CN111319601A - 一种均衡风缸控制模块故障诊断方法、装置及存储介质 - Google Patents
一种均衡风缸控制模块故障诊断方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111319601A CN111319601A CN202010129593.7A CN202010129593A CN111319601A CN 111319601 A CN111319601 A CN 111319601A CN 202010129593 A CN202010129593 A CN 202010129593A CN 111319601 A CN111319601 A CN 111319601A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- air cylinder
- data
- frequency domain
- time
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
- B60T17/18—Safety devices; Monitoring
- B60T17/22—Devices for monitoring or checking brake systems; Signal devices
- B60T17/228—Devices for monitoring or checking brake systems; Signal devices for railway vehicles
-
- 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
- G01M17/08—Railway vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种均衡风缸控制模块故障诊断方法、装置及存储介质,其中方法包括:实时获取均衡风缸一次充排风周期内均衡风缸的压力数据、充风阀及排风阀的驱动电流数据;采用滑动窗口策略,将获得的均衡风缸的压力数据、充风阀及排风阀的驱动电流数据沿时间维度分割为n个子序列;提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量;基于故障诊断特征向量,利用预先训练好的均衡风缸控制模块故障诊断模型进行故障诊断。针对数据具有高频性、非线性和时间依赖性的特点,通过滑动窗口策略、三域特征提取和诊断模型的结合,可以有效且准确地对均衡风缸控制模块的故障进行诊断,提高现有的均衡风缸控制模块故障诊断水平。
Description
技术领域
本发明涉及列车制动系统故障诊断技术领域,尤其涉及一种均衡风缸控制模块故障诊断方法、装置及存储介质。
背景技术
在列车制动系统中,中继阀响应均衡风缸的压力变化来控制列车管的压力变化,从而实现列车的制动、保压和缓解。作为制动系统的重要装置,均衡风缸控制模块的健康状况对列车的制动性能有着重要的影响。然而,由于均衡风缸控制模块由大量高度交互的部件组成并以多种操作模式运行,难以使用传统的基于模型的故障诊断方法对均衡风缸控制模块进行故障诊断。基于数据驱动的方法试图从均衡风缸控制模块的监测数据中挖掘有用信息来进行故障诊断,避免了对均衡风缸控制模块建模的困难,适用于均衡风缸控制模块的故障诊断。
由于从均衡风缸控制模块采集到的多元传感器信号具有高频性、非线性和时间依赖性,现有采用基于数据驱动的方法对列车均衡风缸控制模块进行故障诊断仍存在以下问题:1)均衡控制模块的组件需要具有高采样频率的传感器,由此产生含有大量时间戳的信号样本,原始高频传感信号的直接使用可能会导致沉重的计算成本;2)从原始多元传感器信号中提取的特征较少,极大地影响了后续模型的诊断性能,因此,有必要探索一种有效的特征提取方法,以提供更多与均衡控制模块状态相关的特征;3)列车均衡控制模块的故障诊断中尚未利用多元传感器信号的时间依赖性。
发明内容
本发明提供了一种均衡风缸控制模块故障诊断方法、装置及存储介质,以解决现有技术中基于数据驱动的均衡风缸控制模块故障诊断方法计算成本高且诊断性能不高的问题。
第一方面,提供了一种均衡风缸控制模块故障诊断方法,包括:
实时获取均衡风缸一次充排风周期内均衡风缸的压力数据、充风阀及排风阀的驱动电流数据;
采用滑动窗口策略,将获得的均衡风缸的压力数据、充风阀及排风阀的驱动电流数据沿时间维度分割为n个子序列,n为预设值;
提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量;
基于故障诊断特征向量,利用预先训练好的均衡风缸控制模块故障诊断模型进行故障诊断。
针对均衡风缸控制模块的多元数据具有高频性、非线性和时间依赖性的特点,应用滑动窗口分割样本数据,再对每个窗口的数据进行特征提取,而不是对整个样本进行特征提取,既能保留样本中的时序信息,也能减轻模型参数的计算负担;从每个窗口的多元数据提取来自时域、频域和时频域三域特征,用于反映均衡风缸控制模块的健康状态;通过预设的均衡风缸控制模块故障诊断模型,基于三域特征进行均衡风缸控制模块的故障诊断,可以有效且准确地对均衡风缸控制模块的电磁阀卡滞和管路漏风进行诊断。
