CN111399474B - 一种基于健康指标的均衡控制模块寿命预测方法及装置 - Google Patents
一种基于健康指标的均衡控制模块寿命预测方法及装置 Download PDFInfo
- Publication number
- CN111399474B CN111399474B CN202010132742.5A CN202010132742A CN111399474B CN 111399474 B CN111399474 B CN 111399474B CN 202010132742 A CN202010132742 A CN 202010132742A CN 111399474 B CN111399474 B CN 111399474B
- Authority
- CN
- China
- Prior art keywords
- control module
- action
- balance control
- characteristic
- health index
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于健康指标的均衡控制模块寿命预测方法及装置,所述方法包括以下步骤:步骤S1:基于均衡控制模块在各次动作中的数据,计算其在各次动作时的特征值;步骤S2:构建健康指标模型,基于均衡控制模块样本的特征值确定模型参数;并基于提取的特征值,采用参数确定后的健康指标模型计算均衡控制模块在其各次动作时的健康指标;步骤S3:构建寿命预测模型,基于均衡控制模块样本的健康指标序列和剩余使用寿命序列训练预测模型参数,得到训练好的寿命预测模型;步骤S4:将待检测的均衡控制模块的历史健康指标序列输入训练好的寿命预测模型,输出其剩余使用寿命。本发明能针对均衡控制模块进行寿命预测,且准确性高。
Description
技术领域
本发明涉及一种用于铁路机车制动系统的寿命预测领域,特别涉及一种基于健康指标的制动机均衡控制模块寿命预测方法及装置。
背景技术
随着轨道交通运输业的迅速发展,电空制动机(如新一代电空制动机——DK-2制动系统)被广泛应用于铁路交通,其中的均衡控制模块用于实现对均衡风缸压力的闭环控制,其作为保障制动机安全运转的关键模块,其寿命预测受到了国内外研究者的广泛关注。
传统的寿命预测技术主要针对单个元器件进行研究,由于单一元件工况单一,老化趋势较为明显,故而较好预测。然而均衡控制模块通常运行于不同工况切换的状态下,采集到的数据为多个元件数据,此时数据不在存有明显老化趋势,难以进行多工况条件下的系统剩余使用寿命预测。许多研究直接使用基于学习的方法进行寿命预测,然而该方法很大程度上依赖于数据集的完备程度,隐藏在模式切换规则中的老化信息鲜被挖掘,且难以根据老化模型得出具有解释性的结论,故此,一种适用于均衡控制模块的寿命预测方法及装置有待研究。
发明内容
为了解决现有技术中存在的问题,本发明提供了一种基于健康指标的均衡控制模块寿命预测方法及装置,能针对制动机中均衡控制模块进行寿命预测,且准确性高。
为了实现上述技术目的,本发明采用以下技术方案:
一方面,提供一种基于健康指标的均衡控制模块寿命预测方法,包括以下步骤:
步骤S1:基于均衡控制模块在各次动作中的数据,计算其在各次动作时的特征值;
步骤S2:构建健康指标模型,基于均衡控制模块样本的特征值确定模型参数;并基于提取的特征值,采用参数确定后的健康指标模型计算均衡控制模块在其各次动作时的健康指标;
步骤S3:构建寿命预测模型,基于均衡控制模块样本的健康指标序列和剩余使用寿命序列训练预测模型参数,得到训练好的寿命预测模型;可将每个样本在其每一次动作时的剩余使用寿命标记为:该样本在整个生命周期的总动作次数-该样本在该次动作时已经进行过的动作次数;
