CN111308909A - 一种中继阀故障诊断方法及装置 - Google Patents

Abstract

本发明公开了一种中继阀故障诊断方法及装置，其中方法包括：从真实列车均衡模块和列车均衡模块仿真平台，获取总风缸、均衡风缸和列车管在中继阀不同故障类型时的压力时间序列；对每种故障类型，均按列车管充排风周期截取压力时间子序列，从中提取压力特征值，并从均衡风缸控制信号中提取均衡风缸的进风阀动作频率和排风阀动作频率，组建训练数据；以训练数据和对应的故障类型分别作为输入和输出数据，训练神经网络模型，得到中继阀故障诊断模型；使用中继阀故障诊断模型诊断待测中继阀的故障类型。本发明通过真实列车均衡模块和列车均衡模块仿真平台获取更多训练数据，可以提高训练所得中继阀故障诊断模型的准确性。

Description

一种中继阀故障诊断方法及装置

技术领域

本发明属于列车制动系统故障诊断技术领域，尤其涉及一种中继阀故障诊断方法及装置。

背景技术

电空制动系统作为列车运行安全的重要保障，其自身性能和工作状态尤为重要，任何安全隐患或故障都可能造成重大的生命财产损失，因此及时发现制动系统故障并准确的定位故障，进行故障排查就尤为重要。我国铁路列车制动系统的故障检测主要依靠人工检测，现阶段对故障的检测往往都是在故障发生后才能发现故障，不能在故障发生前进行提前发现故障，严重影响了铁路的运输效率和列车的安全。

气动阀的故障通常不会突然产生，气动阀在使用过程中受到外部环境和零件的疲劳化的影响都会伴随着零部件实际功能的退化，不同的零部件的退化会对气动阀的性能产生不同的影响，这种影响将直接反应在气动阀的压力响应曲线上。气动阀非常复杂，不能对气动阀内部的部件做到直接观测，拆卸阀体观测内部零件然后再组装进行实验的方法不仅浪费大量时间和精力，而且多次的拆卸对阀的功能会造成巨大影响，因此内部零件的功能状态无法通过实验观测确认。同时，气动阀由于阀芯行程长，阀芯动作速度慢，对气动阀的老化实验在实验室环境下一次实验就需要大量的时间，另外人工在结构复杂的中继阀注入理想的故障类型存在较大困难。

发明内容

本发明要解决的技术问题在于，提供一种中继阀故障诊断方法及装置，通过真实的列车均衡模块和列车均衡模块仿真平台获取更多训练数据，可以提高训练所得中继阀故障诊断模型的准确性。

为实现上述技术目的，本发明采用如下技术方案：

一种中继阀故障诊断方法，包括以下步骤：

在真实的列车均衡模块中使用不同故障类型的中继阀，采集获取真实的列车均衡模块中的总风缸、均衡风缸和列车管在中继阀当前故障类型时的压力时间序列；

在列车均衡模块仿真平台中，通过参数调节以模拟中继阀的不同故障类型，采集获取列车均衡模块仿真平台中的总风缸、均衡风缸和列车管在中继阀当前故障类型时的压力时间序列；

对每种故障类型，均从总风缸、均衡风缸和列车管的压力时间序列，按列车管充排风周期截取压力时间子序列，分别对得到的总风缸、均衡风缸和列车管的压力时间子序列进行压力波形分析，从中提取若干种压力特征值；

获取每个压力时间子序列所在列车管充排风周期所对应的均衡风缸控制信号，从中提取均衡风缸的进风阀动作频率和排风阀动作频率；

将每种故障类型每个压力时间子序列所在列车管充排风周期，所对应提取到的压力特征值与进风阀动作频率、排风阀动作频率，作为一组训练数据；针对每种故障类型均获取若干组训练数据；

以训练数据和对应的故障类型分别作为输入和输出数据，训练神经网络模型，得到中继阀故障诊断模型；

获取待测中继阀所在的真实列车均衡模块中的总风缸、均衡风缸和列车管的压力时间序列，并按训练数据获取方法来提取获得其特征值，再输入至中继阀故障诊断模型，获得待测中继阀的故障类型。

在更优的技术方案中，所述故障类型包括：中继阀正常、中继阀进风口向大气泄露故障、中继阀出风口向大气泄露故障、中继阀进风口向出风口泄露故障；所述中继阀进风口向出风口漏风故障包括：弹簧故障、连杆卡滞故障、橡胶圈老化故障。

