CN110715808B - 故障检测方法及装置 - Google Patents
故障检测方法及装置 Download PDFInfo
- Publication number
- CN110715808B CN110715808B CN201910913207.0A CN201910913207A CN110715808B CN 110715808 B CN110715808 B CN 110715808B CN 201910913207 A CN201910913207 A CN 201910913207A CN 110715808 B CN110715808 B CN 110715808B
- Authority
- CN
- China
- Prior art keywords
- state
- sample data
- confidence
- information
- abnormal sample
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K3/00—Thermometers giving results other than momentary value of temperature
- G01K3/02—Thermometers giving results other than momentary value of temperature giving means values; giving integrated values
- G01K3/06—Thermometers giving results other than momentary value of temperature giving means values; giving integrated values in respect of space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种故障检测方法及装置。其中,该方法包括:获取列车中目标部位的实时温度信息;将实时温度信息输入神经网络模型进行分析,得到目标部位在预设采样周期内的温度偏差信息,其中,该温度偏差信息用于反映目标部位的实时温度信息与标准数据的差异程度;基于温度偏差信息确定目标部位发生故障的置信度,其中,置信度用于反映发生故障的概率;比较置信度和预设阈值;在置信度小于预设阈值时,确定目标部位发生故障。本发明解决了相关技术中故障预测结果不准确的技术问题。
Description
技术领域
本发明涉及车辆故障检测领域,具体而言,涉及一种故障检测方法及装置。
背景技术
为了保证列车的安全行驶,在列车运行过程中往往需要对其行走部的关键部件进行温度检测,但是,目前的温度检测方案在对列车的相关部件(例如列车转向架和走行部的关键部件)进行故障预测时,仅仅采用简单的阈值判断的方式进行,这样,使得检测结果不是特别准确。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种故障检测方法及装置,以至少解决相关技术中故障预测结果不准确的技术问题。
根据本发明实施例的一个方面,提供了一种故障检测方法,包括:获取列车中目标部位的实时温度信息;将实时温度信息输入神经网络模型进行分析,得到目标部位在预设采样周期内的温度偏差信息,其中,该温度偏差信息用于反映目标部位的实时温度信息与标准数据的差异程度;基于温度偏差信息确定目标部位发生故障的置信度,其中,置信度用于反映发生故障的概率;比较置信度和预设阈值;在置信度小于预设阈值时,确定目标部位发生故障。
可选地,基于温度偏差信息确定目标部位发生故障的置信度,包括:基于温度偏差信息确定温度偏差信息对应的温度采样数据是否为异常采样数据;在确定为异常样本数据时,基于温度采样数据和预设采样周期内的历史异常样本数据确定目标部位所处的状态,其中,状态用于指示目标部位在预设采样周期内异常样本数据的变化趋势;依据状态确定置信度。
可选地,上述状态包括以下至少之一:第一状态,用于表示首次出现异常样本数据;第二状态,用于表示在连续的采样点时刻采集的样本数据均为异常样本数据;第三状态,用于表示目标部位在上一个采样点的样本数据为异常样本数据,在当前采样点的样本数据为正常样本数据;
第四状态,用于表示在上一个采样点的样本数据为正常样本数据,在当前采样点的样本数据为异常样本数据。
可选地,依据状态确定置信度,包括:在状态为第一状态时,基于首次出现的异常样本数据的偏差值、基准偏差值、连续出现的异常样本数据的数量确定与第一状态对应的置信度,其中,数量为1;