步骤S4:将待检测的均衡控制模块的历史健康指标序列输入训练好的寿命预测模型,输出其剩余使用寿命,实现均衡控制模块剩余使用寿命预测。
进一步地,所述步骤S1具体包括以下步骤:
步骤S1.1、提取静态特征:
基于均衡控制模块在每次动作时其中每个电磁阀驱动电流曲线,提取一组电磁阀老化特征,电磁阀老化特征包括驱动电流统计特征和能量特征;其中驱动电流统计特征包括响应时间Δt、局部波峰值I、局部波谷值I′、稳定电流值其中能量特征是使用经验模态分解,将驱动电流曲线分解为Z个固有模态函数分量并计算得到的各个固有模态函数分量的能量ez,计算公式如下:
其中L为采样点个数;
基于均衡控制模块在每次动作时其中列车管、均衡风缸气路气压数据,提取一组对应的阶段性特征,包括充排风阶段的列车管、均衡风缸的稳定阶段的气压(p列车,p均缸),充风阶段的时间(t1 列车,t1 均缸)、排风阶段的时间(t2 列车,t2 均缸)、稳定阶段压力平稳时间(t3 列车,t3 均缸)、充排风阶段列车管与均衡风缸气压曲线的皮尔森相关系数(α充风,α排风);由此获得一组阶段性特征Q=[p列车,p均缸,t1 列车,t1 均缸,t2 列车,t2 均缸,t3 列车,t3 均缸,α充风,α排风];
由此,针对均衡控制模块每次动作,获得一组静态特征B=[V1,E1,V2,E2,…,VN,EN,Q],其中V1~VN表示该次动作时该均衡控制模块中N个电磁阀的驱动电流统计特征V与能量特征E;
步骤S1.2、提取累积动态特征,构建累积动态特征序列:
均衡控制模块在每次动作时的累计动态特征F=(F1,F2,F3,F4)包括F1、F2、F3和F4四部分:
(1)基于步骤S2.1针对均衡控制模块的每次动作可提取一组静态特征B=[V1,E1,V2,E2,…,VN,EN,Q],时间轴尺度上可获得静态特征序列,即将针对均衡控制模块在已经历的生命周期的每次动作提取的静态特征按对应的时间先后顺序排列,可获得一个静态特征序列;一方面由于环境等因素的影响,原始信号通常包含噪声因素,为了进行去噪,另一方面为了使长期变化更为明显,使用多项式平滑算法对静态特征序列进行平滑滤波处理得到平滑特征序列,平滑特征序列中的元素即均衡控制模块在每次动作时的平滑特征,记为F1;
(2)具有多种制动模式,如紧急制动、常用制动等,总体而言,均衡控制模块根据不同制动模式的要求调整目标压力,针对不同制动模模式其目标压力不同,对应的压力变化模式不同。根据记录的均衡控制模块历史动作序列(目标压力切换序列、工况切换序列)可以确定每次动作对应的模式。均衡控制模块工作在不同的模式下调用的元件、受到的损伤不同,故此针对均衡控制模块的每次动作,提取均衡控制模块在该次动作时已经经历过的各模式的次数,记为F2;
(3)针对均衡控制模块的每次动作,计算该次动作与各模式上次动作的时间之间的间隔,记为F3;
(4)针对均衡控制模块的每次动作,计算该次动作与各模式上次动作的平滑特征之间的差值,记为F4。
由上述步骤,针对均衡控制模块的每次动作可提取一组累积动态特征,将针对均衡控制模块在已经历的生命周期的每次动作提取的累积动态特征按对应的时间先后顺序排列,可获得一个累积动态特征序列。
进一步地,所述步骤S2中,健康指标模型以融合累积动态特征序列获得表示均衡控制模块老化状态(系统退化趋势)的健康指标为目的。考虑到累积动态特征F包含的每一部分(F1,F2,F3,F4)都是多维度的,令K为累积动态特征的总维度,即其包含的特征个数,则均衡控制模块在第t次动作时的累积动态特征可表示为F(t)=(f1(t),f2(t),...,fK(t)),所述的健康指标表示为特征的线性组合,即构建的健康指标模型为:
