漏点不仅会对就近的制动缸压力造成影响，还会使得其他三个制动缸压力也发生轻微下降。该示例中，泄漏点发生在第4号制动缸，因此对第4个制动缸压力值x₄的影响最大，对其他三个制动缸压力{x₁～x₃}影响较小。由于该泄漏故障并不是很严重，仅会使得制动缸压力值略低于目标值，因此KNORR逻辑无法有效地检测到该故障。专利(ZL 2016 1 0065389.7)所提出的方法仅能在A阶段检测到该故障。图4展示了混合指标对此故障的检测结果。可以看出，同时在A、B阶段，该混合指标均可以有效地检测到该故障。同样，这也是由于本发明所提混合指标中组合指标D_c(x)融合了更丰富的信息，因而对此类轻度泄漏故障更有效。

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)

1.一种高速列车空气制动系统微小故障检测方法，其特征在于：包括如下步骤：

步骤1：在高速列车正常运行工况下，采集多组包含制动全过程的制动缸压力测量数据，将采集的制动缸压力测量数据构成多个训练数据集；

步骤2：计算步骤1中每个训练数据集所包含每个样本的故障检测统计量，其中，针对每个样本需要首先确定该样本所处的制动过程阶段，然后再从混合指标中选取对应的分段函数并计算其故障检测统计量；

步骤3：基于所有训练数据集所包含的全部故障检测统计量信息，确定混合故障检测统计量的控制限；

步骤4：在高速列车实时运行工况下，采集当前时刻的制动缸压力数据，并将采集的制动缸压力数据作为测试样本，首先确定该测试样本所处的制动过程阶段，然后计算该样本的故障检测统计量，并与步骤3中的控制限进行比较，判断是否有故障发生；

在步骤1中：

在高速列车空气制动系统无故障情形下，多次运行制动全过程包括牵引、制动施加、保持和缓解过程，每节列车采集相应的多个制动缸的压力测量数据，构成多个训练数据集；其中，训练数据集的数量与运行制动全过程的次数一致，每个训练数据集包含样本的多少取决于每次运行制动全过程的持续时间；假设共有p个训练数据集，分别记为X₁，X₂，…，X_p，训练数据集的每一行代表一个样本，即包含采样时刻m个制动缸压力测量值的行向量，不同的训练数据集所包含的样本数目相同或者不同；m为训练数据集的列数即为制动缸压力测量值的维数；

在步骤2中：

记步骤1中任意一个训练数据集中的任意一个样本为x＝[x₁,x₂,...,x_i,...,x_m]^T，其中x_i表示第i个制动缸的压力，将制动全过程划分为四个阶段，利用A、B、C、D分别表示制动施加、制动保持、制动缓解以及牵引过程；首先利用如下逻辑判断样本所处的制动阶段：根据空气制动系统给定的压力参考值变化信息，当连续多个时刻压力设定值均保持恒定的非零取值时，判定进入制动保持阶段；当压力设定值打破稳态，突然降低/升高，或者降至零，判定制动保持阶段结束；

在制动保持阶段，即B阶段，采用如下故障检测统计量：

其中，

表示该样本所包含的m个制动缸压力的平均值，x^r表示制动保持阶段压力参考值；

在其他三个阶段，即A、C、D阶段，采用如下故障检测统计量：

综合上述结果，故障检测统计量表示为如下分段函数：

将步骤1中p个训练数据集的所有样本输入到上述分段函数中，得到所有训练样本的故障检测统计量；

在步骤3中：

记(3)式所示混合指标中D_s(x)的控制限为

D_c(x)的控制限为

假设步骤1中p个训练数据集总共包含N个训练样本，其中处于A、C、D阶段的样本数为N₁，处于B阶段的样本数为N₂，满足N＝N₁+N₂；按照如下方式确定控制限：

综合上述结果，故障检测统计量的控制限表示为如下相应的分段函数：

在步骤4中：

在高速列车实时运行工况下，将采集的当前时刻的制动缸压力数据作为测试样本，记为x^t∈R^m；根据步骤2中逻辑确定该样本所处的制动阶段，然后输入到步骤2中混合故障检测统计量所示的分段函数(3)中，求得其故障检测统计量D(x^t)＝D_s(x^t)或者D(x^t)＝D_c(x^t)；将x^t的故障检测统计量与步骤3中的控制限η²进行比较，如果D(x^t)＞η²，即

则认为有故障发生，否则判定系统处于正常状态。

Images