CN110361207B - 一种智能列车走行部在线状态预测系统及其方法 - Google Patents

Abstract

本发明公开了一种智能列车走行部在线状态预测系统，包括列车走行部分解模块、列车走行部历史数据获取模块、列车走行部实时数据获取模块和列车走行部状态预测模块；列车走行部分解模块对列车走行部进行分解；列车走行部历史数据获取模块获取列车走行部历史数据信息；列车走行部实时数据获取模块获取列车走行部的实时数据信息；列车走行部状态预测模块建立针对不同类别走行部的列车走行部状态预测模型并对列车走行部的状态进行在线实时预测。本发明还公开了所述智能列车走行部在线状态预测系统的方法。本发明能够实时预测列车走行部的状态，提高检修效率和检修准确度，保证列车的行车安全以及行车舒适度，而且可靠性高，实时性好。

Description

一种智能列车走行部在线状态预测系统及其方法

技术领域

本发明具体涉及一种智能列车走行部在线状态预测系统及其方法。

背景技术

随着经济技术的发展和人们生活水平的提高，交通已经成为了现代社会最为重要的组成部分之一。而随着技术的发展，我国的铁路行业也得到了极大的发展。

列车是我国铁路行业的主要运输车辆，列车走行部是列车运行的核心部位，有着带动列车行驶，引导列车转向，减缓列车振动的作用。列车走行部的状态直接影响了列车行驶过程的舒适度和安全性，对列车走行部进行在线状态预测是实现智能列车的必要过程。

目前，检测列车走行部主要是等列车完成行程之后进入车辆段或机务段才进行检测，而且检测结果受限于人，通常人的疲劳程度和细心程度会影响检测结果，可能会出现忽略故障的情况。

这种检查方式，不仅费时费力，而且无法实时对列车的电气系统进行监控，特别是列车在运行时的状态无法实时监控。这样，列车在运行时，就承担了相对较大的风险。

发明内容

本发明的目的之一在于提供一种能够对列车走行部进行实时监测和在线状态预测、可靠性高且实时性好的智能列车走行部在线状态预测系统。

本发明的目的之二在于提供一种所述智能列车走行部在线状态预测系统的方法。

本发明提供的这种智能列车走行部在线状态预测系统，包括列车走行部分解模块、列车走行部历史数据获取模块、列车走行部实时数据获取模块和列车走行部状态预测模块；列车走行部分解模块的输出端直接连接列车走行部历史数据获取模块的输入端和列车走行部实时数据获取模块的输入端；列车走行部历史数据获取模块的输出端和列车走行部实时数据获取模块的输出端均直接连接列车走行部状态预测模块；列车走行部分解模块用于对列车走行部进行分解，并将分解结果上传列车走行部历史数据获取模块和列车走行部实时数据获取模块；列车走行部历史数据获取模块用于获取列车走行部的历史数据信息并上传列车走行部状态预测模块；列车走行部实时数据获取模块用于获取列车走行部的实时数据信息并上传列车走行部状态预测模块；列车走行部状态预测模块用于根据列车走行部历史数据获取模块上传的历史数据信息建立针对不同类别走行部的列车走行部状态预测模型，并采用建立的列车走行部状态预测模型，根据列车走行部实时数据获取模块上传的实时数据信息，对列车走行部的状态进行在线实时预测。

本发明还提供了一种所述智能列车走行部在线状态预测系统的方法，包括如下步骤：

S1.对列车走行部进行分解，获取分解后的列车走行部的各个部件；

S2.获取列车走行部的历史数据信息；

S3.根据步骤S2获取的历史数据信息，对列车走行部进行分类，并分别建立列车走行部状态预测模型；

S4.实时获取列车走行部的实时数据信息；

S5.根据步骤S4获取的实时数据信息和步骤S3建立的不同类别的列车走行部状态预测模型，对不同类别的列车走行部进行实时在线状态预测。

步骤S1所述的对列车走行部进行分解，具体为将列车走行部分解为轮对轴箱装置、弹性悬挂装置、构架、侧架、基础制动装置、支撑车体装置和牵引电机装置。

步骤S2所述的历史数据信息，具体包括列车走行部的各个部件的型号和数量，列车走行部的行走里程，行车走行部的两侧的弹性悬挂装置的上下两侧的振动数据，列车走行部的构架两侧的横向应力、轴向应力和垂向应力，列车走行部的轮对轴箱装置处的噪声数据，列车走行部工作时的图像数据，以及列车走行部的各个部件的损伤状态数据。