H(t)=w1f1(t)+w2f2(t)+...wkfk(t)+...+wKfK(t)
其中,H(t)为均衡控制模块在第t次动作时的健康指标,w1,w2,...,wk,...,wK表示各维特征分量对应的权重。
进一步地,其特征在于,所述步骤S2中,
基于均衡控制模块健康状态变化特点,分析健康指标应具有的三种性质,建立多目标规划方程求解权重w=(w1,w2,...,wk,...,wK)T:
(1)健康指标的单调性,即随着系统(均衡控制模块)使用次数的增加,系统逐渐老化,健康指标应当呈单调性变化:通过松弛变量εi,t表示第i个样本在第t次动作时的健康指标的单调性违反量,εi,t=max[Hi(t+1)-Hi(t),0],假设健康指标是单调递减的,通过最小化违反量之和,以保证健康指标的单调性:
其中,p为样本个数,q为样本生命周期长度(整个生命周期的总动作次数),M为表示退化趋势信息的对角矩阵,此矩阵大小为K×K,矩阵对角线上的第k个值取决于fk(t)特征的变化趋势为递增,还是递减,若递增,则取+1,递减则取-1;w′和M′分别为w和M的转置;G为长度为K的元素全为1的向量;0为长度为K的元素全为0的向量,Mw≥0表示Mw中每个元素都大于0;
(2)故障阈值相似性,即对于各均衡控制模块样本,各系统故障时的特征具有一定相似性:
minww′A′CAw
s.t.w′M′G=1,Mw≥0
其中,C为对称矩阵,C=(I-O/p)/(p-1),I是p×p的单位矩阵,O是p×p的每个元素均为1的矩阵;A矩阵大小为p×K,矩阵内每一行为每个样本故障时对应的特征值;A′为A的转置矩阵;训练集的每个样本,包含了系统从健康到故障的所有动作对应的数据,可以将每个样本最后一次动作对应的数据所提取出的特征值视为样本故障时对应的特征值;
(3)变化趋势相似性,因为系统基本构成相同,故此各样本的健康指标的变化趋势应当具有相似性,使用动态时间规整距离DTW(Hα(t),Hβ(t))表示第α个样本和第β个样本健康指标的相似度:则该性质以最小化动态时间规整距离为目标,可表示为:
Hα(t),Hβ(t)分别为第α个样本和第β个样本在第t次动作时的健康指标;
综合三个性质,得到以下多目标规划方程:
其中,λ1、λ2、λ3为系数,根据经验取值;
进行上述多目标规划方程求解,最终可获得各特征对应的权重值,从而得到参数确定的健康指标模型。
进一步地,所述步骤S3中,基于门控循环神经网络构建寿命预测模型。门控循环神经网络中每个神经元(门控循环单元)包括重置门与更新门,可实现对历史信息的不同程度遗忘与新信息的不同程度添加,实现长期累积预测。以所有样本的历史健康指标序列和历史剩余使用寿命序列作为训练集,进行模型参数训练与调整。
另一方面,提供一种基于健康指标的均衡控制模块寿命预测装置,包括以下模块:
特征提取模块(静态特征提取和累积动态特征提取模块),用于基于均衡控制模块在各次动作中的数据,计算其在各次动作时的特征值;
健康指标计算模块,用于构建健康指标模型,基于均衡控制模块样本的特征值确定模型参数;并基于提取的特征值,采用参数确定后的健康指标模型计算均衡控制模块在其各次动作时的健康指标;
寿命预测模型构建及训练模块,用于构建寿命预测模型,基于均衡控制模块样本的健康指标序列和剩余使用寿命序列训练预测模型参数,得到训练好的寿命预测模型;可将每个样本在其每一次动作时的剩余使用寿命标记为:该样本在整个生命周期的总动作次数-该样本在该次动作时已经进行过的动作次数;
寿命预测模块,用于将待检测的均衡控制模块的历史健康指标序列输入训练好的寿命预测模型,输出其剩余使用寿命。