在更优的技术方案中，每个列车管充排风周期包括：第一压力保持阶段、充气阶段、第二压力保持阶段、放气阶段；

提取若干种压力特征值包括：在第一压力保持阶段，提取均衡风缸的最高压力、最低压力、平均压力，提取列车管相对于均衡风缸的压力跟随误差平均值；在充气阶段，提取总风缸的平均压力，提取均衡风缸的从升压10％至升压90％的压力上升时间，提取列车管相对于均衡风缸的压力跟随误差平均值；在第二压力保持阶段，提取均衡风缸的最高压力、最低压力、平均压力，提取列车管相对于均衡风缸的压力跟随误差平均值，提取进风阀动作频率、排风阀动作频率；在排气阶段，提取均衡风缸的排气时间，提取列车管相对于均衡风缸的压力跟随误差平均值。

在更优的技术方案中，所述方法还包括：采用递归特征消除方法从提取得到的所有特征数据中选择有效特征数据作为训练数据。

在更优的技术方案中，压力时间序列的频率为25Hz。

在更优的技术方案中，列车均衡模块仿真平台采用AMESim软件搭建。

在更优的技术方案中，所述神经网络模型采用径向基神经网络。

本发明还提供一种中继阀故障诊断系统，包括数据采集模块、列车均衡模块仿真平台和故障诊断模块；

所述数据采集模块，用于：在真实的列车均衡模块中使用不同故障类型的中继阀，采集获取真实的列车均衡模块中的总风缸、均衡风缸和列车管在中继阀当前故障类型时的压力时间序列；

所述列车均衡模块仿真平台，用于：通过参数调节以模拟中继阀的不同故障类型，并采集获取其中总风缸、均衡风缸和列车管在中继阀当前故障类型时的压力时间序列；

所述故障诊断模块，用于：对每种故障类型，均从总风缸、均衡风缸和列车管的压力时间序列，按列车管充排风周期截取压力时间子序列，分别对得到的总风缸、均衡风缸和列车管的压力时间子序列进行压力波形分析，从中提取若干种压力特征值；

所述故障诊断模块还用于：获取每个压力时间子序列所在列车管充排风周期所对应的均衡风缸控制信号，从中提取均衡风缸的进风阀动作频率和排风阀动作频率；

所述故障诊断模块还用于：将每种故障类型每个压力时间子序列所在列车管充排风周期，所对应提取到的压力特征值与进风阀动作频率、排风阀动作频率，作为一组训练数据；针对每种故障类型均获取若干组训练数据；

所述故障诊断模块还用于：以训练数据和对应的故障类型分别作为输入和输出数据，训练神经网络模型，得到中继阀故障诊断模型；

所述故障诊断模块还用于：获取待测中继阀所在的真实列车均衡模块中的总风缸、均衡风缸和列车管的压力时间序列，并按训练数据获取方法来提取获得其特征值，再输入至中继阀故障诊断模型，获得待测中继阀的故障类型。

有益效果

本发明实施例提供的中继阀故障诊断方法及装置，其中搭建的真实的列车均衡模块和列车均衡模块仿真平台均能很好地模拟实际中列车充风缓解阶段、保压平衡阶段和排气制动阶段三个工作阶段，从而能更多更精确地从总风缸、均衡风缸和列车管的压力信号中提取中继阀的故障特征数据，进而训练神经网络模型得到中继阀故障诊断模型，这样能弥补现在技术中仅通过列车真实制动系统较难精确获取各种故障类型中继阀的缺陷，可以提高中继阀故障诊断的准确性；而且，基于递归的特征消除方法和神经网络模型，从提取得到的所有特征数据中选择有效特征数据作为神经网络模型的训练数据，在保证故障诊断准确率的基础上减少特征种类，提高神经网络模型训练的计算成本。