步骤S3所述的对列车走行部进行分类，并分别建立列车走行部状态预测模型，具体为采用如下步骤建立状态预测模型：

A.获取列车走行部的原始状态数据并进行处理；

B.根据列车走行部的各部件的型号和数量的不同对列车走行部进行分类；

C.针对不同类别的走行部分别构建基于马尔科夫链的损伤状态转移模型，并获取状态转移概率矩阵；

D.针对不同类别的走行部分别构建基于LSTM深度网络的列车走行部状态预测模型。

步骤A所述的获取列车走行部的原始状态数据并进行处理，具体为采用如下步骤进行数据获取和数据处理：

a.获取列车走行部的累计行驶里程和持续行驶里程；所述累计行驶里程是指该列车走行部从全新安装开始使用到当前时间中行驶的里程；持续行驶里程是指该列车走行部从始发站发车至当前时间中行驶的里程；

b.采用如下算式计算列车走行部的振动消耗因子，并形成振动消耗因子序列[α₁,α₂,α₃,α₄]；其中振动消耗因子序列[α₁,α₂,α₃,α₄]对应于行车走行部的两侧的弹性悬挂装置的上下两侧的振动数据，且每一组振动数据对应一个振动消耗因子；

式中i的取值为1、2、3或4；T为列车从始发站发车到终点站过程中列车的行驶时间，用于表示采样得到的数据所对应的时间序列的长度；t为采样时刻；z_i(t)为采样t时刻的第i组振动数据的值；

为采样的第i组振动数据的平均值；

c.采用如下步骤计算列车走行部的应力消耗因子，并形成应力消耗因子序列[ε₁,ε₂,ε₃,ε₄,ε₅,ε₆]；其中应力消耗因子序列[ε₁,ε₂,ε₃,ε₄,ε₅,ε₆]分别对应于列车走行部左侧的横向应力消耗因子ε₁、列车走行部左侧的轴向应力消耗因子ε₂、列车走行部左侧的垂向应力消耗因子ε₃、列车走行部右侧的横向应力消耗因子ε₄、列车走行部右侧的轴向应力消耗因子ε₅和列车走行部右侧的垂向应力消耗因子ε₆；

首先计算应力差分序列，对获取的应力序列进行一阶差分：

y'_i(t)＝y_i(t+1)-y_i(t)

式中y'_i(t)为得到的第i组应力差分序列，y_i(t)为第i组应力序列，i的取值为1、2、3、4、5或6；

然后采用如下算式计算得到应力消耗因子

式中i的取值为1、2、3、4、5或6；T为列车从始发站发车到终点站过程中列车的行驶时间，用于表示采样得到的数据所对应的时间序列的长度；t为采样时刻；

为第i组应力差分序列的平均值；

d.采用如下算式计算列车走行部的噪声消耗因子γ：

式中u(t)为采集得到的噪声序列；

为采集得到的噪声序列的平均值；

e.获取列车走行部的面积异常因子θ；所述面积异常因子定义为列车行车时，采集得到的走行部轮廓面积与列车开始行驶前静止时的走行部轮廓面积的差，所组成序列的最大值；

f.获取列车走行部的损伤状态值；所述损伤状态值定义为1、2、3、4和5，依次对应于一级损伤、二级损伤、三级损伤、四级损伤和五级损伤；一级损伤表示无损伤，二级损伤表示单个部件轻度损伤，三级损伤表示多个部件轻度损伤，四级损伤表示存在部件中度损伤，五级损伤表示存在部件重度损伤；无损伤定义为检查无损伤痕迹，轻度损伤定义为检查有损伤痕迹但不需要维修，中度损伤定义为检查有损伤痕迹且需进行部件维修或调整，重度损伤定义为检查有损伤痕迹且需对部件进行更换。

