CN110866655A - 一种基于功率数值分析的道岔卡阻故障智能预警方法 - Google Patents
一种基于功率数值分析的道岔卡阻故障智能预警方法 Download PDFInfo
- Publication number
- CN110866655A CN110866655A CN201911163320.8A CN201911163320A CN110866655A CN 110866655 A CN110866655 A CN 110866655A CN 201911163320 A CN201911163320 A CN 201911163320A CN 110866655 A CN110866655 A CN 110866655A
- Authority
- CN
- China
- Prior art keywords
- early warning
- value
- matrix
- power
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000003066 decision tree Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 10
- 238000005065 mining Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 85
- 230000009466 transformation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 8
- 241000135164 Timea Species 0.000 abstract 1
- 230000009471 action Effects 0.000 description 17
- 229910003460 diamond Inorganic materials 0.000 description 6
- 239000010432 diamond Substances 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- MPDGHEJMBKOTSU-YKLVYJNSSA-N 18beta-glycyrrhetic acid Chemical compound C([C@H]1C2=CC(=O)[C@H]34)[C@@](C)(C(O)=O)CC[C@]1(C)CC[C@@]2(C)[C@]4(C)CC[C@@H]1[C@]3(C)CC[C@H](O)C1(C)C MPDGHEJMBKOTSU-YKLVYJNSSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013522 software testing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于功率数值分析的道岔卡阻故障智能预警方法,包括以下具体步骤:S1.事先采集大量非故障特征功率数值建立容量为K2的样本分析集{F};S2.依次求得参考预警上限值、预警下限值、参考预警中间值;S3.实际运营时以有限个当前已连续搬动产生的特征功率值作为输入序列;S4.挖掘并拟合输入序列的变化规律并预测后一时段功率值序列;S5.计算预测的后一段功率值分别处于三级异常值区间的概率;S6.以所得概率值及大小关系构建概率预警决策树输出多级预警。本发明不需要对道岔曲线进行特征计算,而是以易获取的功率数值为分析对象,挖掘并拟合出其变化规律以此对后续某一时段的功率数值进行有效预测并建立多级概率预警模型,缓解现有方法存在的问题。
Description
技术领域
本发明属于道岔故障预警领域,具体涉及一种基于功率数值分析的道岔卡阻故障智能预警方法,尤其适用于城市轨道交通S700K等电动型道岔。
背景技术
道岔及其动作装置是用于股道转换的最基础设备,在维系轨道交通行车安全方面占有最重要地位。不论是高速铁路还是城市轨道交通线路,重要区域或车站的道岔动作频次均很高,长时间来回搬动加之列车过岔产生的振动影响,很容易使得道岔结合部位潜移默化的出现磨耗、位移、别劲隐患,从而引起机械卡阻故障。
目前,普遍的实时道岔卡阻故障预警以人工分析为主,通过调阅道岔动作功率曲线,观察其是否出现异常波动或明显的变化趋势。人工分析主要存有过于依赖主观判断、耗时费力等弊端。随着近些年信息处理、模式控制、人工智能等领域方法迅猛发展,人们立刻意识到建立分析模型利用机器进行模式识别实现故障预警能缓解人工分析带来的问题。现有国内外已提出的智能预警主流方案有基于专家系统、支持向量机、人工神经网络等算法,然而这些方法仍存在一些不足之处:(1)现有方法在确定预警阈值或参考标准环节主要有基于学习和基于统计两种方式,都存在正负样本比例严重失衡(实际一个道岔单方向动作故障次数相较于正常动作次数仅为小概率事件)和样本难以满足严格分布条件的问题。基于学习的方法还存有核函数、惩罚因子等核心控制参数的构造选择需要人为主观确定、大规模样本训练复杂度高等问题。(2)多是以当前时刻出现的一次动作曲线进行特征分析与对比,没有综合考虑之前连续出现的动作曲线的变化情况,容易导致误判和漏判。(3)不能对后续一段时间的状态进行预测,分轻重缓急进行预警。一旦发现异常可能为时已晚。(4)往往需要针对道岔曲线进行特征提取与计算,特征提取不合理容易导致判断误差大,特征选取较多较复杂则可能导致计算效率低、实用差。因此,需要一个更好的智能预警方法同时兼顾分析广度和深度,且在计算复杂度上满足实用性要求。