附图说明

图1是本发明实施例所述列车均衡模块仿真平台的结构图；

图2是本发明实施例所述列车均衡模块仿真平台的整体模型图；

图3是本发明实施例所述中继阀故障诊断方法的原理框架图；

图4是本发明实施例所述中继阀故障诊断方法的流程图；

图5是本发明实施例所述列车均衡模块仿真平台的中继阀模型图；

图6是本发明实施例所述列车均衡模块仿真平台模拟中继阀呈现进风口向大气泄露的故障类型模拟图；

图7是本发明实施例所述列车均衡模块仿真平台模拟中继阀呈现出风口向大气泄露的故障类型模拟图；

图8是本发明实施例所述列车均衡模块仿真平台模拟中继阀呈现进风口向出风口泄露故障类型模拟图；

图9是本发明实施例所述列车均衡模块仿真平台中减压阀的模型图；

图10是本发明实施例所述列车均衡模块仿真平台中制动控制单元的模型图；

具体实施方式

下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。

实施例一：

本发明实施例一提供一种中继阀故障诊断方法，用于判断列车制动系统的中继阀故障类型。

如图1所示，真实的列车均衡模块包括：制动控制单元、空压机、总风缸、干燥器、减压阀、进气阀258YV、保护阀263YV、排气阀257YV、中继阀、均衡风缸、列车管和三个压力传感器。在实际的列车制动系统中，只有中继阀是存在故障，其他元件都是正常的，各个元件相互协作，使中继阀工作在充风缓释阶段、保压平衡阶段和排风制动阶段这三个阶段。具体工作过程为：由空压机压缩空气并向总风缸充气，使总风缸作为列车制动系统的气路风源；减压阀使总风缸输出的气路压力保持在650kpa；制动控制单元根据预先设定好的目标压力值控制供气阀和排气阀以调节均衡风缸的压力，中继阀根据均衡风缸的压力为列车管充排气。三个压力传感器分别用来监测总风缸、均衡风缸和列车管的压力信号，其中总风缸为中继阀提供具有很高压力的压缩空气，制动控制单元控制供气阀和排气阀的开关进而控制均衡风缸内的压力达到目标压力值，中继阀根据均衡风缸的目标压力向列车管充排相同压力的压缩空气，因此总风缸、均衡风缸和列车管的压力信号能够反映中继阀是否故障，故可将三个压力传感器所监测的压力信号数据交由故障诊断模块进行处理和分析，从而判断中继阀是否故障。

为克服现有技术中较难准确获取到各种不同故障类型中继阀的技术难题，本发明实施例还通过搭建列车均衡模块仿真平台，以获取到总风缸、均衡风缸和列车管在中继阀更多种故障类型情况下的压力信号，进而使训练神经网络模型得到的中继阀故障诊断模型的诊断更精确。

在本实施例中，采用AMESim软件搭建列车均衡模块仿真平台，得到的列车均衡模块仿真平台如图2所示，包括AMESim气路仿真部分和Matlab控制器仿真部分，其中AMESim气路仿真部分作为仿真平台的执行器，Matlab控制器仿真部分作为仿真系统的控制部分。Matlab控制器仿真部分行使制动控制单元的功能，根据预先设定的目标值控制AMESim气路仿真部分的供气阀和排气阀以调节均衡风缸的压力，根据均衡风缸的压力反馈控制中继阀的进风阀和出风阀以对列车管进行充排气，同时获取AMESim气路仿真部分的总风缸、均衡风缸和列车管的压力信号数据。

本发明实施例利用真实的列车均衡模块和列车均衡模块仿真平台获取训练数据，进而训练神经网络模型，得到中继阀故障诊断模型，即可使用该得到的中继阀故障诊断模型对待测中继阀进行故障类型判断。如图3、4所示，具体方法包括以下步骤：

步骤1，获取真实系统数据：在真实的列车均衡模块中使用不同故障类型的中继阀，采集获取真实的列车均衡模块中的总风缸、均衡风缸和列车管在中继阀当前故障类型时的压力时间序列；

步骤2，获取仿真系统数据：在列车均衡模块仿真平台中，通过参数调节以模拟中继阀的不同故障类型，采集获取列车均衡模块仿真平台中的总风缸、均衡风缸和列车管在中继阀当前故障类型时的压力时间序列；

其中，步骤1和步骤2，通过真实列车均衡模块和列车均衡模块仿真平台获取的压力时间序列，覆盖以下六种故障类型：中继阀正常、中继阀进风口向大气泄露故障、中继阀出风口向大气泄露故障、弹簧故障、连杆卡滞故障和橡胶圈老化故障。其中的弹簧故障、连杆卡滞故障和橡胶圈老化故障这三种故障类型实际上属于中继阀进风口向出风口泄露故障。