步骤C所述的构建基于马尔科夫链的损伤状态转移模型，并获取状态转移概率矩阵，具体为采用如下步骤构建模型并获取概率矩阵：

(1)根据历史数据信息，构建损伤状态的状态转移关系表；所述损伤状态的状态转移关系表定义为同一列车同一位置的走行部检测时的损伤状态到下一次检测时的损伤状态的转换过程；

(2)根据步骤(1)建立的损伤状态的状态转移关系表，建立状态转移关系频数矩阵A：

式中a_ij表示列车走行部从第i级损伤转变为第j级损伤的出现次数；其中i和j的取值均为1～5之间的整数；

(3)采用如下算式计算得到状态转移概率矩阵P：

式中p_ij为列车走行部从第i级损伤转变为第j级损伤的概率，且p_ij的计算式为

步骤D所述的构建基于LSTM深度网络的列车走行部状态预测模型，具体为以历史数据信息中的，列车走行部每次检查时的累积行驶里程、持续行驶里程、振动消耗因子、应力消耗因子、噪声消耗因子、走行部面积异常因子和上一次检查时的损伤状态所对应的5个状态转移概率为输入数据，以对应行程结束后检查时的损伤状态作为输出数据，对LSTM深度网络模型进行训练，从而得到基于LSTM深度网络的列车走行部状态预测模型。

所述的LSTM深度网络模型，模型的输入层节点个数为19，输出层节点个数为1；采用adam学习算法对网络模型进行训练；最大的迭代次数为600，最小训练批次为70，初始训练学习率为0.005，学习率下降周期为125，学习率下降因子为0.2。

所述的LSTM深度网络模型，模型的LSTM层数采用萤火虫算法进行优化获得。

所述的采用萤火虫算法进行优化获得，具体为采用如下步骤进行优化：

1)初始化萤火虫种群，并设置萤火虫初始参数；

2)设定适应度函数，并确定初始最亮萤火虫个体位置和迭代次数；

3)计算群体中萤火虫的相对亮度和吸引度，并根据相对亮度决定萤火虫的移动方向；

4)更新萤火虫的空间位置，对处在最佳位置的萤火虫进行随机移动；

5)计算当前萤火虫种群中每个萤火虫个体位置的适应度；

6)判断是否达到最大迭代次数或者达到最大搜索精度：

若是，则选出最亮的萤火虫个体，同时输出最亮萤火虫个体位置所对应的基于LSTM深度网络的列车走行部状态预测模型的最佳LSTM层数；

否则，迭代次数增加1，并从步骤3)开始重复进行迭代。

本发明提供的这种智能列车走行部在线状态预测系统及其方法，通过历史数据建立列车走行部的预测模型，并采用预测模型对列车走行部的实时状态进行在线预测，本发明能够实时预测出列车走行部的状态，有助于列车工作人员提前做出行车决策，同时在检修时能提供重点检修的列车走行部，提高检修效率和检修准确度，保证列车的行车安全以及行车舒适度；而且本发明的可靠性高，实时性好。

附图说明

图1为本发明系统的系统功能模块图。

图2为本发明方法的方法流程示意图。

具体实施方式

如图1所示为本发明系统的系统功能模块图：本发明提供的这种智能列车走行部在线状态预测系统，包括列车走行部分解模块、列车走行部历史数据获取模块、列车走行部实时数据获取模块和列车走行部状态预测模块；列车走行部分解模块的输出端直接连接列车走行部历史数据获取模块的输入端和列车走行部实时数据获取模块的输入端；列车走行部历史数据获取模块的输出端和列车走行部实时数据获取模块的输出端均直接连接列车走行部状态预测模块；列车走行部分解模块用于对列车走行部进行分解，并将分解结果上传列车走行部历史数据获取模块和列车走行部实时数据获取模块；列车走行部历史数据获取模块用于获取列车走行部的历史数据信息并上传列车走行部状态预测模块；列车走行部实时数据获取模块用于获取列车走行部的实时数据信息并上传列车走行部状态预测模块；列车走行部状态预测模块用于根据列车走行部历史数据获取模块上传的历史数据信息建立列车走行部状态预测模型，并采用建立的列车走行部状态预测模型，根据列车走行部实时数据获取模块上传的实时数据信息，对列车走行部的状态进行在线实时预测。