另一方面,提供一种电子设备,包括处理器和存储器,所述存储器上存储有计算机程序;所述计算机程序被处理器执行时,使得处理器实现如权利要求1至5中任一项所述的方法。
进一步地,所述的电子设备还包括制动控制模块,所述制动控制模块与所述均衡控制模块相连,用于发出制动模式指令,控制均衡控制模块按照指令进行工况切换;
进一步地,所述的电子设备还包括模拟量采集模块,部分部署在均衡控制模块,包括电磁阀驱动端电流采集装置与气路气压采集装置;电流采集装置包括模拟量输入模块、逻辑控制与缓存模块、电流传感器模块(采集电磁阀驱动端电流)等,最终将数据存储至电脑。气路气压采集装置主要部署在均衡控制模块的气路部分,通过设置压力传感器,采集列车管、总风、均衡风缸压力,数据存储于制动控制单元中,模拟量采集模块连接数据采集卡将模拟量数据传送至工控机。
另一方面,提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1至5中任一项所述的方法。
有益效果:
本发明上述技术方案提供的基于健康指标的制动机中均衡控制模块寿命预测方法及装置,先基于采集到的均衡控制模块在各次动作时的数据,提取多工况工作条件下均衡控制模块的累计动态特征,具体为:基于采集的均衡控制模块电磁阀驱动端电流数据提取驱动电流统计特征与能量特征;基于采集均衡控制模块气路气压数据提取阶段性老化特征,将上述提取的特征作为静态特征;根据均衡控制模块工况切换规则,结合静态特征构建累计动态特征;再基于累计动态特征构建具有解释性的健康指标表征系统的退化状态,最后以历史累计健康指标序列为输入,剩余使用寿命序列为输出,构建寿命预测模型(可基于门控循环神经网络进行构建),通过预测模型对待检测均衡控制模块进行寿命预测。本发明上述技术方案适用于DK-2型机车制动机均衡控制模块健康状态评估,解决了多工况制动机均衡控制模块工作于复杂环境的剩余使用寿命难以准确预测问题,具有良好的应用前景。通过对均衡模块的寿命预测,可实现关键模块或元件的视情维修,保障制动机的安全运转与列车的安全行驶。本发明相对比与现有的寿命预测方法,考虑到了工况切换给系统带来的影响,提取了隐藏在切换序列中的老化信息,同时减少了对数据完备程度的依赖性,此外模型的参数可通过离线训练得出,故此可根据在线数据进行实时准确的寿命预测。
附图说明
图1为本发明实施例提供的一种基于健康指标的均衡控制模块寿命预测方法的特征提取示意图;
图2为本发明实施例中的驱动电流曲线;
图3为本发明实施例中的使用经验模态分解分解电流曲线的示意图;
图4为本发明实施例中的气路气压数据;
图5为本发明实施例提供的一种基于健康指标的均衡控制模块寿命预测方法的流程图;
图6为本发明实施例提供的一种电子设备的结构示意图;
图7为本发明实施例中的均衡控制模块原理图;
图8为本发明实施例中的均衡控制模块压力调节流程图;
图9为本发明实施例中的数据采集流程图。
具体实施方式
下面参照附图对本发明进行更全面的描述。
实施例1:
本实施例公开了一种基于健康指标的均衡控制模块寿命预测方法,包括以下步骤:
步骤S1:基于制动机均衡控制模块在各次动作中的数据,提取其在各次动作时的特征值;
步骤S2:构建健康指标模型,基于制动机均衡控制模块样本的特征值确定模型参数;并基于提取的特征值,采用参数确定后的健康指标模型计算制动机均衡控制模块在其各次动作时的健康指标;
步骤S3:构建寿命预测模型,基于制动机均衡控制模块样本的健康指标序列和剩余使用寿命序列(标记每个样本在其每一次动作时的剩余使用寿命=该样本在整个生命周期的总动作次数-该样本在该次动作时已经进行过的动作次数,如样本生命周期,即从健康到故障的总动作次数为100,则其第20次动作时的剩余使用寿命标记为100-20=80)训练预测模型参数,得到训练好的寿命预测模型;