图5为本发明实施例所述列车均衡模块仿真平台的中继阀模型图，中继阀的主要功能是控制列车管的充气和排气。主鞲鞴左侧为中均室，中均室通过管路与均衡风缸相连，右侧通过管路与列车管相连。主鞲鞴经由顶杆与进风阀和出风阀相互作用，进风阀经与总风相连，出风阀与大气相连，两个阀中间位置与列车管相连。

图6为本发明实施例的列车均衡模块仿真平台模拟中继阀呈现进风口向大气泄露故障类型：在中继阀压力给定端(即中继阀在其中均室与均衡风缸的连接处)接入一个节流孔，通过调整节流孔大小仿真不同故障程度下的泄露故障；

图7为本发明实施例的列车均衡模块仿真平台模拟中继阀呈现出风口向大气泄露故障类型：在中继阀排风管(即中继阀在其与列车管的连接处)接入一个节流孔，通过调整节流孔大小仿真不同故障程度下的泄露故障；

图8为本发明实施例的列车均衡模块仿真平台模拟中继阀呈现进风口向出风口泄露故障类型：在中继阀总风管(即中继阀在其与总风缸的连接处)和排风管之间接入一个节流孔，通过调整节流孔大小仿真不同故障程度下的泄露故障；

图9为本发明实施例的列车均衡模块仿真平台中减压阀的模型图：当减压阀左侧与总风相连，调整弹簧初始状态是压缩状态，调节弹簧压着膜板下凹，模板压住连杆顶开进风阀使总风的压缩空气经进风阀口向右侧输出，同时压缩空气经过进风阀上方的平衡小孔进入膜板下方的气室。模板根据上方和下方的压力差调节进风阀和出风阀的开和关。在输出压力和给定压力相等时，进风阀和出风阀关闭；

图10为本发明实施例的列车均衡模块仿真平台中制动控制单元的模型图：使用宽度可调的方波信号Pulse Generator作为目标压力信号；将AMESim中的模型编译为一个S-Function函数，输入为供风阀、排风阀和保护阀的控制信号，输出为总风、列车管和均衡风缸内的空气压力；使用另一个S-Function作为模型的控制器，在控制器Control A内编写了与硬件模块相同的控制算法，Control A分别从Pulse Generator和AMESim模型获取目标压力和均衡风缸实际压力作为输入；使用5个示波器分别记录总风、均衡风缸、列车管、进风阀和出风阀的数据。

步骤3，对每种故障类型，均从总风缸、均衡风缸和列车管的压力时间序列，按列车管充排风周期截取压力时间子序列，分别对得到的总风缸、均衡风缸和列车管的压力时间子序列进行压力波形分析，从中提取若干种压力特征值；

获取每个压力时间子序列所在列车管充排风周期所对应的均衡风缸控制信号，从中提取均衡风缸的进风阀动作频率和排风阀动作频率；

将每种故障类型每个压力时间子序列所在列车管充排风周期，所对应提取到的压力特征值与进风阀动作频率、排风阀动作频率，作为一组训练数据；且针对每种故障类型均获取若干组训练数据；

每个列车管充排风周期包括：第一压力保持阶段、充气阶段、第二压力保持阶段、放气阶段；提取若干种压力特征值包括：在第一压力保持阶段，提取均衡风缸的最高压力、最低压力、平均压力，提取列车管相对于均衡风缸的压力跟随误差平均值；在充气阶段，提取总风缸的平均压力，提取均衡风缸的从升压10％至升压90％的压力上升时间，提取列车管相对于均衡风缸的压力跟随误差平均值；在第二压力保持阶段，提取均衡风缸的最高压力、最低压力、平均压力，提取列车管相对于均衡风缸的压力跟随误差平均值，提取进风阀动作频率、排风阀动作频率；在排气阶段，提取均衡风缸的排气时间，提取列车管相对于均衡风缸的压力跟随误差平均值。

在更优的实施例中，在对压力波形分析以提取特征数据之前，还包括对压力信号进行降噪和清洗处理，使特征提取数据更准确。

上述提取的特征数据，均能在一定程度上反映中继器的故障特征，但由于特征种类较多，因此在更优的实施例中，可采用递归特征消除方法从提取得到的所有特征数据中选择有效特征数据作为训练数据，在保证故障诊断准确率的基础上减少特征种类，提高神经网络模型训练的计算成本。