发明内容
道岔动作过程中所受阻力过大就容易导致卡阻故障,此时道岔拉力克服阻力做功也会异常增大,因此本发明以道岔动作过程的特征功率数值(例如各动作阶段的最大功率、总功率等)为分析对象,提出了一种基于功率数值分析的道岔卡阻故障智能预警方法。该方法不需要对道岔曲线进行特征计算,而是以易获取的功率数值为分析对象,挖掘并拟合出其变化规律以此对后续某一时段的功率数值进行有效预测并建立多级概率预警模型,缓解现有方法存在的问题。
本发明对现有预警阈值确定方法进行改进,以大量非故障特征功率数值为分析样本集,提出基于离散余弦变换(Discrete Cosine Transform,DCT)的方法确定预警阈值。该方法参考DCT应用于图像压缩的相关知识,利用DCT变换可以平滑数据矩阵、集中能量的特性,以策略性滤去部分系数的方式分离出相对异常的预警值范围,可以同时避免基于统计和基于学习的方法存在的弊端。
本发明的技术方案:
一种基于功率数值分析的道岔卡阻故障智能预警方法,包括以下具体步骤:
S1.事先采集大量非故障特征功率数值建立容量为K2的分析样本集{F};
S2.依次求得参考预警上限值、预警下限值、参考预警中间值;
S3.实际运营时以有限个当前已连续搬动产生的特征功率值作为输入序列;
S4.挖掘并拟合输入序列的变化规律并预测后一时段功率值序列;
S5.计算预测的后一段功率值分别处于三级异常值区间的概率;
S6.以所得概率值及大小关系构建概率预警决策树输出多级预警。
其中,步骤S1至S2视为模块一,用于求得参考预警值;步骤S3至S6视为模块二,为实际运营中预警分析过程。两个模块在空间上不同步。
所述步骤S2的具体实施方法为:
计算样本集数据矩阵的DCT系数,将样本集按顺序排列成K×K的数据矩阵P,对数据矩阵P进行DCT变换得到系数矩阵C,即
C=DCT(P) (1)
DCT变换后,原数据矩阵反映均值、主要变化幅度的绝大多数能量集中在了系数矩阵左上角的直流系数和低频系数上,反映数据边界、对比度的部分能量集中在了系数矩阵斜中间的中频系数上,反映数据“杂波”、“噪声”这些突兀信息的少量能量集中在右下角的高频系数上;
确定参考预警上限值,利用图像压缩中常用的zigzag扫描法从左上角第1个系数开始锯齿形扫描至左下角,保留对角线和对角线左上方的中、低频系数,并将对角线右下方的高频系数置零得到系数矩阵C′,将系数矩阵C′进行DCT逆变换得到数据矩阵P′,即
P′=IDCT(C′) (2)
新数据矩阵P′均值和原矩阵一致,但波动方差变小,实现了样本数据第一度平滑、聚拢,因此取矩阵P′最大值元素为参考预警上限值Fh,即
Fh=max({P′(i,j)}),i=1,...,K且j=1,...,K (3)
确定参考预警下限值,对系数矩阵C再次利用zigzag顺序扫描,仅保留直流系数和低频系数,滤去中频和高频系数得到新系数矩阵C″,对系数矩阵C″进行DCT逆变换得到新数据矩阵P″,即
P″=IDCT(C″) (4)
新数据矩阵P″的波动方差进一步减小,实现了样本数据第二度平滑、聚拢,因此同样取矩阵P″最大值元素为参考预警下限值Fl,即
Fl=max({P″(i,j)}),i=1,...,K且j=1,...,K (5)
确定参考预警中间值,前面已得到参考预警值范围为[Fl,Fh],这里取范围中值为参考预警中间值Fm,即
所述步骤S3中的序列记为{F(0)(i)};采集个数视用户需求而定,记为N,则有i=1,2,...,N。
所述步骤S4以灰色预测模型为基础进行后续功率值的预测的具体方法为:
①将已采集的功率值序列{F(0)(i)}计算得到一次累加序列{F(1)(k)},即
②定义F(1)的拟合灰导数为
dF(1)(k)=F(0)(k)=F(1)(k)-F(1)(k-1) k=2,3,...,N (8)
同时令白化背景
③对于累加生成的序列可用一个指数曲线或斜率为正的直线来逼近其增长规律,因此定义GM(1,1)一阶离散灰微分方程:
dF(1)(k)+a×Z(1)(k)=u (10)
F(0)(k)+a×Z(1)(k)=u (11)
其中,(8)与(9)式等价,参数a称为发展系数,u称为灰作用量,
④将式(9)移项并展开写成如下矩阵形式
Y=B[a u]T (12)
Y和B分别看作值矩阵和系数矩阵,利用最小二乘法求解参数向量
[a' u']T=(BTB)-1BTY (13)
⑤将参数代入式(9)特征方程求离散解并还原原始数据得到预测值为
利用灰色预测模型可等间隔处理小样本的特点,进一步改进的步骤为:
1)规定用于灰色预测的数据长度不少于5且不多于10,
2)将所采集的功率数据集从最近一位数据开始分割或等间隔下采样得到若干个元素个数在5到10之间的子集,然后分别利用灰色预测模型进行灰色预测并取前三个预测值有效,以此延长预测长度,对于有N个采集数据的集合来说,其最多可预测的后续数值个数n可如下计算:
3)假设N个采集数据的集合最终得到m个子集,构建一个m×n的零矩阵作为容器。从第1行至m行,将每个子集所预测的数值逐列按位数赋予对应零矩阵位置,最终得到一个m×n的稀疏矩阵M,定义为灰色预测扩展矩阵,