步骤S4:将待检测的均衡控制模块的历史健康指标序列输入训练好的寿命预测模型,输出其剩余使用寿命,实现均衡控制模块剩余使用寿命预测。
实施例2:
本实施例在实施例1的基础上,如图1所示,所述步骤S1中的特征提取具体包括以下步骤:
步骤S1.1、提取静态特征:
基于制动机均衡控制模块在每次动作时其中每个电磁阀驱动电流曲线,提取一组电磁阀老化特征,电磁阀老化特征包括驱动电流统计特征和能量特征;其中驱动电流统计特征包括响应时间Δt、局部波峰值I、局部波谷值I′、稳定电流值其中能量特征是使用经验模态分解,将驱动电流曲线分解为Z个固有模态函数分量并计算得到的各个固有模态函数分量的能量ez,计算公式如下:
其中L为采样点个数;
本实施例中,以100000Hz的采集频率,即采样点间隔为10us,采集各电磁阀驱动端电流数据,采集7000个采样点的数据,绘制电磁阀单次动作的驱动电流曲线如图2所示,根据该驱动电流曲线,对于每个电磁阀的在每次动作时都可以提取一组统计特征而后使用经验模态分解,将驱动电流曲线分解为多个固有模态函数分量(IMFs),如图3所示,分解后的曲线具体表现为不同频率段的信号,通过计算各IMF信号的能量ez,获得一组能量特征E=[e1,e2,...eZ]。
基于制动机均衡控制模块在每次动作时其中列车管、均衡风缸气路气压数据,提取一组对应的阶段性特征,包括充排风阶段的列车管、均衡风缸的稳定阶段的气压(p列车,p均缸),充风阶段的时间(t1 列车,t1 均缸)、排风阶段的时间(t2 列车,t2 均缸)、稳定阶段压力平稳时间(t3 列车,t3 均缸)、充排风阶段列车管与均衡风缸气压曲线的皮尔森相关系数(α充风,α排风);由此获得一组阶段性特征Q=[p列车,p均缸,t1 列车,t1 均缸,t2 列车,t2 均缸,t3 列车,t3 均缸,α充风,α排风];
本实施例中,使用BCU以采样点间隔40ms采集气路气压数据,如图4所示,从中提取阶段性特征。
由此,针对制动机均衡控制模块每次动作,获得一组静态特征B=[V1,E1,V2,E2,…,VN,EN,Q],其中V1~VN表示该次动作时该制动机均衡控制模块中N个电磁阀的驱动电流统计特征V与能量特征E;
步骤S1.2、提取累积动态特征,构建累积动态特征序列:
均衡控制模块在每次动作时的累计动态特征F=(F1,F2,F3,F4)包括F1、F2、F3和F4四部分:
(1)基于步骤S2.1针对均衡控制模块的每次动作可提取一组静态特征B=[V1,E1,V2,E2,…,VN,EN,Q],时间轴尺度上可获得静态特征序列,即将针对均衡控制模块在已经历的生命周期的每次动作提取的静态特征按对应的时间先后顺序排列,可获得一个静态特征序列;一方面由于环境等因素的影响,原始信号通常包含噪声因素,为了进行去噪,另一方面为了使长期变化更为明显,使用多项式平滑算法对静态特征序列进行平滑滤波处理得到平滑特征序列,平滑特征序列中的元素即均衡控制模块在每次动作时的平滑特征,记为F1;
(2)制动机具有多种制动模式,如紧急制动、常用制动等,总体而言,均衡控制模块根据不同制动模式的要求调整目标压力,针对不同制动模模式其目标压力不同,对应的压力变化模式不同。根据记录的均衡控制模块历史动作序列(目标压力切换序列)可以确定每次动作对应的模式。均衡控制模块工作在不同的模式下调用的元件、受到的损伤不同,故此针对均衡控制模块的每次动作,提取均衡控制模块在该次动作时已经经历过的各模式的次数,记为F2;