其中使用的递归特征消除方法，通过构建Xgboost模型经过训练得到不同特征(包括上述提取的特征：均衡风缸在第一压力保持阶段的最高压力、最低压力、平均压力，均衡风缸在充气阶段从升压10％至升压90％的压力上升时间，均衡风缸在第二压力保持阶段的最高压力、最低压力、平均压力，均衡风缸在排气阶段的排气时间；列车管在分别在第一压力保持阶段、充气阶段、第二压力保持阶段和排气阶段相对于均衡风缸的压力跟随误差平均值；总风缸在充气阶段的平均压力；均衡风缸的进气阀和排气阀的动作频率)的权重，权重越高的特征对识别故障种类的效果越好，能够有效提高故障诊断的准确率，反复构建模型去掉权重低的特征，最终得到能有效识别故障种类的特征，并将分配好的权重的特征交由径向基神经网络模型处理。

步骤4，以训练数据和对应的故障类型分别作为输入和输出数据，训练神经网络模型，得到中继阀故障诊断模型；在本实施例中具体选择径向基神经网络模型。

步骤5，获取待测中继阀所在的真实列车均衡模块中的总风缸、均衡风缸和列车管的压力时间序列，并按训练数据获取方法来提取获得其特征值，再输入至中继阀故障诊断模型，获得待测中继阀的故障类型。

综上所述，本发明实施例提供的中继阀故障诊断方法，其中搭建的真实列车均衡模块和列车均衡模块仿真平台均能很好地模拟实际中列车制动、缓释和保压的过程，因此能弥补现在技术中仅通过列车真实制动系统较难精确获取各种故障类型中继阀的缺陷；而且，基于递归的特征消除模型和径向基神经网络模型能很好的诊断中继阀所可能出现的常见故障，弥补了列车故障诊断领域针对单个元器件故障诊断方法的不足。

实施例二：

本发明实施例二提供一种中继阀故障诊断系统，用于实现上述实施例一所述中继阀故障诊断方法，在真实的列车均衡模块中使用不同故障类型的中继阀，采集获取真实的列车均衡模块中的总风缸、均衡风缸和列车管在中继阀当前故障类型时的压力时间序列；

在列车均衡模块仿真平台中，通过参数调节以模拟中继阀的不同故障类型，采集获取列车均衡模块仿真平台中的总风缸、均衡风缸和列车管在中继阀当前故障类型时的压力时间序列；

对每种故障类型，均从总风缸、均衡风缸和列车管的压力时间序列，按列车管充排风周期截取压力时间子序列，分别对得到的总风缸、均衡风缸和列车管的压力时间子序列进行压力波形分析，从中提取若干种压力特征值；

获取每个压力时间子序列所在列车管充排风周期所对应的均衡风缸控制信号，从中提取均衡风缸的进风阀动作频率和排风阀动作频率；

将每种故障类型每个压力时间子序列所在列车管充排风周期，所对应提取到的压力特征值与进风阀动作频率、排风阀动作频率，作为一组训练数据；针对每种故障类型均获取若干组训练数据；

以训练数据和对应的故障类型分别作为输入和输出数据，训练神经网络模型，得到中继阀故障诊断模型；

获取待测中继阀所在的真实列车均衡模块中的总风缸、均衡风缸和列车管的压力时间序列，并按训练数据获取方法来提取获得其特征值，再输入至中继阀故障诊断模型，获得待测中继阀的故障类型。

由于本实施例二是与实施例一对应的系统方案，其原理与实施例一相同，具有相同的有益效果，在此不再赘述。

以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (8)

1.一种中继阀故障诊断方法，其特征在于，包括以下步骤：

在真实的列车均衡模块中使用不同故障类型的中继阀，采集获取真实的列车均衡模块中的总风缸、均衡风缸和列车管在中继阀当前故障类型时的压力时间序列；

在列车均衡模块仿真平台中，通过参数调节以模拟中继阀的不同故障类型，采集获取列车均衡模块仿真平台中的总风缸、均衡风缸和列车管在中继阀当前故障类型时的压力时间序列；

对每种故障类型，均从总风缸、均衡风缸和列车管的压力时间序列，按列车管充排风周期截取压力时间子序列，分别对得到的总风缸、均衡风缸和列车管的压力时间子序列进行压力波形分析，从中提取若干种压力特征值；