如图2所示为本发明方法的方法流程示意图：本发明还提供了一种所述智能列车走行部在线状态预测系统的方法，包括如下步骤：

S1.对列车走行部进行分解，获取分解后的列车走行部的各个部件；具体为将列车走行部分解为轮对轴箱装置、弹性悬挂装置、构架、侧架、基础制动装置、支撑车体装置和牵引电机装置；

S2.获取列车走行部的历史数据信息；

在具体实施时，历史数据信息包括列车走行部的各个部件的型号和数量，列车走行部的行走里程，行车走行部的两侧的弹性悬挂装置的上下两侧的振动数据，列车走行部的构架两侧的横向应力、轴向应力和垂向应力，列车走行部的轮对轴箱装置处的噪声数据，列车走行部工作时的图像数据，以及列车走行部的各个部件的损伤状态数据；

在具体实施时，采用四个振动检测传感器，分别安装在走行部两侧的弹性悬挂装置的上下两侧，用于实时检测和收集列车走行部的振动数据；将两个应力检测传感器分别安装在构架两侧，用于实时检测和收集列车走行部构架两侧的横向应力、轴向应力和垂向应力数据；在列车走行部的轮对轴箱装置上设置噪声检测传感器，用于实时检测列车走行部的噪声数据；在车体底部设置深度摄像头，用于在列车行车是实时采集列车走行部图像数据；

S3.根据步骤S2获取的历史数据信息，对列车走行部进行分类，并分别建立列车走行部状态预测模型；具体为采用如下步骤建立状态预测模型：

A.获取列车走行部的原始状态数据并进行处理；具体为采用如下步骤进行数据获取和数据处理：

a.获取列车走行部的累计行驶里程和持续行驶里程；所述累计行驶里程是指该列车走行部从全新安装开始使用到当前时间中行驶的里程；持续行驶里程是指该列车走行部从始发站发车至当前时间中行驶的里程；

b.采用如下算式计算列车走行部的振动消耗因子，并形成振动消耗因子序列[α₁,α₂,α₃,α₄]；其中振动消耗因子序列[α₁,α₂,α₃,α₄]对应于行车走行部的两侧的弹性悬挂装置的上下两侧的振动数据，且每一组振动数据对应一个振动消耗因子；

式中i的取值为1、2、3或4；T为列车从始发站发车到终点站过程中列车的行驶时间，用于表示采样得到的数据所对应的时间序列的长度；t为采样时刻；z_i(t)为采样t时刻的第i组振动数据的值；

为采样的第i组振动数据的平均值；

c.采用如下步骤计算列车走行部的应力消耗因子，并形成应力消耗因子序列[ε₁,ε₂,ε₃,ε₄,ε₅,ε₆]；其中应力消耗因子序列[ε₁,ε₂,ε₃,ε₄,ε₅,ε₆]分别对应于列车走行部左侧的横向应力消耗因子ε₁、列车走行部左侧的轴向应力消耗因子ε₂、列车走行部左侧的垂向应力消耗因子ε₃、列车走行部右侧的横向应力消耗因子ε₄、列车走行部右侧的轴向应力消耗因子ε₅和列车走行部右侧的垂向应力消耗因子ε₆；

首先计算应力差分序列，对获取的应力序列进行一阶差分：

y'_i(t)＝y_i(t+1)-y_i(t)