4)依次对矩阵M每一列进行处理求最终功率预测值,若该列只有零值,则预测值置零;如果该列有非零元素则求取非零元素的平均值,即有
于是得到含有n个数据的预测值集合,
5)数据后处理。若集合中存有零值,则进一步使用最近邻插值算法将其填充,最终得到后续至多n个功率预测值集合{Ff(n)}。
所述步骤S5的具体方法为:
a.首先依据模块一S2步骤获得的参考预警值定义三个功率异常值区间,分别为:轻度异常值区间[Fl,Fm)、中度异常值区间[Fm,Fh)、重度异常值区间[Fh,+∞)。
b.统计n个后续预测值落入轻度、中度、重度异常值区间的个数依次为n1、n2、n3,计算概率如下:
所得到的P1、P2、P3、P依次定义为后续一段时间内特征功率值位于轻度、中度、重度、总异常值区间的概率。
所述步骤S6中构建最终概率预警决策树采用了多级预警机制,按严重性从大到小依次设Ⅴ、Ⅳ、Ⅲ、Ⅱ、Ⅰ共五个预警级别,结合P1、P2、P3、P的取值及大小关系,构建简洁的概率预警决策树。
与现有技术相比,本发明的有益效果是:
1、本发明提供的基于功率数值分析的道岔卡阻故障智能预警方法,首次引入离散余弦变换来确定三级参考预警值,并构建概率预警决策树进行最终输出。该预警阈值确定方法即不需要样本集满足严格的正负比例和分布条件,也不需要人为主观选择构造核心控制参数和函数,还可以免去训练带来的复杂度,更具有可客观实现多级预警的特点。
2、本发明提供的基于功率数值分析的道岔卡阻故障智能预警方法,以当前已产生的有限个特征功率数据为预测对象进行分析预警,不需要对道岔曲线本身进行特征选取并计算。在实际运用层面上,有着分析对象易获取、计算复杂度较低的特点。
3、本发明提供的基于功率数值分析的道岔卡阻故障智能预警方法,利用改进的灰色预测扩展模型对无特定发展规律的已知数据集进行挖掘,拟合出规律曲线,进而以此对后续某一时段的数据进行有效预测。一方面避免了只利用当前时刻单一道岔曲线进行特征分析和对比的局限性,另一方有可实现“超前”预测的特点。
4、本发明提供的基于功率数值分析的道岔卡阻故障智能预警方法,不仅可以应用于智能化监测系统作为自动分析模块,还可直接用来搭建软件平台作为人工分析的辅助手段进行应用。在当前普遍不具备深度智能监测的条件下发挥作用,有着现有智能故障预警方法基本不具备的灵活性等特点。
附图说明
图1为本发明方法总体结构示意图;
图2为zigzig扫描顺序及高频系数置零示例;
图3为本发明方法概率预警决策树形式;
图4为实施例三级参考预警值求取步骤示意图;
图5为实施例计算所得三级参考预警值有效性验证;
图6为基于本发明开发的道岔卡阻故障预警分析平台界面实例;
图7为实施例具体数值预测及概率预警步骤示意图;
图8为实施例后续预测值与实际值趋势拟合测试曲线图;
图9为实施例黄金口“4.15”16#道岔尖二锁闭卡阻故障前预警模拟,人工第2次巡视采集功率录入系统预警分析结果;
图10为实施例黄金口“4.15”16#道岔尖二锁闭卡阻故障前预警模拟,人工第3次巡视采集功率录入系统预警分析结果;
图11为实施例金潭路“8.12”5#道岔尖二锁闭卡阻故障前预警模拟,人工第1次巡视采集功率录入系统预警分析结果。
具体实施方式
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,都属于本发明保护的范围。
模块一:事先获取参考预警值。
本发明对现有预警阈值确定方法进行改进,以大量非故障特征功率数值为分析样本集,提出基于离散余弦变换(Discrete Cosine Transform,DCT)的方法确定预警阈值。该方法参考DCT应用于图像压缩的相关知识,利用DCT变换可以平滑数据矩阵、集中能量的特性,以策略性滤去部分系数的方式分离出相对异常的预警值范围,可以同时避免基于统计和基于学习的方法存在的弊端。以下给出具体步骤。
采集大量非故障特征功率数值建立容量为K2的分析样本集{F}。这里对样本采集做如下规定:(1)所采集的分析样本容量必须大于1000例(即K2>1000)。(2)对于近期动作状态有起伏的道岔,主要集中采集状态不好期间产生的非故障功的功率数据;对于近期动作状态一直稳定道岔,则可以采集任意日期产生的功率数据。(3)采用等间隔采样的方式采集数据,尽可能覆盖较长时期,可真实反映道岔状况变化情况。
计算样本集数据矩阵的DCT系数。将样本集按顺序排列成K×K的数据矩阵P,对数据矩阵P进行DCT变换得到系数矩阵C,即
C=DCT(P) (1)
DCT变换后,原数据矩阵反映均值、主要变化幅度的绝大多数能量集中在了系数矩阵左上角的直流系数和低频系数上,反映数据边界、对比度的部分能量集中在了系数矩阵斜中间的中频系数上,反映数据“杂波”、“噪声”等突兀信息的少量能量集中在右下角的高频系数上。
确定参考预警上限值。由于实际样本功率值变化方差并不大,所以系数矩阵C中幅值很小的高频系数占大多数。利用图像压缩中常用的zigzag扫描法从左上角第1个系数(直流系数)开始锯齿形扫描至左下角,保留对角线和对角线左上方的中、低频系数,并将对角线右下方的高频系数置零得到系数矩阵C′。扫描顺序及高频系数置零过程如图2所示。
图中,实心圆为保留的系数,空心圆为置零的系数。
这一步去掉高频系数的目的是过滤可能影响结果的数据“杂波”等突兀信息。将系数矩阵C′进行DCT逆变换得到数据矩阵P′,即
P′=IDCT(C′) (2)