在状态为第二状态时,基于异常样本数据的偏差值、基准偏差值、连续出现的异常样本数据的数量以及第一状态或第四状态对应的置信度确定与第二状态对应的置信度;在状态为第三状态时,基于上次异常样本数据出现之后到目前为止共监测的样本数目,以及第一状态、第二状态或第四状态中的其中一个状态对应的置信度确定与第三状态对应的置信度;在状态为第四状态时,基于异常样本数据的偏差值、基准偏差值、连续出现的异常样本数据的数量以及第三状态对应的置信度确定与第四状态对应的置信度。
可选地,与第一状态对应的置信度通过以下方式确定:
其中,ScoreA表示第一状态对应的置信度,δD-L表示异常样本数据的偏差值,δbase表示基准偏差值,Nsa表示连续出现的异常样本数据的数量,Nthre表示异常样本数据的数量阈值,Δ1表示控制积分速率。
可选地,与第二状态对应的置信度通过以下方式确定:
其中,ScoreB表示与第二状态对应的置信度,表示异常样本数据的偏差值,表示基准偏差值,nsa表示第nsa个连续样本,Nsa表示连续出现的异常样本数据的数量,Nthre表示异常样本数据的数量阈值,Scoreinput表示第一状态或第四状态对应的置信度,Δ1表示控制积分速率。
可选地,与第三状态对应的置信度通过以下方式确定:
其中,ScoreC表示与第三状态对应的置信度,nms表示上次异常样本数据出现之后到目前为止共监测的样本数目,Scoreinput表示第一状态、第二状态或第四状态中的其中一个状态对应的置信度,Δ2表示控制下降速率。
可选地,与第四状态对应的置信度通过以下方式确定:
其中,ScoreD表示与第四状态对应的置信度,Nsa表示连续出现的异常样本数据的数量,且Nsa=1,Nthre表示异常样本数据的数量阈值,ScoreC表示第三状态对应的置信度,δD-L表示异常样本数据的偏差值,δbase表示基准偏差值,Δ1表示控制积分速率。
可选地,将实时温度信息输入神经网络模型进行分析,得到目标部位在预设采样周期内的温度偏差信息,包括:采用深度神经网络模型提取实时温度信息中的特征信息;将特征信息输入至长短期记忆网络模型进行分析,得到温度偏差信息。
根据本申请实施例的另一方面,提供了一种故障检测装置,包括:获取模块,用于获取列车中目标部位的实时温度信息;分析模块,用于将实时温度信息输入神经网络模型进行分析,得到目标部位在预设采样周期内的温度偏差信息,其中,该温度偏差信息用于反映目标部位的实时温度信息与标准数据的差异程度;第一确定模块,用于基于温度偏差信息确定目标部位发生故障的置信度,其中,置信度用于反映发生故障的概率;比较模块,用于比较置信度和预设阈值;第二确定模块,用于在置信度小于预设阈值时,确定目标部位发生故障。
根据本申请实施例的又一方面,提供了一种存储介质,该存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行以上所述的故障检测方法。
在本发明实施例中,将检测到的实时温度信息输入至神经网络模型进行分析,得到温度偏差信息,基于温度偏差信息确定目标部部位发生故障的置信度,从而基于置信度和预设阈值的比较结果确定是否发生故障。由于其采用了神经网络模型预测温度偏差信息,并采用了置信度来确定目标部位是否发生故障,因此,相对于简单地采用阈值判断的方式进行故障预测,其预测结果更加准确,进而解决了相关技术中故障预测结果不准确的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本申请实施例的一种故障检测方法的流程示意图;
图2是根据本发明实施例的一种可选的趋势预测模型的原理示意图;
图3是根据本申请实施例的一种可选的故障预测的原理示意图;
图4是根据本申请实施例的一种可选的循环间接式故障评估策略(circularindirect alarm assessment strategy,CIAS)模块的原理示意图;
图5是根据本申请实施例的一种故障检测装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了更好地理解本申请实施例,以下将本申请实施例中涉及的技术术语解释如下:
置信度:以测量值为中心,在一定范围内,真值出现在该范围内的几率。
走行部:车辆在动力作用下沿线路运行的部分,即机车车辆下部引导车辆沿轨道运行,并将机车车辆的全部重量传给钢轨的部分,由轮对、轴箱油润装置、侧架、摇枕和弹簧减震装置等组成。