式中y'_i(t)为得到的第i组应力差分序列，y_i(t)为第i组应力序列，i的取值为1、2、3、4、5或6；

然后采用如下算式计算得到应力消耗因子

式中i的取值为1、2、3、4、5或6；T为列车从始发站发车到终点站过程中列车的行驶时间，用于表示采样得到的数据所对应的时间序列的长度；t为采样时刻；

为第i组应力差分序列的平均值；

d.采用如下算式计算列车走行部的噪声消耗因子γ：

式中u(t)为采集得到的噪声序列；

为采集得到的噪声序列的平均值；

e.获取列车走行部的面积异常因子θ；所述面积异常因子定义为列车行车时，采集得到的走行部轮廓面积与列车开始行驶前静止时的走行部轮廓面积的差，所组成序列的最大值；

f.获取列车走行部的损伤状态值；所述损伤状态值定义为1、2、3、4和5，依次对应于一级损伤、二级损伤、三级损伤、四级损伤和五级损伤；一级损伤表示无损伤，二级损伤表示单个部件轻度损伤，三级损伤表示多个部件轻度损伤，四级损伤表示存在部件中度损伤，五级损伤表示存在部件重度损伤；无损伤定义为检查无损伤痕迹，轻度损伤定义为检查有损伤痕迹但不需要维修，中度损伤定义为检查有损伤痕迹且需进行部件维修或调整，重度损伤定义为检查有损伤痕迹且需对部件进行更换；

B.根据列车走行部的各部件的型号和数量的不同对列车走行部进行分类；

C.针对不同类别的走行部分别构建基于马尔科夫链的损伤状态转移模型，并获取状态转移概率矩阵；具体为采用如下步骤构建模型并获取概率矩阵：

(1)根据历史数据信息，构建损伤状态的状态转移关系表；所述损伤状态的状态转移关系表定义为同一列车同一位置的走行部的各个部件检测时的损伤状态到下一次检测时的损伤状态的转换过程；

具体的，共5种损伤状态，一级损伤、二级损伤、三级损伤、四级损伤和五级损伤；因此可以建立25种状态转移关系：一级损伤转变为一级损伤，一级损伤转变为二级损伤，一级损伤转变为三级损伤，一级损伤转变为四级损伤，一级损伤转变为五级损伤，二级损伤转变为一级损伤，二级损伤转变为二级损伤，二级损伤转变为三级损伤，二级损伤转变为四级损伤，二级损伤转变为五级损伤，三级损伤转变为一级损伤，三级损伤转变为二级损伤，三级损伤转变为三级损伤，三级损伤转变为四级损伤，三级损伤转变为五级损伤，四级损伤转变为一级损伤，四级损伤转变为二级损伤，四级损伤转变为三级损伤，四级损伤转变为四级损伤，四级损伤转变为五级损伤，五级损伤转变为一级损伤，五级损伤转变为二级损伤，五级损伤转变为三级损伤，五级损伤转变为四级损伤，五级损伤转变为五级损伤；

(2)根据步骤(1)建立的损伤状态的状态转移关系表，建立状态转移关系频数矩阵A：

式中a_ij表示列车走行部的各个部件从第i级损伤转变为第j级损伤的出现次数；其中i和j的取值均为1～5之间的整数；

(3)采用如下算式计算得到状态转移概率矩阵P：

式中p_ij为列车走行部的各个部件从第i级损伤转变为第j级损伤的概率，且p_ij的计算式为

D.针对不同类别的走行部分别构建基于LSTM深度网络的列车走行部状态预测模型；具体为以历史数据信息中的，列车走行部每次检查时的累积行驶里程、持续行驶里程、振动消耗因子、应力消耗因子、噪声消耗因子、走行部面积异常因子和上一次检查时的损伤状态所对应的5个状态转移概率为输入数据，以对应行程结束后检查时的损伤状态作为输出数据，对LSTM深度网络模型进行训练，从而得到基于LSTM深度网络的列车走行部状态预测模型；

LSTM深度网络模型的输入层节点个数为19，输出层节点个数为1；采用adam学习算法对网络模型进行训练；最大的迭代次数为600，最小训练批次为70，初始训练学习率为0.005，学习率下降周期为125，学习率下降因子为0.2；

LSTM深度网络模型的LSTM层数采用萤火虫算法进行优化获得，具体为采用如下步骤进行优化：

1)初始化萤火虫种群，并设置萤火虫初始参数；

将萤火虫个体位置作为基于LSTM深度网络的列车走行部状态预测模型的LSTM层数，设置萤火虫数目取值范围为[20,500]，最大吸引度β₀＝1，光强吸收系数γ取值范围为[0.05,400]，步长因子α取值范围为[0.01,1]，最大迭代次数T取值范围为[100,4000]，搜索精度ε取值范围为[0.001,0.5]，随机初始化萤火虫种群；