新数据矩阵P′均值和原矩阵一致,但波动方差变小,实现了样本数据第一度平滑、聚拢。因此取矩阵P′最大值元素为参考预警上限值Fh,即
Fh=max({P′(i,j)}),i=1,...,K且j=1,...,K (3)
确定参考预警下限值。这一步的目的是为了实现多级预警,考虑利用反映数据矩阵边界和对比度的中频系数来反映样本值范围内相对的临界异常值。因此对系数矩阵C再次利用zigzag顺序扫描,仅保留直流系数和低频系数(约占总系数个数的10%),滤去中频和高频系数得到新系数矩阵C″。对系数矩阵C″进行DCT逆变换得到新数据矩阵P″,即
P″=IDCT(C″) (4)
新数据矩阵P″的波动方差进一步减小,实现了样本数据第二度平滑、聚拢。因此同样取矩阵P″最大值元素为参考预警下限值Fl,即
Fl=max({P″(i,j)}),i=1,...,K且j=1,...,K (5)
确定参考预警中间值。前面已得到参考预警值范围为[Fl,Fh],这里取范围中值为参考预警中间值Fm,即
模块二:具体数值预测方法及概率预警实现流程。具体步骤如下:
采集当前时刻之前某道岔相同搬动方向连续动作所产生的特征功率数值得到一组序列,记为{F(0)(i)};采集个数视用户需求而定,记为N,则有i=1,2,...,N。
为了能规避使用当前单一时刻道岔动作曲线特征进行预警分析的局限性,本发明方法进行改进,用采集的功率序列预测后续时段的功率值。以城市轨道交通折返道岔为例,连续动作产生的特征功率数值可视为时间序列(特定时间段内动作时间间隔基本相同),这里以灰色预测模型为基础进行后续功率值的预测较为适用。以下为基于标准GM(1,1)模型实现功率数值预测的过程:
①将已采集的功率值序列{F(0)(i)}计算得到一次累加序列{F(1)(k)},即
②定义F(1)的拟合灰导数为
dF(1)(k)=F(0)(k)=F(1)(k)-F(1)(k-1) k=2,3,...,N (8)
同时令白化背景
③对于累加生成的序列可用一个指数曲线或斜率为正的直线来逼近其增长规律,因此定义GM(1,1)一阶离散灰微分方程:
dF(1)(k)+a×Z(1)(k)=u (10)
F(0)(k)+a×Z(1)(k)=u (11)
其中,(8)与(9)式等价,参数a称为发展系数,u称为灰作用量。
④将式(9)移项并展开写成如下矩阵形式
Y=B[a u]T (12)
Y和B分别看作值矩阵和系数矩阵,利用最小二乘法求解参数向量
[a' u']T=(BTB)-1BTY (13)
⑤将参数代入式(9)特征方程求离散解并还原原始数据得到预测值为
已知灰色模型对短期内预测有很好的效果,但不适用于长期预测,因此本方法中仅取前三个预测值作为有效功率预测值。为了能延长预测长度,本方法利用灰色模型可等间隔处理小样本的特点,进一步改进:
①规定本发明方法用于灰色预测的数据长度不少于5且不多于10。
②将所采集的功率数据集从最近一位数据开始分割或等间隔下采样得到若干个元素个数在5到10之间的子集,然后分别利用上所模型进行灰色预测并取前三个预测值有效,以此延长预测长度。以数据集{1,2,...,13}为例,可将其分割或等间隔采样得到子集一{4,5,...,13}、子集二{1,3,5,7,9,11,13}、子集三{1,4,7,10,13}、...。其中,利用子集一能预测后续第14、15、16位数值,利用子集二能预测后续第15、17、19位数值,利用子集三能预测后续第16、19、22位数值,以此类推,因此原预测长度由3延长至9。对于有N个采集数据的集合来说,其最多可预测的后续数值个数n可如下计算:
③假设N个采集数据的集合最终得到m个子集(子集个数和形式由用户指定,只需满足预测值覆盖到n即可),构建一个m×n的零矩阵作为容器。从第1行至m行,将每个子集所预测的数值逐列按位数赋予对应零矩阵位置,最终得到一个m×n的稀疏矩阵M,定义为灰色预测扩展矩阵。
④依次对矩阵M每一列进行处理求最终功率预测值。若该列只有零值,则预测值置零;如果该列有非零元素则求取非零元素的平均值,即有
于是得到含有n个数据的预测值集合。
⑤数据后处理。若集合中存有零值,则进一步使用最近邻插值算法将其填充,最终得到后续至多n个功率预测值集合{Ff(n)}。
计算三个异常值区间的概率。本发明方法不直接利用预测值大小进行预警,而是进一步改进采用概率决策模型降低判定偶然性。这里采用频次统计法求取后续预测值落入异常区间的概率,简单方便。
①首先依据第一模块内容,定义三个功率异常值区间,分别为:轻度异常值区间[Fl,Fm)、中度异常值区间[Fm,Fh)、重度异常值区间[Fh,+∞)。
②统计n个后续预测值落入轻度、中度、重度异常值区间的个数依次为n1、n2、n3,计算概率如下:
所得到的P1、P2、P3、P依次定义为后续一段时间内特征功率值位于轻度、中度、重度、总异常值区间的概率。
构建最终概率预警决策树。与现有方法不同,本发明方法采用了多级预警机制,分轻重缓急来加强应急响应。按严重性从大到小依次设Ⅴ、Ⅳ、Ⅲ、Ⅱ、Ⅰ共五个预警级别,对应不同程度的应急处理措施。结合P1、P2、P3、P的取值及大小关系,构建简洁的概率预警决策树,其形式如图3所示。