进一步地,所述均衡风缸控制模块故障诊断模型通过如下方法训练得到:
构建故障诊断训练样本集,其中每个样本包括均衡风缸一次充排风周期内均衡风缸的压力数据、充风阀及排风阀的驱动电流数据,以及对应均衡风缸的故障类型;故障诊断训练样本集可从均衡风缸的历史数据中获取,而且包括正常工况下和各种故障类型下的样本;
采用滑动窗口策略,将每个样本的均衡风缸的压力数据、充风阀及排风阀的驱动电流数据沿时间维度分割为n个子序列,n为预设值;
提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量;
以每个样本的故障诊断特征向量作为输入,以每个样本对应的故障类型作为输出,训练长短期记忆网络,得到均衡控制模块故障诊断模型。
针对高采样率的传感数据,采用滑动窗口策略进行数据划分,进而进行特征提取,既能保留数据中的时序信息,也能降低模型输入数据的维度,减轻模型参数的计算负担;
考虑到时序数据的周期性、随机性和非平稳性,提取每个子序列的时域特征、频域特征和时频域特征,多域特征提取提供了更多与均衡控制模块状态相关的特征参数,减少了丢失重要信息的风险;
采用长短期记忆网络搭建均衡控制模块故障诊断模型,凭借网络自身独特的门结构,充分挖掘隐含在时序数据中的时间依赖特性,提高故障诊断的准确性。
进一步地,所述滑动窗口策略具体包括:
滑动窗口以预设的一不小于滑动窗口大小的值作为滑动步长对数据沿时间维度进行分割,优选滑动步长为一个滑动窗口大小;
滑动窗口数量预设为n,每个滑动窗口包含的数据即为一个子序列。
进一步地,所述提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量,具体包括:
提取子序列的时域特征,包括:最大值、最小值、均值、方差、标准差、偏度、峰度和峰峰值;
提取子序列的频域特征,包括:采用绝对傅里叶变换将子序列转换成频域信号,然后提取频谱的质心、方差、偏度和峰度作为频域特征;
提取子序列的时频域特征,包括:对子序列进行三层的db1小波包分解,提取通过分解生成的8个频率子带的能量作为时频域特征;
对每个子序列包含的均衡风缸压力数据、充风阀及排风阀的驱动电流数据提取上述时域特征、频域特征和时频域特征,形成3*n的故障诊断特征向量。
进一步地,所述均衡风缸控制模块故障诊断模型包括:
输入层:将每个子序列的特征向量作为输入,设置输入层的输入节点数目为3*n;
隐藏层:将长短期记忆网络作为隐藏层;
输出层:将故障类型的预设编码作为输出,并利用Softmax函数生成每种故障类型的概率。
第二方面,提供了一种均衡风缸控制模块故障诊断装置,包括相互连接的数据采集模块和故障诊断模块;
所述数据采集模块用于实时采集均衡风缸一次充排风周期内均衡风缸的压力数据、充风阀及排风阀的驱动电流数据,并将采集的数据传输至所述故障诊断模块;
所述故障诊断模块用于采用滑动窗口策略,将接收的均衡风缸的压力数据、充风阀及排风阀的驱动电流数据沿时间维度分割为n个子序列,提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量,然后基于故障诊断特征向量,利用预设的均衡风缸控制模块故障诊断模型进行故障诊断,其中n为预设值。
进一步地,所述数据采集模块包括数据采集卡及均与所述数据采集卡连接的充风阀电流传感器、排风阀电流传感器、均衡风缸压力传感器;
所述充风阀电流传感器用于采集充风阀的驱动电流;
所述排风阀电流传感器用于采集排风阀的驱动电流;
所述均衡风缸压力传感器用于采集均衡风缸的实时压力;
所述数据采集卡用于控制所述充风阀电流传感器、排风阀电流传感器、均衡风缸压力传感器进行数据采集,并将采集的数据传输至所述故障诊断模块。
进一步地,所述故障诊断模块包括依次连接的数据分割单元、特征提取单元及故障诊断单元;
所述数据分割单元,用于采用滑动窗口策略,将接收的均衡风缸的压力数据、充风阀及排风阀的驱动电流数据沿时间维度分割为n个子序列,其中滑动窗口策略具体包括:
滑动窗口以预设的一不小于滑动窗口大小的值作为滑动步长对数据沿时间维度进行分割;
滑动窗口数量预设为n,每个滑动窗口包含的数据即为一个子序列;
所述特征提取单元,用于提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量,具体包括:
子序列本身即是时域信号,故可直接提取子序列的时域特征,包括:最大值、最小值、均值、方差、标准差、偏度、峰度和峰峰值;
提取子序列的频域特征,包括:采用绝对傅里叶变换将子序列转换成频域信号,然后提取频谱的质心、方差、偏度和峰度作为频域特征;
提取子序列的时频域特征,包括:对子序列进行三层的db1小波包分解,提取通过分解生成的8个频率子带的能量作为时频域特征;
对每个子序列包含的均衡风缸压力数据、充风阀及排风阀的驱动电流数据提取上述时域特征、频域特征和时频域特征,形成3*n的故障诊断特征向量;
所述故障诊断单元,用于基于故障诊断特征向量,利用预设的均衡风缸控制模块故障诊断模型进行故障诊断。
进一步地,所述预设的均衡风缸控制模块故障诊断模型通过如下方法训练得到:
构建故障诊断训练样本集,其中每个样本包括均衡风缸一次充排风周期内均衡风缸的压力数据、充风阀及排风阀的驱动电流数据,以及对应均衡风缸的故障类型;故障诊断训练样本集可从均衡风缸的历史数据中获取,而且包括正常工况下和各种故障类型下的样本;
采用滑动窗口策略,将每个样本的均衡风缸的压力数据、充风阀及排风阀的驱动电流数据沿时间维度分割为n个子序列,n为预设值;
提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量;
以每个样本的故障诊断特征向量作为输入,以每个样本对应的故障类型作为输出,训练长短期记忆网络,得到均衡控制模块故障诊断模型。
第三方面,提供了一种计算机可读存储介质,所述存储介质包括存储的程序指令,所述程序指令适于被处理器加载并执行如上所述的均衡风缸控制模块故障诊断方法。
有益效果
本发明提出了一种均衡风缸控制模块故障诊断方法、装置及存储介质,针对均衡风缸控制模块的多元数据具有高频性、非线性和时间依赖性的特点,应用滑动窗口分割样本数据,再对每个窗口的数据进行特征提取,而不是对整个样本进行特征提取,既能保留样本中的时序信息,也能减轻模型参数的计算负担;从每个窗口的多元数据提取来自时域、频域和时频域三域特征,用于反映均衡风缸控制模块的健康状态;通过预设的均衡风缸控制模块故障诊断模型,基于三域特征进行均衡风缸控制模块的故障诊断。本方案可以有效且准确地对均衡风缸控制模块的电磁阀卡滞和管路漏风进行诊断,提高现有的均衡风缸控制模块故障诊断水平,为列车的预防性维修提供维修指导。
附图说明
图1是本发明实施例提供的一种均衡风缸控制模块故障诊断方法流程图;
图2是本发明实施例提供的均衡风缸控制模块故障诊断过程框图;
图3是本发明实施例提供的均衡风缸控制模块故障诊断模型生成流程图;
图4是本发明实施例提供的正常工况下均衡风缸压力变化曲线;
图5是本发明实施例提供的管路漏风故障下的均衡风缸压力变化曲线;
图6是本发明实施例提供的一种均衡风缸控制模块故障诊断装置结构示意图;
图7是本发明实施例提供的均衡风缸控制模块结构示意图。
具体实施方式
下面结合附图及具体实施方式对本发明进行详细说明。
实施例1
如图1和图2所示,本实施例提供了一种均衡风缸控制模块故障诊断方法,包括:
S1:实时获取均衡风缸一次充排风周期内均衡风缸的压力数据、充风阀及排风阀的驱动电流数据;
S2:采用滑动窗口策略,将获得的均衡风缸的压力数据、充风阀及排风阀的驱动电流数据沿时间维度分割为n个子序列,n为预设值,本实施例中n取20;
S3:提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量;
S4:基于故障诊断特征向量,利用预先训练好的均衡风缸控制模块故障诊断模型进行故障诊断。
针对均衡风缸控制模块的多元数据具有高频性、非线性和时间依赖性的特点,应用滑动窗口分割样本数据,再对每个窗口的数据进行特征提取,而不是对整个样本进行特征提取,既能保留样本中的时序信息,也能减轻模型参数的计算负担;从每个窗口的多元数据提取来自时域、频域和时频域三域特征,用于反映均衡风缸控制模块的健康状态;通过预设的均衡风缸控制模块故障诊断模型,基于三域特征进行均衡风缸控制模块的故障诊断,可以有效且准确地对均衡风缸控制模块的电磁阀卡滞和管路漏风进行诊断。
如图3所示,其中,所述均衡风缸控制模块故障诊断模型通过如下方法训练得到:
S01:构建故障诊断训练样本集,其中每个样本包括均衡风缸一次充排风周期内均衡风缸的压力数据、充风阀及排风阀的驱动电流数据,以及对应均衡风缸的故障类型;故障诊断训练样本集可从均衡风缸的历史数据中获取,而且包括正常工况下和各种故障类型下的样本;如图4和图5分别为正常工况下和管路漏风故障下的均衡风缸压力变化曲线。
S02:采用滑动窗口策略,将每个样本的均衡风缸的压力数据、充风阀及排风阀的驱动电流数据沿时间维度分割为20个子序列;
S03:提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量;
S04:以每个样本的故障诊断特征向量作为输入,以每个样本对应的故障类型作为输出,训练长短期记忆网络(LSTM),得到均衡控制模块故障诊断模型。
针对高采样率的传感数据,采用滑动窗口策略进行数据划分,进而进行特征提取,既能保留数据中的时序信息,也能降低模型输入数据的维度,减轻模型参数的计算负担;
考虑到时序数据的周期性、随机性和非平稳性,提取每个子序列的时域特征、频域特征和时频域特征,多域特征提取提供了更多与均衡控制模块状态相关的特征参数,减少了丢失重要信息的风险;
采用长短期记忆网络搭建均衡控制模块故障诊断模型,凭借网络自身独特的门结构,充分挖掘隐含在时序数据中的时间依赖特性,提高故障诊断的准确性。
详细的,所述滑动窗口策略具体包括:
滑动窗口以预设的一不小于滑动窗口大小的值作为滑动步长对数据沿时间维度进行分割,本实施例中滑动步长优选一个滑动窗口大小,滑动窗口的大小根据实际情况下一次充排风周期长度和滑动窗口的个数确定;
滑动窗口数量预设为20,每个滑动窗口可视为一个时间步,每个滑动窗口包含的数据即为一个子序列。