转向架:车辆上两对或两对以上轮对用构架等装置联成一组并能相对于车体回转,且装备有弹簧等部件构成的一个独立走行结构。
相关技术中,在判断走行部故障时,往往会用到温度检测方案,因此,合理有效的温度检测识别技术是系统的关键,但是,相关技术中的方案大多为简单的阈值判断,且缺少对历史数据的特征提取和有效的趋势预测。为解决上述问题,本申请实施例中采用特征提取和时序建模的技术方案,通过对历史温度数据的有效分析,构建早期故障检测模型(FDDA),并利用该模型进行在线监测,提早识别前期故障,最大程度的保证了列车稳定安全运营,从而避免系统出现监控盲区,进而保证列车处于安全稳定的运营状态。以下详细说明
根据本发明实施例,提供了一种故障检测方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的一种故障检测方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤S102,获取列车中目标部位的实时温度信息;
获取方式可以包括但不限于从目标部位上设置的温度传感器采集,温度传感器的数量可以为多个,在具体实施时,将多个温度传感器采集的数据取平均值,将该平均值作为实时温度信息。
步骤S104,将实时温度信息输入神经网络模型进行分析,得到目标部位在预设采样周期内的温度偏差信息,其中,该温度偏差信息用于反映目标部位的实时温度信息与标准数据的差异程度;该差异程度可以为一个具体的数值,但不限于此。上述神经网络模型可以包括:早期故障检测模型(Early Fault Detection wi th Deep Architecture,FDDA),该模型的具体实现方式以下会结合图3详细说明,此处不再赘述。
步骤S106,基于温度偏差信息确定目标部位发生故障的置信度,其中,置信度用于反映发生故障的概率;
在本申请的一些实施例中,可以通过以下方式确定目标部位发生故障的置信度:基于温度偏差信息确定温度偏差信息对应的温度采样数据是否为异常采样数据;在确定为异常样本数据时,基于温度采样数据和预设采样周期内的历史异常样本数据确定目标部位所处的状态,其中,状态用于指示目标部位在预设采样周期内异常样本数据的变化趋势;依据状态确定置信度。
其中,上述状态包括以下至少之一:第一状态,用于表示首次出现异常样本数据;第二状态,用于表示在连续的采样点时刻采集的样本数据均为异常样本数据;第三状态,用于表示目标部位在上一个采样点的样本数据为异常样本数据,在当前采样点的样本数据为正常样本数据;第四状态,用于表示在上一个采样点的样本数据为正常样本数据,在当前采样点的样本数据为异常样本数据。
在上述状态为第一状态时,基于首次出现的异常样本数据的偏差值、基准偏差值、连续出现的异常样本数据的数量确定与第一状态对应的置信度,其中,数量为1;
在上述状态为第二状态时,基于异常样本数据的偏差值、基准偏差值、连续出现的异常样本数据的数量以及第一状态或第四状态对应的置信度确定与第二状态对应的置信度;
在状态为第三状态时,基于上次异常样本数据出现之后到目前为止共监测的样本数目,以及第一状态、第二状态或第四状态中的其中一个状态对应的置信度确定与第三状态对应的置信度;
在上述状态为第四状态时,基于异常样本数据的偏差值、基准偏差值、连续出现的异常样本数据的数量以及第三状态对应的置信度确定与第四状态对应的置信度。
可选地,与第一状态对应的置信度通过以下方式确定:
其中,ScoreA表示第一状态对应的置信度,δD-L表示异常样本数据的偏差值,δbase表示基准偏差值,Nsa表示连续出现的异常样本数据的数量,Nthre表示异常样本数据的数量阈值,Δ1表示控制积分速率。
可选地,与第二状态对应的置信度通过以下方式确定:
其中,ScoreB表示与第二状态对应的置信度,表示异常样本数据的偏差值,表示基准偏差值,nsa表示第nsa个连续样本,Nsa表示连续出现的异常样本数据的数量,Nthre表示异常样本数据的数量阈值,Scoreinput表示第一状态或第四状态对应的置信度,Δ1表示控制积分速率。
可选地,与第三状态对应的置信度通过以下方式确定:
其中,ScoreC表示与第三状态对应的置信度,nms表示上次异常样本数据出现之后到目前为止共监测的样本数目,Scoreinput表示第一状态、第二状态或第四状态中的其中一个状态对应的置信度,Δ2表示控制下降速率。
可选地,与第四状态对应的置信度通过以下方式确定:
其中,ScoreD表示与第四状态对应的置信度,Nsa表示连续出现的异常样本数据的数量,且Nsa=1,Nthre表示异常样本数据的数量阈值,ScoreC表示第三状态对应的置信度,δD-L表示异常样本数据的偏差值,δbase表示基准偏差值,Δ1表示控制积分速率。