2)设定适应度函数，并确定初始最亮萤火虫个体位置和迭代次数；

将萤火虫个体位置对应的数值作为基于LSTM深度网络的列车走行部状态预测模型的LSTM层数，并利用萤火虫个体位置确定的基于LSTM深度网络的列车走行部状态预测模型预测走行部损伤状态，将预测的损伤状态和实际损伤状态进行比较，计算预测准确度，并将预测准确度作为适应度函数；

利用适应度函数计算每只萤火虫个体位置的适应度，以最大适应度对应的萤火虫个体位置作为初始最亮萤火虫个体位置；

3)计算群体中萤火虫的相对亮度I和吸引度β，并根据相对亮度决定萤火虫的移动方向；

萤火虫的相对亮度I为：

式中I₀为最亮萤火虫的亮度；γ为光吸收系数；r_ij为萤火虫i和j之间的距离；

萤火虫的吸引度β为：

式中β₀为最大吸引度；

4)更新萤火虫的空间位置，对处在最佳位置的萤火虫进行随机移动；

式中x_i(t)和x_j(t)表示i与j两个萤火虫的空间位置，α为步长因子，rand为[0,1]上服从均匀分布的随机因子；

5)计算当前萤火虫种群中每个萤火虫个体位置的适应度；

根据萤火虫适应度对萤火虫种群中每个萤火虫个体进行排序，查找到适应度最高的萤火虫个体位置作为最亮萤火虫个体位置；

6)判断是否达到最大迭代次数或者达到最大搜索精度：

若是，则选出最亮的萤火虫个体，同时输出最亮萤火虫个体位置所对应的基于LSTM深度网络的列车走行部状态预测模型的最佳LSTM层数；

否则，迭代次数增加1，并从步骤3)开始重复进行迭代；

S4.实时获取列车走行部的实时数据信息；

在具体实施时，列车走行部的各个部件的实时数据信息包括列车启动发车开始到当前时间的累计行驶里程、持续行驶里程、4个振动时间序列、6个应力时间序列、噪声时间序列和走行部轮廓面积时间序列；计算列车启动发车开始到当前时间的振动消耗因子序列、应力消耗因子序列、噪声消耗因子和走行部面积异常因子；而且建议数据采集的时间间隔为1秒；

S5.根据步骤S4获取的实时数据信息和步骤S3建立的不同类别的列车走行部状态预测模型，选择对应类别的走行部状态预测模型对列车走行部进行实时在线状态预测；具体为将步骤S4中获得的累计行驶里程、持续行驶里程、振动消耗因子序列、应力消耗因子序列、噪声消耗因子和走行部面积异常因子以及目标走行部前一次检查时的损伤状态对应的5个状态转移概率作为输入数据，输入至对应类别的基于LSTM深度网络的列车走行部状态预测模型，得到走行部状态在线预测结果。

本发明融合列车走行部的行驶里程、振动、应力、噪声、图像数据，提出振动消耗因子序列、应力消耗因子序列、噪声消耗因子和面积异常因子指标，将影响列车走行部故障状态的复杂影响因素进行量化；

本发明利用马尔可夫链模型建立列车走行部损伤状态的状态转移概率矩阵，并结合列车走行部的行驶里程、振动、应力、噪声、图像等量化数据建立了基于LSTM深度网络的列车走行部状态预测模型；

利用本发明所述系统进行列车走行部在线状态预测的过程，能实时预测出列车走行部的状态，有助于列车工作人员提前做出行车决策，同时在检修时能提供重点检修的列车走行部，提高检修效率和检修准确度，保证列车的行车安全以及行车舒适度。

Claims (7)