详细的,所述提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量,具体包括:
子序列本身即是时域信号,故可直接提取子序列的时域特征,包括:最大值、最小值、均值、方差、标准差、偏度、峰度和峰峰值;时域特征的计算公式如表1所示:
表1均衡风缸控制模块的时域特征
式中,i=1,2,···,n,n为每个子序列的数据点数,p=1,2,3为分别表示均衡风缸压力数据信号、充风阀驱动电流数据信号和排风阀驱动电流数据信号。
提取子序列的频域特征,包括:采用绝对傅里叶变换将子序列转换成频域信号,然后提取频谱的质心、方差、偏度和峰度作为频域特征;频域特征的计算公式如表2所示:
表2均衡风缸控制模块的频域特征
式中,i=1,2,···,m,m为每个子序列经过绝对傅里叶变换后的频率分量数;S(fi)为第i个频率分量幅度值的均值,p=1,2,3为分别表示均衡风缸压力数据信号、充风阀驱动电流数据信号和排风阀驱动电流数据信号。
提取子序列的时频域特征,包括:对子序列进行三层的db1小波包分解,提取通过分解生成的8个频率子带的能量作为时频域特征;时频域特征的计算公式如下所示:
式中,dj,k(j=1,2,···,2L;k=1,2,···,n)表示每个子序列的小波包系数,L表示分解的层数(本专利中L=3),n表示数据点数,p=1,2,3为分别表示均衡风缸压力数据信号、充风阀驱动电流数据信号和排风阀驱动电流数据信号。
对每个子序列包含的均衡风缸压力数据、充风阀及排风阀的驱动电流数据提取上述时域特征、频域特征和时频域特征,形成3*20的故障诊断特征向量。
详细的,所述均衡风缸控制模块故障诊断模型包括:
输入层:将每个子序列的特征向量作为输入,设置输入层的输入节点数目为3*20;
隐藏层:将长短期记忆网络作为隐藏层(LSTM),设置隐藏层的节点数目可根据实际情况设置,本实施例中优选30;
输出层:将故障类型的预设编码作为输出,并利用Softmax函数生成每种故障类型的概率。
实施例2
为了便于理解方案,先提供了一种现有的均衡风缸控制模块,如图6、图7所示,包括:风源、制动控制单元BCU、充风阀、排风阀、均衡风缸和压力传感器;所述制动控制单元BCU与充风阀、排风阀、压力传感器的连接是电路连接;所述均衡风缸与充风阀、排风阀、压力传感器的连接是气路连接;所述风源与充风阀的连接是气路连接;所述风源用于给均衡风缸提供稳定的风力来源;所述制动控制单元BCU包括PWM板、输入板、输出板、控制板、模拟板和电源板,根据均衡风缸目标压力和实时压力的差值,采用PID控制算法控制充风阀和排风阀的充排风;所述充风阀和排风阀均是MAC 35A-ACA-DDFA-1BA型号电磁阀;所述均衡风缸的容积为1.2L;所述压力传感器的的型号是Keller PA-21Y。
在常用制动模式下,压力传感器采集均衡风缸的实时压力,并将其反馈到制动控制单元BCU,制动控制单元BCU将均衡风缸的目标压力与实时压力比较,当实时压力小于目标压力时,充风阀打开,通过风源给均衡风缸充风;当实时压力大于目标压力时,排风风阀打开,通过均衡风缸向大气排风;当实时压力与目标压力一致时,制动控制单元BCU停止对充风阀和排风阀的控制,从而实现均衡风缸压力的精准控制。
如图6所示,本实施例提供了一种均衡风缸控制模块故障诊断装置,包括相互连接的数据采集模块1和故障诊断模块2;
所述数据采集模块1用于实时采集均衡风缸一次充排风周期内均衡风缸的压力数据、充风阀及排风阀的驱动电流数据,并将采集的数据传输至所述故障诊断模块;
所述故障诊断模块2用于采用滑动窗口策略,将接收的均衡风缸的压力数据、充风阀及排风阀的驱动电流数据沿时间维度分割为n个子序列,提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量,然后基于故障诊断特征向量,利用预设的均衡风缸控制模块故障诊断模型进行故障诊断,其中n为预设值,本实施例中取20。
进一步地,所述数据采集模块1包括数据采集卡11及均与所述数据采集卡连接的充风阀电流传感器12、排风阀电流传感器13、均衡风缸压力传感器14;
所述充风阀电流传感器12用于采集充风阀的驱动电流,具体实施时,其与充风阀相连;
所述排风阀电流传感器13用于采集排风阀的驱动电流,具体实施时,其与排风阀相连;
所述均衡风缸压力传感器14用于采集均衡风缸的实时压力,具体实施时,其与均衡风缸相连;
所述数据采集卡11用于控制所述充风阀电流传感器12、排风阀电流传感器13、均衡风缸压力传感器14进行数据采集,并将采集的数据传输至所述故障诊断模块2;本实施例中,所述数据采集卡11可选择型号为USB4222的高速采集卡,采样频率设置为10KHz。
进一步地,所述故障诊断模块2包括依次连接的数据分割单元21、特征提取单元22及故障诊断单元23;
所述数据分割单元21,用于采用滑动窗口策略,将接收的均衡风缸的压力数据、充风阀及排风阀的驱动电流数据沿时间维度分割为20个子序列,其中滑动窗口策略具体包括:
滑动窗口以预设的一不小于滑动窗口大小的值作为滑动步长对数据沿时间维度进行分割;
滑动窗口数量预设为20,每个滑动窗口包含的数据即为一个子序列;