其中,“方形”表示起点、“圆形1”表示状态节点-待分化、“菱形2”表示终点2-决策结果为无危、“菱形3”表示终点3-决策结果为预警Ⅰ级、“菱形4”表示终点4-决策结果为预警Ⅱ级、“菱形5”表示终点5-决策结果为预警Ⅲ级、“菱形6”表示终点6-决策结果为预警Ⅳ级、“菱形7”表示终点7-决策结果为预警Ⅴ级。d1至d7表示判定条件,不同的道岔可以有不同判定条件,这里提供一组参考数据:{d1|P≥0.65}、{d2|P<0.25}、{d3|0.25≤P<0.45}、{d4|0.45≤P<0.65且(P2+P3)<0.45}、{d5|其他可能}、
{d6|P2=max{P1,P2,P3}且P3<0.3}、{d6|P3=max{P1,P2,P3}或P3≥0.3}。
本发明实施例以2019年武汉地铁4号线黄金口“4.15”16#道岔尖二反操定锁闭卡阻故障以及8号线“8.12”金潭路5#道岔尖二反操定锁闭卡阻故障为背景,结合开发的软件分析测试平台进行发明方法的实施演示。以下为基于前文所述发明内容给出的实施例具体步骤:
模块一:事先获取参考预警值
1、以尖二反操定锁闭阶段最大功率为特征功率,分别采集例黄金口16#道岔和金潭路5#道岔非故障期锁闭特征功率建立分析样本集,样本容量1024例。
2、分别基于两个站点待分析道岔非故障特征功率样本集,用DCT变换方法求取各自三级参考预警值。对应发明内容,三级参考预警值求取的具体步骤示意图如图4所示。其中,这里按zigzag顺序取前100个系数为低频系数(含直流系数),系数对角线右下方所有系数为高频系数,其余系数归为中频系数。
基于此步骤,可训练得到实施例中黄金口16#道岔尖二反操定锁闭特征功率参考预警上限、中间、下限值分别为338.6、328.2、317.8(单位W);金潭路5#道岔尖二反操定锁闭特征功率参考预警上限、中间、下限值分别为470.1、452.45、434.8(单位W)。为了验证本方法求取三级参考预警值的有效性,分别统计绘制黄金口16#道岔以及金潭路5#道岔故障前尖二反操定锁闭特征功率趋势,并将所得三级参考预警值自上而下作为参考线,如图5所示。
由图5可知,两个道岔故障前均有相当比例的锁闭特征功率值落入三级参考预警值上、下限范围内,甚至超过上限,因此具备预报作用。
模块二:实施例现场预警实现过程
介绍具体数值预测方法及概率预警模型,即具体操作实现层。图6给出了基于本发明方法开发的道岔卡阻故障预警分析测试平台界面实例,使用时只需要录入当前时刻已连续动作产生的锁闭特征功率值并设置三级参考预警值,点击“开始”即可实现自动、快速的智能预警分析。后续将以此平台实施对“4.15”黄金口以及“8.12”金潭路道岔锁闭卡阻故障预警模拟。
首先对照发明内容给出具体数值预测及概率预警步骤,如图7所示。
接下来测试本发明方法基于已产生数据预测后续数值的精确程度。以黄金口16#道岔尖二反操定为例,分别选取一段变化幅度小和一段变化幅度稍大的功率集进行后续功率值的预测,采集个数均为29,可预测后续功率值个数为21,后续预测值与实际值拟合情况见图9所示。观察图8两个实例,自第30个数据开始分析,预测值与实际值拟合程度较好,预测相对误差基本处于0.7%至7%之间,预测精度普遍达90%以上甚至接近100%。
最后实施故障预警模拟。根据当前武汉地铁人工巡检预警模式制定模拟实施方案:(1)事先采集当天问题道岔故障前所有搬动产生的锁闭特征功率值。(2)模拟员工自早上8:30开始周期巡视调阅功率曲线。黄金口每次巡视采集29个特征功率值录入软件平台进行预警分析,金潭路每次巡视采集21个特征功率值录入软件测试平台进行预警分析,每一次录入数据后遵循系统给出的巡视周期建议再对应录入下次数据。(3)预测成功的标准:在故障前夕报出Ⅲ级以上预警,报Ⅴ级为最佳。
a、黄金口“4.15”16#道岔故障预警模拟实施情况。8:30第1次巡视以及10:00第2次巡视采集功率录入系统均提示“无危”。以第2次巡视采集录入数据为例,给出系统预警分析结果,如图9所示。
而11:30第3次巡视采集功率录入系统则报出Ⅴ级预警,并给出应急措施。同时系统还给出预测后续第10次搬动时故障,而实际故障发生于报警后第8次搬动,预测误差相差2次约10分钟,如图10所示。值得注意,当前录入的功率值均小于轻度异常值,一般方法容易给出正常提示。但本发明方法通过挖掘数据变化规律预测后续功率值将大概率异常上升,成功给出报警。
b、金潭路“8.12”5#道岔故障预警模拟实施情况。8:30第1次巡视采集功率录入系统即报出Ⅳ级预警,并给出应急措施,如图11所示。而实际故障发生于此次报警后第22次搬动时,约2小时以后。由于此次预警分析重度异常值区间概率相对较小,根据判定条件预警级别没有达到最高Ⅴ级,系统未给出故障时间点的预测,但仍属预警成功案例。
可以看出,本发明方法在实施例两个具体卡阻故障发生前都作出了有效预警,也根据预测概率的大小体现了多级预警。此外,经过专项测试,当录入的待预测分析数据个数小于30时,本发明方法预警分析时间(除去手动录入数据的时间)在10s以内,满足实际应用的时效性需求。
Claims (7)
1.一种基于功率数值分析的道岔卡阻故障智能预警方法,其特征在于,包括以下具体步骤:
S1.事先采集大量非故障特征功率数值建立容量为K2的分析样本集{F};
S2.依次求得参考预警上限值、预警下限值、参考预警中间值;
S3.实际运营时以有限个当前已连续搬动产生的特征功率值作为输入序列;
S4.挖掘并拟合输入序列的变化规律并预测后一时段功率值序列;
S5.计算预测的后一段功率值分别处于三级异常值区间的概率;
S6.以所得概率值及大小关系构建概率预警决策树输出多级预警。