1.一种智能列车走行部在线状态预测系统的方法，其特征在于智能列车走行部在线状态预测系统包括列车走行部分解模块、列车走行部历史数据获取模块、列车走行部实时数据获取模块和列车走行部状态预测模块；列车走行部分解模块的输出端直接连接列车走行部历史数据获取模块的输入端和列车走行部实时数据获取模块的输入端；列车走行部历史数据获取模块的输出端和列车走行部实时数据获取模块的输出端均直接连接列车走行部状态预测模块；列车走行部分解模块用于对列车走行部进行分解，并将分解结果上传列车走行部历史数据获取模块和列车走行部实时数据获取模块；列车走行部历史数据获取模块用于获取列车走行部的历史数据信息并上传列车走行部状态预测模块；列车走行部实时数据获取模块用于获取列车走行部的实时数据信息并上传列车走行部状态预测模块；列车走行部状态预测模块用于根据列车走行部历史数据获取模块上传的历史数据信息建立针对不同类别走行部的列车走行部状态预测模型，并采用建立的列车走行部状态预测模型，根据列车走行部实时数据获取模块上传的实时数据信息，对列车走行部的状态进行在线实时预测；

方法包括如下步骤：

S1.对列车走行部进行分解，获取分解后的列车走行部的各个部件；

S2.获取列车走行部的历史数据信息；

S3.根据步骤S2获取的历史数据信息，对列车走行部进行分类，并分别建立列车走行部状态预测模型；具体为采用如下步骤建立状态预测模型：

A.获取列车走行部的原始状态数据并进行处理；具体为采用如下步骤进行数据获取和数据处理：

a.获取列车走行部的累计行驶里程和持续行驶里程；所述累计行驶里程是指该列车走行部从全新安装开始使用到当前时间中行驶的里程；持续行驶里程是指该列车走行部从始发站发车至当前时间中行驶的里程；

b.采用如下算式计算列车走行部的振动消耗因子，并形成振动消耗因子序列[α₁,α₂,α₃,α₄]；其中振动消耗因子序列[α₁,α₂,α₃,α₄]对应于行车走行部的两侧的弹性悬挂装置的上下两侧的振动数据，且每一组振动数据对应一个振动消耗因子；

式中i的取值为1、2、3或4；T为列车从始发站发车到终点站过程中列车的行驶时间，用于表示采样得到的数据所对应的时间序列的长度；t为采样时刻；z_i(t)为采样t时刻的第i组振动数据的值；

为采样的第i组振动数据的平均值；

c.采用如下步骤计算列车走行部的应力消耗因子，并形成应力消耗因子序列[ε₁,ε₂,ε₃,ε₄,ε₅,ε₆]；其中应力消耗因子序列[ε₁,ε₂,ε₃,ε₄,ε₅,ε₆]分别对应于列车走行部左侧的横向应力消耗因子ε₁、列车走行部左侧的轴向应力消耗因子ε₂、列车走行部左侧的垂向应力消耗因子ε₃、列车走行部右侧的横向应力消耗因子ε₄、列车走行部右侧的轴向应力消耗因子ε₅和列车走行部右侧的垂向应力消耗因子ε₆；

首先计算应力差分序列，对获取的应力序列进行一阶差分：

y'_i(t)＝y_i(t+1)-y_i(t)

式中y'_i(t)为得到的第i组应力差分序列，y_i(t)为第i组应力序列，i的取值为1、2、3、4、5或6；

然后采用如下算式计算得到应力消耗因子

式中i的取值为1、2、3、4、5或6；T为列车从始发站发车到终点站过程中列车的行驶时间，用于表示采样得到的数据所对应的时间序列的长度；t为采样时刻；

为第i组应力差分序列的平均值；

d.采用如下算式计算列车走行部的噪声消耗因子γ：

式中u(t)为采集得到的噪声序列；

为采集得到的噪声序列的平均值；

e.获取列车走行部的面积异常因子θ；所述面积异常因子定义为列车行车时，采集得到的走行部轮廓面积与列车开始行驶前静止时的走行部轮廓面积的差，所组成序列的最大值；

f.获取列车走行部的损伤状态值；所述损伤状态值定义为1、2、3、4和5，依次对应于一级损伤、二级损伤、三级损伤、四级损伤和五级损伤；一级损伤表示无损伤，二级损伤表示单个部件轻度损伤，三级损伤表示多个部件轻度损伤，四级损伤表示存在部件中度损伤，五级损伤表示存在部件重度损伤；无损伤定义为检查无损伤痕迹，轻度损伤定义为检查有损伤痕迹但不需要维修，中度损伤定义为检查有损伤痕迹且需进行部件维修或调整，重度损伤定义为检查有损伤痕迹且需对部件进行更换；