所述特征提取单元22,用于提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量,具体包括:
提取子序列的时域特征,包括:最大值、最小值、均值、方差、标准差、偏度、峰度和峰峰值;
提取子序列的频域特征,包括:采用绝对傅里叶变换将子序列转换成频域信号,然后提取频谱的质心、方差、偏度和峰度作为频域特征;
提取子序列的时频域特征,包括:对子序列进行三层的db1小波包分解,提取通过分解生成的8个频率子带的能量作为时频域特征;
对每个子序列包含的均衡风缸压力数据、充风阀及排风阀的驱动电流数据提取上述时域特征、频域特征和时频域特征,形成3*20的故障诊断特征向量;
所述故障诊断单元23,用于基于故障诊断特征向量,利用预设的均衡风缸控制模块故障诊断模型进行故障诊断。
进一步地,所述预设的均衡风缸控制模块故障诊断模型通过如下方法训练得到:
构建故障诊断训练样本集,其中每个样本包括均衡风缸一次充排风周期内均衡风缸的压力数据、充风阀及排风阀的驱动电流数据,以及对应均衡风缸的故障类型;故障诊断训练样本集可从均衡风缸的历史数据中获取,而且包括正常工况下和各种故障类型下的样本;
采用滑动窗口策略,将每个样本的均衡风缸的压力数据、充风阀及排风阀的驱动电流数据沿时间维度分割为n个子序列,n为预设值,本实施例中取20;
提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量;
以每个样本的故障诊断特征向量作为输入,以每个样本对应的故障类型作为输出,训练长短期记忆网络,得到均衡控制模块故障诊断模型。
本实施例提供的均衡风缸控制模块故障诊断装置的其他具体实现方案可参见实施例1提供的均衡风缸控制模块故障诊断方法,在此不再赘述。
实施例3
本实施例提供了一种计算机可读存储介质,所述存储介质包括存储的程序指令,所述程序指令适于被处理器加载并执行如实施例1所述的均衡风缸控制模块故障诊断方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明提出了一种均衡风缸控制模块故障诊断方法、装置及存储介质,针对均衡风缸控制模块的多元数据具有高频性、非线性和时间依赖性的特点,应用滑动窗口分割样本数据,再对每个窗口的数据进行特征提取,而不是对整个样本进行特征提取,既能保留样本中的时序信息,也能减轻模型参数的计算负担;从每个窗口的多元数据提取来自时域、频域和时频域三域特征,用于反映均衡风缸控制模块的健康状态;通过预设的基于长短期记忆网络LSTM的均衡风缸控制模块故障诊断模型,基于三域特征进行均衡风缸控制模块的故障诊断。本方案可以有效且准确地对均衡风缸控制模块的电磁阀卡滞和管路漏风进行诊断,提高现有的均衡风缸控制模块故障诊断水平,为列车的预防性维修提供维修指导。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种均衡风缸控制模块故障诊断方法,其特征在于,包括:
实时获取均衡风缸一次充排风周期内均衡风缸的压力数据、充风阀及排风阀的驱动电流数据;
采用滑动窗口策略,将获得的均衡风缸的压力数据、充风阀及排风阀的驱动电流数据沿时间维度分割为n个子序列,n为预设值;
提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量;
基于故障诊断特征向量,利用预先训练好的均衡风缸控制模块故障诊断模型进行故障诊断。
2.根据权利要求1所述的均衡风缸控制模块故障诊断方法,其特征在于,所述均衡风缸控制模块故障诊断模型通过如下方法训练得到:
构建故障诊断训练样本集,其中每个样本包括均衡风缸一次充排风周期内均衡风缸的压力数据、充风阀及排风阀的驱动电流数据,以及对应均衡风缸的故障类型;
采用滑动窗口策略,将每个样本的均衡风缸的压力数据、充风阀及排风阀的驱动电流数据沿时间维度分割为n个子序列,n为预设值;
提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量;
以每个样本的故障诊断特征向量作为输入,以每个样本对应的故障类型作为输出,训练长短期记忆网络,得到均衡控制模块故障诊断模型。
3.根据权利要求1或2所述的均衡风缸控制模块故障诊断方法,其特征在于,所述滑动窗口策略具体包括:
滑动窗口以预设的一不小于滑动窗口大小的值作为滑动步长对数据沿时间维度进行分割;
滑动窗口数量预设为n,每个滑动窗口包含的数据即为一个子序列。
4.根据权利要求1或2所述的均衡风缸控制模块故障诊断方法,其特征在于,所述提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量,具体包括:
提取子序列的时域特征,包括:最大值、最小值、均值、方差、标准差、偏度、峰度和峰峰值;
提取子序列的频域特征,包括:采用绝对傅里叶变换将子序列转换成频域信号,然后提取频谱的质心、方差、偏度和峰度作为频域特征;
提取子序列的时频域特征,包括:对子序列进行三层的db1小波包分解,提取通过分解生成的8个频率子带的能量作为时频域特征;
对每个子序列包含的均衡风缸压力数据、充风阀及排风阀的驱动电流数据提取上述时域特征、频域特征和时频域特征,形成3*n的故障诊断特征向量。