2.根据权利要求1所述的一种基于功率数值分析的道岔卡阻故障智能预警方法,其特征在于,所述步骤S2的具体实施方法为:
计算样本集数据矩阵的DCT系数,将样本集按顺序排列成K×K的数据矩阵P,对数据矩阵P进行DCT变换得到系数矩阵C,即
C=DCT(P) (1)
DCT变换后,原数据矩阵反映均值、主要变化幅度的绝大多数能量集中在了系数矩阵左上角的直流系数和低频系数上,反映数据边界、对比度的部分能量集中在了系数矩阵斜中间的中频系数上,反映数据“杂波”、“噪声”这些突兀信息的少量能量集中在右下角的高频系数上;
确定参考预警上限值,利用图像压缩中常用的zigzag扫描法从左上角第1个系数开始锯齿形扫描至左下角,保留对角线和对角线左上方的中、低频系数,并将对角线右下方的高频系数置零得到系数矩阵C′,将系数矩阵C′进行DCT逆变换得到数据矩阵P′,即
P′=IDCT(C′) (2)
新数据矩阵P′均值和原矩阵一致,但波动方差变小,实现了样本数据第一度平滑、聚拢,因此取矩阵P′最大值元素为参考预警上限值Fh,即
Fh=max({P′(i,j)}),i=1,...,K且j=1,...,K (3)
确定参考预警下限值,对系数矩阵C再次利用zigzag顺序扫描,仅保留直流系数和低频系数,滤去中频和高频系数得到新系数矩阵C″,对系数矩阵C″进行DCT逆变换得到新数据矩阵P″,即
P″=IDCT(C″) (4)
新数据矩阵P″的波动方差进一步减小,实现了样本数据第二度平滑、聚拢,因此同样取矩阵P″最大值元素为参考预警下限值Fl,即
Fl=max({P″(i,j)}),i=1,...,K且j=1,...,K (5)
确定参考预警中间值,前面已得到参考预警值范围为[Fl,Fh],这里取范围中值为参考预警中间值Fm,即
3.根据权利要求2所述的一种基于功率数值分析的道岔卡阻故障智能预警方法,其特征在于,所述步骤S3中的序列记为{F(0)(i)};采集个数视用户需求而定,记为N,则有i=1,2,...,N。
4.根据权利要求3所述的一种基于功率数值分析的道岔卡阻故障智能预警方法,其特征在于,所述步骤S4以灰色预测模型为基础进行后续功率值的预测的具体方法为:
①将已采集的功率值序列{F(0)(i)}计算得到一次累加序列{F(1)(k)},即
②定义F(1)的拟合灰导数为
dF(1)(k)=F(0)(k)=F(1)(k)-F(1)(k-1) k=2,3,...,N (8)
同时令白化背景
③对于累加生成的序列可用一个指数曲线或斜率为正的直线来逼近其增长规律,因此定义GM(1,1)一阶离散灰微分方程:
dF(1)(k)+a×Z(1)(k)=u (10)
F(0)(k)+a×Z(1)(k)=u (11)
其中,(8)与(9)式等价,参数a称为发展系数,u称为灰作用量,
④将式(9)移项并展开写成如下矩阵形式
Y=B[a u]T (12)
Y和B分别看作值矩阵和系数矩阵,利用最小二乘法求解参数向量
[a'u']T=(BTB)-1BTY (13)
⑤将参数代入式(9)特征方程求离散解并还原原始数据得到预测值为
5.根据权利要求4所述的一种基于功率数值分析的道岔卡阻故障智能预警方法,其特征在于,利用灰色预测模型可等间隔处理小样本的特点,进一步改进的步骤为:
1)规定用于灰色预测的数据长度不少于5且不多于10,
2)将所采集的功率数据集从最近一位数据开始分割或等间隔下采样得到若干个元素个数在5到10之间的子集,然后分别利用灰色预测模型进行灰色预测并取前三个预测值有效,以此延长预测长度,对于有N个采集数据的集合来说,其最多可预测的后续数值个数n可如下计算:
3)假设N个采集数据的集合最终得到m个子集,构建一个m×n的零矩阵作为容器。从第1行至m行,将每个子集所预测的数值逐列按位数赋予对应零矩阵位置,最终得到一个m×n的稀疏矩阵M,定义为灰色预测扩展矩阵,
4)依次对矩阵M每一列进行处理求最终功率预测值,若该列只有零值,则预测值置零;如果该列有非零元素则求取非零元素的平均值,即有
于是得到含有n个数据的预测值集合,
5)数据后处理。若集合中存有零值,则进一步使用最近邻插值算法将其填充,最终得到后续至多n个功率预测值集合{Ff(n)}。
7.根据权利要求6所述的一种基于功率数值分析的道岔卡阻故障智能预警方法,其特征在于,所述步骤S6中构建最终概率预警决策树采用了多级预警机制,按严重性从大到小依次设Ⅴ、Ⅳ、Ⅲ、Ⅱ、Ⅰ共五个预警级别,结合P1、P2、P3、P的取值及大小关系,构建简洁的概率预警决策树。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911163320.8A CN110866655B (zh) | 2019-11-25 | 2019-11-25 | 一种基于功率数值分析的道岔卡阻故障智能预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911163320.8A CN110866655B (zh) | 2019-11-25 | 2019-11-25 | 一种基于功率数值分析的道岔卡阻故障智能预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110866655A true CN110866655A (zh) | 2020-03-06 |