B.根据列车走行部的各部件的型号和数量的不同对列车走行部进行分类；

C.针对不同类别的走行部分别构建基于马尔科夫链的损伤状态转移模型，并获取状态转移概率矩阵；

D.针对不同类别的走行部分别构建基于LSTM深度网络的列车走行部状态预测模型；

S4.实时获取列车走行部的实时数据信息；

S5.根据步骤S4获取的实时数据信息和步骤S3建立的不同类别的列车走行部状态预测模型，对不同类别的列车走行部进行实时在线状态预测。

2.根据权利要求1所述的方法，其特征在于步骤S1所述的对列车走行部进行分解，具体为将列车走行部分解为轮对轴箱装置、弹性悬挂装置、构架、侧架、基础制动装置、支撑车体装置和牵引电机装置。

3.根据权利要求2所述的方法，其特征在于步骤S2所述的历史数据信息，具体包括列车走行部的各个部件的型号和数量，列车走行部的行走里程，行车走行部的两侧的弹性悬挂装置的上下两侧的振动数据，列车走行部的构架两侧的横向应力、轴向应力和垂向应力，列车走行部的轮对轴箱装置处的噪声数据，列车走行部工作时的图像数据，以及列车走行部的各个部件的损伤状态数据。

4.根据权利要求3所述的方法，其特征在于步骤C所述的构建基于马尔科夫链的损伤状态转移模型，并获取状态转移概率矩阵，具体为采用如下步骤构建模型并获取概率矩阵：

(1)根据历史数据信息，构建损伤状态的状态转移关系表；所述损伤状态的状态转移关系表定义为同一列车同一位置的走行部检测时的损伤状态到下一次检测时的损伤状态的转换过程；

(2)根据步骤(1)建立的损伤状态的状态转移关系表，建立状态转移关系频数矩阵A：

式中a_ij表示列车走行部从第i级损伤转变为第j级损伤的出现次数；其中i和j的取值均为1～5之间的整数；

(3)采用如下算式计算得到状态转移概率矩阵P：

式中p_ij为列车走行部从第i级损伤转变为第j级损伤的概率，且p_ij的计算式为

5.根据权利要求4所述的方法，其特征在于步骤D所述的构建基于LSTM深度网络的列车走行部状态预测模型，具体为以历史数据信息中的，列车走行部每次检查时的累积行驶里程、持续行驶里程、振动消耗因子、应力消耗因子、噪声消耗因子、走行部面积异常因子和上一次检查时的损伤状态所对应的5个状态转移概率为输入数据，以对应行程结束后检查时的损伤状态作为输出数据，对LSTM深度网络模型进行训练，从而得到基于LSTM深度网络的列车走行部状态预测模型。

6.根据权利要求5所述的方法，其特征在于所述的LSTM深度网络模型，模型的输入层节点个数为19，输出层节点个数为1；采用adam学习算法对网络模型进行训练；最大的迭代次数为600，最小训练批次为70，初始训练学习率为0.005，学习率下降周期为125，学习率下降因子为0.2。

7.根据权利要求6所述的方法，其特征在于所述的LSTM深度网络模型，模型的LSTM层数采用萤火虫算法进行优化获得；具体为采用如下步骤进行优化：

1)初始化萤火虫种群，并设置萤火虫初始参数；

2)设定适应度函数，并确定初始最亮萤火虫个体位置和迭代次数；

3)计算群体中萤火虫的相对亮度和吸引度，并根据相对亮度决定萤火虫的移动方向；

4)更新萤火虫的空间位置，对处在最佳位置的萤火虫进行随机移动；

5)计算当前萤火虫种群中每个萤火虫个体位置的适应度；

6)判断是否达到最大迭代次数或者达到最大搜索精度：

若是，则选出最亮的萤火虫个体，同时输出最亮萤火虫个体位置所对应的基于LSTM深度网络的列车走行部状态预测模型的最佳LSTM层数；

否则，迭代次数增加1，并从步骤3)开始重复进行迭代。

Images