5.根据权利要求1或2所述的均衡风缸控制模块故障诊断方法,其特征在于,所述均衡风缸控制模块故障诊断模型包括:
输入层:将每个子序列的特征向量作为输入,设置输入层的输入节点数目为3*n;
隐藏层:将长短期记忆网络作为隐藏层;
输出层:将故障类型的预设编码作为输出,并利用Softmax函数生成每种故障类型的概率。
6.一种均衡风缸控制模块故障诊断装置,其特征在于,包括相互连接的数据采集模块和故障诊断模块;
所述数据采集模块用于实时采集均衡风缸一次充排风周期内均衡风缸的压力数据、充风阀及排风阀的驱动电流数据,并将采集的数据传输至所述故障诊断模块;
所述故障诊断模块用于采用滑动窗口策略,将接收的均衡风缸的压力数据、充风阀及排风阀的驱动电流数据沿时间维度分割为n个子序列,提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量,然后基于故障诊断特征向量,利用预设的均衡风缸控制模块故障诊断模型进行故障诊断,其中n为预设值。
7.根据权利要求6所述的均衡风缸控制模块故障诊断装置,其特征在于,所述数据采集模块包括数据采集卡及均与所述数据采集卡连接的充风阀电流传感器、排风阀电流传感器、均衡风缸压力传感器;
所述充风阀电流传感器用于采集充风阀的驱动电流;
所述排风阀电流传感器用于采集排风阀的驱动电流;
所述均衡风缸压力传感器用于采集均衡风缸的实时压力;
所述数据采集卡用于控制所述充风阀电流传感器、排风阀电流传感器、均衡风缸压力传感器进行数据采集,并将采集的数据传输至所述故障诊断模块。
8.根据权利要求6所述的均衡风缸控制模块故障诊断装置,其特征在于,所述故障诊断模块包括依次连接的数据分割单元、特征提取单元及故障诊断单元;
所述数据分割单元,用于采用滑动窗口策略,将接收的均衡风缸的压力数据、充风阀及排风阀的驱动电流数据沿时间维度分割为n个子序列,其中滑动窗口策略具体包括:
滑动窗口以预设的一不小于滑动窗口大小的值作为滑动步长对数据沿时间维度进行分割;
滑动窗口数量预设为n,每个滑动窗口包含的数据即为一个子序列;
所述特征提取单元,用于提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量,具体包括:
提取子序列的时域特征,包括:最大值、最小值、均值、方差、标准差、偏度、峰度和峰峰值;
提取子序列的频域特征,包括:采用绝对傅里叶变换将子序列转换成频域信号,然后提取频谱的质心、方差、偏度和峰度作为频域特征;
提取子序列的时频域特征,包括:对子序列进行三层的db1小波包分解,提取通过分解生成的8个频率子带的能量作为时频域特征;
对每个子序列包含的均衡风缸压力数据、充风阀及排风阀的驱动电流数据提取上述时域特征、频域特征和时频域特征,形成3*n的故障诊断特征向量;
所述故障诊断单元,用于基于故障诊断特征向量,利用预设的均衡风缸控制模块故障诊断模型进行故障诊断。
9.根据权利要求6至8任一项所述的均衡风缸控制模块故障诊断装置,其特征在于,所述预设的均衡风缸控制模块故障诊断模型通过如下方法训练得到:
构建故障诊断训练样本集,其中每个样本包括均衡风缸一次充排风周期内均衡风缸的压力数据、充风阀及排风阀的驱动电流数据,以及对应均衡风缸的故障类型;
采用滑动窗口策略,将每个样本的均衡风缸的压力数据、充风阀及排风阀的驱动电流数据沿时间维度分割为n个子序列,n为预设值;
提取每个子序列的时域特征、频域特征和时频域特征,形成故障诊断特征向量;
以每个样本的故障诊断特征向量作为输入,以每个样本对应的故障类型作为输出,训练长短期记忆网络,得到均衡控制模块故障诊断模型。
10.一种计算机可读存储介质,其特征在于,所述存储介质包括存储的程序指令,所述程序指令适于被处理器加载并执行如权利要求1至5任一项所述的均衡风缸控制模块故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129593.7A CN111319601B (zh) | 2020-02-28 | 2020-02-28 | 一种均衡风缸控制模块故障诊断方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129593.7A CN111319601B (zh) | 2020-02-28 | 2020-02-28 | 一种均衡风缸控制模块故障诊断方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111319601A true CN111319601A (zh) | 2020-06-23 |
CN111319601B CN111319601B (zh) | 2021-05-18 |
Family