获取每个压力时间子序列所在列车管充排风周期所对应的均衡风缸控制信号，从中提取均衡风缸的进风阀动作频率和排风阀动作频率；

将每种故障类型每个压力时间子序列所在列车管充排风周期，所对应提取到的压力特征值与进风阀动作频率、排风阀动作频率，作为一组训练数据；针对每种故障类型均获取若干组训练数据；

以训练数据和对应的故障类型分别作为输入和输出数据，训练神经网络模型，得到中继阀故障诊断模型；

获取待测中继阀所在的真实列车均衡模块中的总风缸、均衡风缸和列车管的压力时间序列，并按训练数据获取方法来提取获得其特征值，再输入至中继阀故障诊断模型，获得待测中继阀的故障类型。

2.根据权利要求1所述的方法，其特征在于，所述故障类型包括：中继阀正常、中继阀进风口向大气泄露故障、中继阀出风口向大气泄露故障、中继阀进风口向出风口泄露故障；所述中继阀进风口向出风口漏风故障包括：弹簧故障、连杆卡滞故障、橡胶圈老化故障。

3.根据权利要求1所述的方法，其特征在于，每个列车管充排风周期包括：第一压力保持阶段、充气阶段、第二压力保持阶段、放气阶段；

提取若干种压力特征值包括：在第一压力保持阶段，提取均衡风缸的最高压力、最低压力、平均压力，提取列车管相对于均衡风缸的压力跟随误差平均值；在充气阶段，提取总风缸的平均压力，提取均衡风缸的从升压10％至升压90％的压力上升时间，提取列车管相对于均衡风缸的压力跟随误差平均值；在第二压力保持阶段，提取均衡风缸的最高压力、最低压力、平均压力，提取列车管相对于均衡风缸的压力跟随误差平均值；在排气阶段，提取均衡风缸的排气时间，提取列车管相对于均衡风缸的压力跟随误差平均值。

4.根据权利要求1所述的方法，其特征在于，还包括：采用递归特征消除方法从提取得到的所有特征数据中选择有效特征数据作为训练数据。

5.根据权利要求1所述的方法，其特征在于，压力时间序列的频率为25Hz。

6.根据权利要求1所述的方法，其特征在于，列车均衡模块仿真平台采用AMESim软件搭建。

7.根据权利要求1所述的方法，其特征在于，所述神经网络模型采用径向基神经网络。

8.一种中继阀故障诊断系统，其特征在于，包括数据采集模块、列车均衡模块仿真平台和故障诊断模块；

所述数据采集模块，用于：在真实的列车均衡模块中使用不同故障类型的中继阀，采集获取真实的列车均衡模块中的总风缸、均衡风缸和列车管在中继阀当前故障类型时的压力时间序列；

所述列车均衡模块仿真平台，用于：通过参数调节以模拟中继阀的不同故障类型，并采集获取其中总风缸、均衡风缸和列车管在中继阀当前故障类型时的压力时间序列；

所述故障诊断模块，用于：对每种故障类型，均从总风缸、均衡风缸和列车管的压力时间序列，按列车管充排风周期截取压力时间子序列，分别对得到的总风缸、均衡风缸和列车管的压力时间子序列进行压力波形分析，从中提取若干种压力特征值；

所述故障诊断模块还用于：获取每个压力时间子序列所在列车管充排风周期所对应的均衡风缸控制信号，从中提取均衡风缸的进风阀动作频率和排风阀动作频率；

所述故障诊断模块还用于：将每种故障类型每个压力时间子序列所在列车管充排风周期，所对应提取到的压力特征值与进风阀动作频率、排风阀动作频率，作为一组训练数据；针对每种故障类型均获取若干组训练数据；

所述故障诊断模块还用于：以训练数据和对应的故障类型分别作为输入和输出数据，训练神经网络模型，得到中继阀故障诊断模型；

所述故障诊断模块还用于：获取待测中继阀所在的真实列车均衡模块中的总风缸、均衡风缸和列车管的压力时间序列，并按训练数据获取方法来提取获得其特征值，再输入至中继阀故障诊断模型，获得待测中继阀的故障类型。

Images