具体地,上述异常样本数据的数量阈值Nthre的含义为连续故障数超过此阈值,则就倾向于认为这是个异常,此阈值可以为一个数字。例如:设定异常样本数据的数量阈值Nthre为20,若连续故障数大于20,那么连续故障数减去20得到一个正数,该正数呈以e为底的指数增长将剧增,即连续故障数越大,越肯定为异常;若连续故障数小于20,那么连续故障数减去20得到一个负数,该负数呈以e为底的指数增长将骤减,即连续故障数越小,越不认为是异常。
步骤S108,比较置信度和预设阈值;
步骤S110,在置信度小于预设阈值时,确定目标部位发生故障。
在本申请的一些实施例中,采用深度神经网络模型提取实时温度信息中的特征信息;将特征信息输入至长短期记忆网络模型进行分析,得到温度偏差信息。其中,上述特征信息包括但不限于:轴承温度信息、轴承温度变化信息等。深度神经网络(Deep NeuralNetwork,DNN)用于框架的特征提取模块,长短期记忆网络(Long short term memorynetwork,LSTM)用于时序信号建模,得到趋势预测模型,建立的模型用于计算温度偏差信息。
其中,神经网络模型的离线模型可以采用图3所示的原理实现,如图3所示:
1)利用收集到的历史正常数据构建基于DNN的特征提取器以及对应的基于LSTM的序列生成器
2)DNN-LSTM利用输入的重构误差,来描述系统状态的变化。
3)偏差值作为输入用来确定CIAS模块中的相关参数。
以图2为例,图2中的历史数据包括以下时刻的数据:1时刻、2时刻、···、T-1时刻,然后采用深度学习网络提取以下时刻的特征数据:1时刻、2时刻、···、T-1时刻,上述特征数据包括轴承数据间的欧式距离均值、均值间的欧式距离求和、方差间的欧式距离以及最大值间的欧式距离求和等,并基于特征数据进行建模和实时检测,得到偏差值;然后输入循环间接式故障评估策略(circular indirect alarm assessment strategy,CIAS)模型,该模型是一种期望以尽量低误报率完成及时故障报警的策略。CIAS的设计满足以下几点需求:
a)随着异常信号的不断出现,故障预警置信度应该随之提升;
b)排除认定短暂出现且不在一定时间内再出现的异常情况为故障表征;
c)在考虑输入信号是否为故障表征时需要考虑该信号的前序状态,比如一个信号输入的前序状态为异常信号,那么相对于前序信号为正常状态的信号输入来说,其认为更可能是一种故障表征;
CIAS结构包含了一个异常检测器以及四个状态单元,如图4所示,异常检测器用来收集和判断δD-L是否是异常样本数据,状态单元评估故障预警置信度的不同阶段。具体来说,状态A表示首次故障出现的情况;状态B代表了异常样本数据连续出现的情况,在这种状态情况下,故障报警置信度应该持续增加;状态C表示了异常消失的情况,而其前序信号为异常样本数据,此时故障报警置信度开始降低;状态D代表的情况为异常情况再次出现,相应的故障报警置信度在状态C中余留的故障报警置信度基础上重新开始增长。设计状态A,状态B以及状态C的目的在于满足需求a)、b);而状态C,与状态D的设计可以实现需求c)中的要求。(a)、b)、c)对应上文需求)
图4中各状态之间的转换条件为:
状态A/状态D→正常状态:δD-L处于正常范围,同时其前序样本状态也为正常状态;
状态A/状态D→状态B:异常样本数据连续出现;
状态A/状态B/状态D→状态C:δD-L为正常状态,而其前序状态为异常;
状态C→状态D:δD-L为异常状态,同时其一段时间内的前序样本状态同时包括正常和异常;
状态C→正常状态:状态C中的故障报警置信度低于预定值
其中,CIAS的实现方法
其中,确定CIAS中各个模块的详细实现方法如下:
各个状态单元利用计算分数的方法来评估故障报警置信度,记为ScoreA,ScoreB,ScoreC,ScoreD,分数越高意味着故障报警置信度越高。
异常检测器:从正常时序样本中检测异常样本数据可以看成是一种典型的单类分类问题,因此选择SVDD方法通过构建一个单类分类器来检测异常样本数据。训练样本中只包含正常状态的数据。
状态A:影响故障报警置信度的评分标准主要包括两个因素:1)δD-L和由正常样本计算所得基准偏差值δbase;2)连续出现的异常样本数据数(Nsa),在状态A中Nsa=1。因此本文的ScoreA计算方式为:
其中δD-L/δbase项可以来评估两个偏差值之间的变化,同时该项为一个无量纲项,可以方便用来计算ScoreA。δbase为正常样本δD-L的均值。σ()函数的取值范围为0到1,选用该函数的原因在于可以避免单个具有较大值的异常样本数据直接使得故障预警分数大于阈值。ScoreA计算公式中利用exp(z)项来进行故障预警分数的积累,其原因在于exp(z)项的函数特点可以满足设计需求,具体来说,当z<0时,exp(z)的值随着z的增长以较低的速率增加,当z>0时,exp(z)的值增长速率显著增加。这种积分方式符合实际情况的预期,当异常样本数据连续出现并且出现次数超过一定数目的时候,那此时的系统状态很有可能就是故障的一种表征。Nthre就是其积分增长速率的转折点,Δ1表示控制积分速率。
状态B:ScoreB的计算方式与ScoreA相似,具体的计算形式为:
上式中上标nsa代表第nsa个连续样本,Scoreinput是来自于状态A或是状态D中的余留的故障预警积分。
状态C:在这个阶段,故障预警置信度随着不断远离上次异常样本数据出现的时刻而逐渐降低,ScoreC的计算公式为:
其中nms是自从上次异常样本数据出现之后到目前为止一共监测的样本数目,Δ2控制下降速率。Scoreinput的形式由状态C的前一状态决定,可能是ScoreA,ScoreB或ScoreD。
状态D:ScoreD包含两个来源,一是重新出现的异常样本数据以及从状态C继承过来的余留分数,计算公式为:
其中Nsa=1。
CIAS的故障报警条件为故障报警分数超过一定的阈值,具体形式如下:
ScoreB>Scorenormal,
其中,
图5是根据本申请实施例的一种故障检测装置的结构框图。如图5所示,该故障检测装置包括:
获取模块50,用于获取列车中目标部位的实时温度信息;
分析模块52,用于将实时温度信息输入神经网络模型进行分析,得到目标部位在预设采样周期内的温度偏差信息,其中,该温度偏差信息用于反映目标部位的实时温度信息与标准数据的差异程度;
第一确定模块54,用于基于温度偏差信息确定目标部位发生故障的置信度,其中,置信度用于反映发生故障的概率;
比较模块56,用于比较置信度和预设阈值;
第二确定模块58,用于在置信度小于预设阈值时,确定目标部位发生故障。
需要说明的是,图2所示实施例的优选实施方式可以参见图1-4所实施例的相关描述,此处不再赘述。
本申请实施例还供了一种存储介质,该存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行以上所述的故障检测方法。例如,存储介质用于存储执行实现以下功能的程序指令:获取列车中目标部位的实时温度信息;将实时温度信息输入神经网络模型进行分析,得到目标部位在预设采样周期内的温度偏差信息,其中,该温度偏差信息用于反映目标部位的实时温度信息与标准数据的差异程度;基于温度偏差信息确定目标部位发生故障的置信度,其中,置信度用于反映发生故障的概率;比较置信度和预设阈值;在置信度小于预设阈值时,确定目标部位发生故障
本申请实施例还提供了一种处理器,该处理器用于运行存储在存储器中的程序,该程序用于实现以下功能:获取列车中目标部位的实时温度信息;将实时温度信息输入神经网络模型进行分析,得到目标部位在预设采样周期内的温度偏差信息,其中,该温度偏差信息用于反映目标部位的实时温度信息与标准数据的差异程度;基于温度偏差信息确定目标部位发生故障的置信度,其中,置信度用于反映发生故障的概率;比较置信度和预设阈值;在置信度小于预设阈值时,确定目标部位发生故障。
本申请实施例提供的方案,由于其采用了神经网络模型预测温度偏差信息,并采用了置信度来确定目标部位是否发生故障,因此,相对于简单地采用阈值判断的方式进行故障预测,其预测结果更加准确,进而解决了相关技术中故障预测结果不准确的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种故障检测方法,其特征在于,包括:
获取列车中目标部位的实时温度信息;
将所述实时温度信息输入神经网络模型进行分析,得到所述目标部位在预设采样周期内的温度偏差信息,其中,该温度偏差信息用于反映所述目标部位的实时温度信息与标准数据的差异程度;
基于所述温度偏差信息确定所述目标部位发生故障的置信度,其中,所述置信度用于反映发生故障的概率;
比较所述置信度和预设阈值;
在所述置信度小于所述预设阈值时,确定所述目标部位发生故障。
2.根据权利要求1所述的方法,其特征在于,基于所述温度偏差信息确定所述目标部位发生故障的置信度,包括:
基于所述温度偏差信息确定所述温度偏差信息对应的温度采样数据是否为异常采样数据;