CN110866655B CN110866655B (zh) | 2024-04-05 |
Family
ID=69656267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911163320.8A Active CN110866655B (zh) | 2019-11-25 | 2019-11-25 | 一种基于功率数值分析的道岔卡阻故障智能预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866655B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627496A (zh) * | 2021-07-27 | 2021-11-09 | 交控科技股份有限公司 | 道岔转辙机故障预测方法、装置、电子设备和可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004024531A1 (en) * | 2002-09-13 | 2004-03-25 | Bombardier Transportation Gmbh | Vehicle on-board diagnostic system |
CN101893667A (zh) * | 2010-05-26 | 2010-11-24 | 广州市地下铁道总公司 | 交流道岔转辙机故障检测系统及方法 |
US20120130585A1 (en) * | 2010-11-22 | 2012-05-24 | Sagem Defense Securite | Method and system for conserving operating data of a vehicle |
CN106017954A (zh) * | 2016-05-13 | 2016-10-12 | 南京雅信科技集团有限公司 | 基于音频分析的道岔转辙机故障预警系统及方法 |
CN108416362A (zh) * | 2018-01-29 | 2018-08-17 | 同济大学 | 一种道岔异常预警与故障诊断方法 |
CN108508863A (zh) * | 2017-10-12 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于灰色模型的机电设备故障诊断方法 |
CN109421747A (zh) * | 2017-08-30 | 2019-03-05 | 比亚迪股份有限公司 | 基于轨道交通的监测系统和方法 |
CN109677448A (zh) * | 2018-12-29 | 2019-04-26 | 广州铁科智控有限公司 | 一种基于转辙机功率的道岔故障分析方法 |
US20190261204A1 (en) * | 2016-10-28 | 2019-08-22 | Nanjing Howso Technology Co., Ltd | Method and system for abnormal value detection in lte network |
US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
-
2019
- 2019-11-25 CN CN201911163320.8A patent/CN110866655B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004024531A1 (en) * | 2002-09-13 | 2004-03-25 | Bombardier Transportation Gmbh | Vehicle on-board diagnostic system |
CN101893667A (zh) * | 2010-05-26 | 2010-11-24 | 广州市地下铁道总公司 | 交流道岔转辙机故障检测系统及方法 |
US20120130585A1 (en) * | 2010-11-22 | 2012-05-24 | Sagem Defense Securite | Method and system for conserving operating data of a vehicle |
CN106017954A (zh) * | 2016-05-13 | 2016-10-12 | 南京雅信科技集团有限公司 | 基于音频分析的道岔转辙机故障预警系统及方法 |
US20190261204A1 (en) * | 2016-10-28 | 2019-08-22 | Nanjing Howso Technology Co., Ltd | Method and system for abnormal value detection in lte network |
CN109421747A (zh) * | 2017-08-30 | 2019-03-05 | 比亚迪股份有限公司 | 基于轨道交通的监测系统和方法 |
CN108508863A (zh) * | 2017-10-12 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于灰色模型的机电设备故障诊断方法 |