ID=71169032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010129593.7A Active CN111319601B (zh) | 2020-02-28 | 2020-02-28 | 一种均衡风缸控制模块故障诊断方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111319601B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069452A (zh) * | 2020-09-04 | 2020-12-11 | 上海钧正网络科技有限公司 | 用于车辆的器件紧固程度检测方法和装置、检测设备及计算机可读介质 |
CN112622864A (zh) * | 2021-01-05 | 2021-04-09 | 株洲中车时代电气股份有限公司 | 一种列车及其列车管的状态检测方法和系统 |
CN113255840A (zh) * | 2021-06-30 | 2021-08-13 | 长江存储科技有限责任公司 | 故障检测与分类方法、装置、系统及存储介质 |
CN113640027A (zh) * | 2021-08-12 | 2021-11-12 | 常州英集动力科技有限公司 | 基于边缘计算和神经网络的换热机组故障诊断方法及系统 |
CN114413055A (zh) * | 2022-01-20 | 2022-04-29 | 济南轨道交通集团有限公司 | 一种地铁隧道风机连锁风阀的运维装置和方法 |
CN116501027A (zh) * | 2023-06-29 | 2023-07-28 | 中南大学 | 分布式制动系统健康评估方法、系统、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202063165U (zh) * | 2010-11-29 | 2011-12-07 | 株洲南车时代电气股份有限公司 | 一种基于神经网络的地铁列车故障诊断装置 |
CN105574284A (zh) * | 2015-12-29 | 2016-05-11 | 山东鲁能软件技术有限公司 | 一种基于趋势特征点的电力设备故障诊断方法 |
CN107345860A (zh) * | 2017-07-11 | 2017-11-14 | 南京康尼机电股份有限公司 | 基于时间序列数据挖掘的轨道车辆门亚健康状态识别方法 |
CN107703920A (zh) * | 2017-10-25 | 2018-02-16 | 北京交通大学 | 基于多元时间序列的列车制动系统的故障检测方法 |
CN110231156A (zh) * | 2019-06-26 | 2019-09-13 | 山东大学 | 基于时序特征的服务机器人运动系统故障诊断方法及装置 |
CN110293949A (zh) * | 2019-06-06 | 2019-10-01 | 山东科技大学 | 一种高速列车空气制动系统微小故障检测方法 |
-
2020
- 2020-02-28 CN CN202010129593.7A patent/CN111319601B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202063165U (zh) * | 2010-11-29 | 2011-12-07 | 株洲南车时代电气股份有限公司 | 一种基于神经网络的地铁列车故障诊断装置 |
CN105574284A (zh) * | 2015-12-29 | 2016-05-11 | 山东鲁能软件技术有限公司 | 一种基于趋势特征点的电力设备故障诊断方法 |
CN107345860A (zh) * | 2017-07-11 | 2017-11-14 | 南京康尼机电股份有限公司 | 基于时间序列数据挖掘的轨道车辆门亚健康状态识别方法 |
CN107703920A (zh) * | 2017-10-25 | 2018-02-16 | 北京交通大学 | 基于多元时间序列的列车制动系统的故障检测方法 |
CN110293949A (zh) * | 2019-06-06 | 2019-10-01 | 山东科技大学 | 一种高速列车空气制动系统微小故障检测方法 |
CN110231156A (zh) * | 2019-06-26 | 2019-09-13 | 山东大学 | 基于时序特征的服务机器人运动系统故障诊断方法及装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069452A (zh) * | 2020-09-04 | 2020-12-11 | 上海钧正网络科技有限公司 | 用于车辆的器件紧固程度检测方法和装置、检测设备及计算机可读介质 |
CN112622864A (zh) * | 2021-01-05 | 2021-04-09 | 株洲中车时代电气股份有限公司 | 一种列车及其列车管的状态检测方法和系统 |
CN112622864B (zh) * | 2021-01-05 | 2022-02-11 | 株洲中车时代电气股份有限公司 | 一种列车及其列车管的状态检测方法和系统 |
CN113255840A (zh) * | 2021-06-30 | 2021-08-13 | 长江存储科技有限责任公司 | 故障检测与分类方法、装置、系统及存储介质 |