在确定为异常样本数据时,基于所述温度采样数据和所述预设采样周期内的历史异常样本数据确定所述目标部位所处的状态,其中,所述状态用于指示所述目标部位在所述预设采样周期内异常样本数据的变化趋势;
依据所述状态确定所述置信度。
3.根据权利要求2所述的方法,其特征在于,所述状态包括以下至少之一:
第一状态,用于表示首次出现异常样本数据;
第二状态,用于表示在连续的采样点时刻采集的样本数据均为异常样本数据;
第三状态,用于表示所述目标部位在上一个采样点的样本数据为异常样本数据,在当前采样点的样本数据为正常样本数据;
第四状态,用于表示在上一个采样点的样本数据为正常样本数据,在当前采样点的样本数据为异常样本数据。
4.根据权利要求3所述的方法,其特征在于,依据所述状态确定所述置信度,包括:
在所述状态为所述第一状态时,基于所述首次出现的异常样本数据的偏差值、基准偏差值、连续出现的异常样本数据的数量确定与所述第一状态对应的置信度,其中,所述数量为1;
在所述状态为第二状态时,基于所述异常样本数据的偏差值、基准偏差值、连续出现的异常样本数据的数量以及所述第一状态或第四状态对应的置信度确定与所述第二状态对应的置信度;
在所述状态为第三状态时,基于上次异常样本数据出现之后到目前为止共监测的样本数目,以及第一状态、第二状态或第四状态中的其中一个状态对应的置信度确定与所述第三状态对应的置信度;
在所述状态为第四状态时,基于所述异常样本数据的偏差值、基准偏差值、连续出现的异常样本数据的数量以及所述第三状态对应的置信度确定与所述第四状态对应的置信度。
9.根据权利要求1至8中任意一项所述的方法,其特征在于,将所述实时温度信息输入神经网络模型进行分析,得到所述目标部位在预设采样周期内的温度偏差信息,包括:
采用深度神经网络模型提取所述实时温度信息中的特征信息;
将所述特征信息输入至长短期记忆网络模型进行分析,得到所述温度偏差信息。
10.一种故障检测装置,其特征在于,包括:
获取模块,用于获取列车中目标部位的实时温度信息;
分析模块,用于将所述实时温度信息输入神经网络模型进行分析,得到所述目标部位在预设采样周期内的温度偏差信息,其中,该温度偏差信息用于反映所述目标部位的实时温度信息与标准数据的差异程度;
第一确定模块,用于基于所述温度偏差信息确定所述目标部位发生故障的置信度,其中,所述置信度用于反映发生故障的概率;
比较模块,用于比较所述置信度和预设阈值;
第二确定模块,用于在所述置信度小于所述预设阈值时,确定所述目标部位发生故障。
11.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至9中任意一项所述的故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910913207.0A CN110715808B (zh) | 2019-09-25 | 2019-09-25 | 故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910913207.0A CN110715808B (zh) | 2019-09-25 | 2019-09-25 | 故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110715808A CN110715808A (zh) | 2020-01-21 |
CN110715808B true CN110715808B (zh) | 2022-01-14 |
Family
ID=69210867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910913207.0A Active CN110715808B (zh) | 2019-09-25 | 2019-09-25 | 故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110715808B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115009B (zh) * | 2020-08-13 | 2022-02-18 | 中国科学院计算技术研究所 | 一种用于神经网络处理器的故障检测方法 |
CN112414520A (zh) * | 2020-11-06 | 2021-02-26 | 常州市成丰流量仪表有限公司 | 一种流量计的故障检测系统 |