CN108416362A (zh) * | 2018-01-29 | 2018-08-17 | 同济大学 | 一种道岔异常预警与故障诊断方法 |
US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
CN109677448A (zh) * | 2018-12-29 | 2019-04-26 | 广州铁科智控有限公司 | 一种基于转辙机功率的道岔故障分析方法 |
Non-Patent Citations (7)
Title |
---|
曲蕴慧;汤伟;文豪;雷涛;: "基于DCT同态滤波的纸病图像去噪算法研究", 中国造纸, no. 05, 15 May 2018 (2018-05-15) * |
杨春玲;李文豪;: "CVS中基于残差结构特征的块分类重构算法", 华南理工大学学报(自然科学版), no. 03, 15 March 2017 (2017-03-15) * |
王瑞峰;陈旺斌;: "基于灰色神经网络的S700K转辙机故障诊断方法研究", 铁道学报, no. 06, 15 June 2016 (2016-06-15) * |
许汪歆;袁天辰;杨俭;: "基于压缩感知的轨道结构故障模式识别研究", 智能计算机与应用, no. 06, 1 November 2019 (2019-11-01) * |
陈士玮, 李柱国: "灰色理论在柴油机油液监测中的应用研究", 内燃机学报, no. 05, 25 September 2005 (2005-09-25) * |
陈彦龙;张培林;李兵;徐超;: "基于能量聚集性的轴承复合故障诊断", no. 01, pages 191 - 196 * |
黄蕾;: "基于道岔转辙机动作功率曲线关联分析道岔故障", 兵工自动化, no. 10, 15 October 2017 (2017-10-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627496A (zh) * | 2021-07-27 | 2021-11-09 | 交控科技股份有限公司 | 道岔转辙机故障预测方法、装置、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110866655B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105300692B (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN108285071A (zh) | 一种基于贝叶斯网络的电梯健康诊断方法 | |
WO2023130898A1 (zh) | 系统故障监测方法、装置、电子设备和存储介质 | |
CN108763729A (zh) | 基于网络结构熵的流程工业机电系统耦合状态评估方法 | |
CN111275255A (zh) | 一种混凝土坝变形监测预报模型的构建方法 | |
CN107145675A (zh) | 基于bp神经网络算法的电力变压器故障诊断装置及方法 | |
CN115034457A (zh) | 一种基于ceemdan-lstm的城市轨道交通短时客流预测方法 | |
CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
CN113484749A (zh) | 发电机故障诊断及预测方法 | |
CN111652395A (zh) | 一种高速铁路接触网设备健康评估方法 | |
CN106772695A (zh) | 一种融合多测风站实测数据的铁路沿线风速预测方法 | |
CN106600447A (zh) | 一种变电站巡检机器人集中监控系统大数据云分析方法 | |
CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
CN110866655A (zh) | 一种基于功率数值分析的道岔卡阻故障智能预警方法 | |
CN116629417A (zh) | 一种结合卷积注意力模块的轨道交通牵引负荷预测方法 | |
CN114660399B (zh) | 一种环网柜设备状态监测及故障诊断方法 | |
CN117421687A (zh) | 一种数字化电力环网柜运行状态监测方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN112149730B (zh) | 一种基于油样视觉的高速列车轴承故障预测方法 | |
CN114169709A (zh) | 变电站二次设备的状态评估方法、装置、存储介质及设备 | |
CN110533300B (zh) | 基于博弈集对云的变压器智能决策系统 | |
CN115222160A (zh) | 一种基于实测大数据的轨道交通牵引负荷预测方法 | |
CN114065651A (zh) | 一种用于旋转类设备的故障时间预测方法 | |
CN113139601A (zh) | 一种基于lstm和注意力机制的道岔故障检测方法 | |
CN111753097A (zh) | 基于深度学习的电力现货交易出清的数据分析方法及装置 |
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 |