CN113640027A (zh) * | 2021-08-12 | 2021-11-12 | 常州英集动力科技有限公司 | 基于边缘计算和神经网络的换热机组故障诊断方法及系统 |
CN113640027B (zh) * | 2021-08-12 | 2024-05-07 | 常州英集动力科技有限公司 | 基于边缘计算和神经网络的换热机组故障诊断方法及系统 |
CN114413055A (zh) * | 2022-01-20 | 2022-04-29 | 济南轨道交通集团有限公司 | 一种地铁隧道风机连锁风阀的运维装置和方法 |
CN114413055B (zh) * | 2022-01-20 | 2024-04-16 | 济南轨道交通集团有限公司 | 一种地铁隧道风机连锁风阀的运维装置和方法 |
CN116501027A (zh) * | 2023-06-29 | 2023-07-28 | 中南大学 | 分布式制动系统健康评估方法、系统、设备及存储介质 |
CN116501027B (zh) * | 2023-06-29 | 2023-10-03 | 中南大学 | 分布式制动系统健康评估方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111319601B (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111319601B (zh) | 一种均衡风缸控制模块故障诊断方法、装置及存储介质 | |
US11334407B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
CN111830408B (zh) | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 | |
CN104819846B (zh) | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 | |
CN109000930B (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
CN111399474B (zh) | 一种基于健康指标的均衡控制模块寿命预测方法及装置 | |
CN112163640A (zh) | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 | |
CN113247041B (zh) | 一种基于数字孪生模型的轮对轴箱装置状态监测方法 | |
CN113947017A (zh) | 一种滚动轴承剩余使用寿命预测方法 | |
CN115758208A (zh) | 牵引变流器故障诊断方法、装置、计算机设备和存储介质 | |
CN113533952A (zh) | 一种基于ceemd和相空间重构的有载调压变压器分接开关机械故障诊断方法 | |
CN115758082A (zh) | 一种轨道交通变压器故障诊断方法 | |
CN113793620B (zh) | 基于场景分类的语音降噪方法、装置、设备及存储介质 | |
CN116049661A (zh) | 用于液压马达故障诊断的方法、装置及存储介质 | |
CN110962828A (zh) | 预测电动汽车制动压力的方法和设备 | |
CN111241749B (zh) | 一种基于储备池计算的永磁同步电动机混沌预测方法 | |
Bi et al. | Fault diagnosis of valve clearance in diesel engine based on BP neural network and support vector machine | |
CN110222390B (zh) | 基于小波神经网络的齿轮裂纹识别方法 | |
CN112379274A (zh) | 一种动力电池剩余寿命预测方法 | |
CN113919388A (zh) | 一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法及装置 | |
CN114235409A (zh) | 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法 | |
CN112697268A (zh) | 一种基于t-sne的电机异常检测集成算法 | |
CN112329626A (zh) | 调制与深度学习融合的设备故障诊断方法、系统及介质 | |
Galati et al. | Application of the generalised likelihood ratio algorithm to the detection of a bearing fault in a helicopter transmission | |
Huang et al. | Parity space-based fault diagnosis of CCBII braking system |
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 |