CN112541613B (zh) * | 2020-11-08 | 2024-04-05 | 上海海洋大学 | 一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法 |
CN112924044B (zh) * | 2021-01-26 | 2023-06-23 | 上海精普机电科技有限公司 | 升降调节式双金属温度计 |
CN114537361B (zh) * | 2022-03-22 | 2022-11-08 | 中车制动系统有限公司 | 制动控制系统部件故障预测方法 |
CN114878172B (zh) * | 2022-04-26 | 2024-01-26 | 上海船舶运输科学研究所有限公司 | 一种船舶主机气缸温度信号特征提取方法及系统 |
CN116430817B (zh) * | 2023-04-26 | 2023-09-29 | 同心县启胜新能源科技有限公司 | 应用于光伏组件生产系统的数据采集处理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008275345A (ja) * | 2007-04-25 | 2008-11-13 | Nagano Science Kk | 閉空間内の状態推定方法、及びその方法を用いて恒温槽の温度状態を監視する装置 |
CN103010257A (zh) * | 2012-12-12 | 2013-04-03 | 长春轨道客车股份有限公司 | 高速动车组轴温监测系统 |
CN105109521A (zh) * | 2015-08-20 | 2015-12-02 | 苏州华兴致远电子科技有限公司 | 一种轨道列车异常检测方法及系统 |
CN107819631A (zh) * | 2017-11-23 | 2018-03-20 | 东软集团股份有限公司 | 一种设备异常检测方法、装置及设备 |
CN108897954A (zh) * | 2018-06-29 | 2018-11-27 | 龙源(北京)风电工程技术有限公司 | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 |
CN109583570A (zh) * | 2018-11-30 | 2019-04-05 | 重庆大学 | 基于深度学习确定桥梁健康监测系统异常数据来源的方法 |
CN109977146A (zh) * | 2019-05-07 | 2019-07-05 | 山东省科学院激光研究所 | 故障诊断方法、装置及电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5809437A (en) * | 1995-06-07 | 1998-09-15 | Automotive Technologies International, Inc. | On board vehicle diagnostic module using pattern recognition |
US7020595B1 (en) * | 1999-11-26 | 2006-03-28 | General Electric Company | Methods and apparatus for model based diagnostics |
US9855961B2 (en) * | 2016-02-01 | 2018-01-02 | Westinghouse Air Brake Technologies Corporation | Railroad locomotive monitoring system configuration system and method |
CN107725283B (zh) * | 2017-09-19 | 2019-05-21 | 江苏方天电力技术有限公司 | 一种基于深度信念网络模型的风机故障检测方法 |
CN109740727A (zh) * | 2018-12-05 | 2019-05-10 | 中国软件与技术服务股份有限公司 | 一种基于神经网络的水轮机转轴状态监测方法和系统 |
-
2019
- 2019-09-25 CN CN201910913207.0A patent/CN110715808B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008275345A (ja) * | 2007-04-25 | 2008-11-13 | Nagano Science Kk | 閉空間内の状態推定方法、及びその方法を用いて恒温槽の温度状態を監視する装置 |
CN103010257A (zh) * | 2012-12-12 | 2013-04-03 | 长春轨道客车股份有限公司 | 高速动车组轴温监测系统 |
CN105109521A (zh) * | 2015-08-20 | 2015-12-02 | 苏州华兴致远电子科技有限公司 | 一种轨道列车异常检测方法及系统 |
CN107819631A (zh) * | 2017-11-23 | 2018-03-20 | 东软集团股份有限公司 | 一种设备异常检测方法、装置及设备 |
CN108897954A (zh) * | 2018-06-29 | 2018-11-27 | 龙源(北京)风电工程技术有限公司 | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 |
CN109583570A (zh) * | 2018-11-30 | 2019-04-05 | 重庆大学 | 基于深度学习确定桥梁健康监测系统异常数据来源的方法 |
CN109977146A (zh) * | 2019-05-07 | 2019-07-05 | 山东省科学院激光研究所 | 故障诊断方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110715808A (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110715808B (zh) | 故障检测方法及装置 | |
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
CN106873571B (zh) | 一种基于数据和模型融合的预警方法 | |
CN110598851A (zh) | 一种融合lstm和gan的时间序列数据异常检测方法 | |
CN108897954A (zh) | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 | |
CN110763997A (zh) | 一种同步电机定子早期故障预警方法 | |
CN106649755A (zh) | 一种多维度实时变电设备数据的阈值自适应设置异常检测方法 | |
CN112036505A (zh) | 道岔转辙机的设备状态确定方法、装置和电子设备 | |
CN108710637B (zh) | 基于时空关系的出租车异常轨迹实时检测方法 | |
CN105573290B (zh) | 卷烟工厂超高速条盒包装机多工况过程在线监测与故障诊断方法 | |
CN110738255A (zh) | 一种基于聚类算法的设备状态监测方法 | |
EP2989705A1 (en) | Method and apparatus for defect pre-warning of power device | |
CN109919066B (zh) | 一种检测轨道交通车厢内乘客密度异常的方法和装置 | |
CN109597315A (zh) | 一种机械设备健康退化状态辨识方法、设备及系统 | |
CN102495949A (zh) | 一种基于飞行数据的故障预报方法 | |
CN106483847A (zh) | 一种基于自适应ica的冷水机组故障检测方法 | |
CN116308300B (zh) | 一种电力设备状态监测评价与指挥方法及系统 | |
CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
CN115758083A (zh) | 一种基于时域和时频域融合的电机轴承故障诊断方法 | |
KR20220127209A (ko) | 설비 고장 예측 시스템 및 그 방법 | |
CN116561514A (zh) | 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质 | |
CN116610105B (zh) | 一种基于数据融合的轧机机械运行故障监测方法及系统 | |
CN112733446A (zh) | 一种数据驱动的自适应异常检测方法 |
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 |