(3)针对均衡控制模块的每次动作,计算该次动作与各模式上次动作的时间之间的间隔,记为F3;
(4)针对均衡控制模块的每次动作,计算该次动作与各模式上次动作的平滑特征之间的差值,记为F4。
本实施例中的DK-2制动机样本针对不同制动模式其目标压力包括0kpa,300kpa,500kpa三种,对应的压力变化包括六种模式,0kpa-300kpa,0kpa-500kpa,300kpa-500kpa,500kpa-300kpa,500kpa-0kpa,300kpa-0kpa,将其分别标注为模式1,2,3,4,5,6。对于特征F2、F3和F4,对应于每个模式都有一个分量,故对于本实施例中的DK-2制动机样本,F2、F3和F4都有6个分量。
由上述步骤,针对均衡控制模块的每次动作可提取一组累积动态特征,将针对均衡控制模块在已经历的生命周期的每次动作提取的累积动态特征按对应的时间先后顺序排列,可获得一个累积动态特征序列。
实施例3:
本实施例在实施例1的基础上,所述步骤S2中,健康指标模型以融合累积动态特征序列获得表示均衡控制模块老化状态(系统退化趋势)的健康指标为目的。考虑到累积动态特征F包含的每一部分(F1,F2,F3,F4)都是多维度的,令K为累积动态特征的总维度,即其包含的特征个数,则将均衡控制模块在第t次动作对应的累积动态特征可表示为F(t)=(f1(t),f2(t),...,fK(t)),所述的健康指标表示为特征的线性组合,即构建的健康指标模型为:
H(t)=w1f1(t)+w2f2(t)+...wkfk(t)+...+wKfK(t)
其中,H(t)为均衡控制模块在第t次动作时的健康指标,w1,w2,...,wk,...,wK表示各维特征分量对应的权重。
实施例4:
本实施例在实施例3的基础上,基于均衡控制模块健康状态变化特点,分析健康指标应具有的三种性质,建立多目标规划方程求解权重w=(w1,w2,...,wk,...,wK)T:
(1)健康指标的单调性,即随着系统(均衡控制模块)使用次数的增加,系统逐渐老化,健康指标应当呈单调性变化:通过松弛变量εi,t表示第i个样本在第t次动作时的健康指标的单调性违反量,εi,t=max[Hi(t+1)-Hi(t),0],假设健康指标是单调递减的,通过最小化违反量之和,以保证健康指标的单调性:
其中,p为样本个数,q为样本生命周期长度,M为表示退化趋势信息的对角矩阵,此矩阵大小为K×K,矩阵对角线上的第k个值取决于fk(t)特征的变化趋势为递增,还是递减,若递增,则取+1,递减则取-1;w′和M′分别为w和M的转置;G为长度为K的元素全为1的向量;0为长度为K的元素全为0的向量,Mw≥0表示Mw中每个元素都大于0;
(2)故障阈值相似性,即对于各均衡控制模块样本,各系统故障时的特征具有一定相似性:
minw w′A′CAw
s.t.w′M′G=1,Mw≥0
其中,C为对称矩阵,C=(I-O/p)/(p-1),I是p×p的单位矩阵,O是p×p的每个元素均为1的矩阵;A矩阵大小为p×K,矩阵内每一行为每个样本故障时对应的特征值;A′为A的转置矩阵;训练集的每个样本,包含了系统整个生命周期(从健康到故障)的所有动作对应的数据,可以将每个样本最后一次动作对应的数据所提取出的特征值视为样本故障时对应的特征值;
(3)变化趋势相似性,因为系统基本构成相同,故此各样本的健康指标的变化趋势应当具有相似性,使用动态时间规整距离DTW(Hα(t),Hβ(t))表示第α个样本和第β个样本健康指标的相似度:则该性质以最小化动态时间规整距离为目标,可表示为:
Hα(t),Hβ(t)分别为第α个样本和第β个样本在第t次动作时的健康指标;
综合三个性质,得到以下多目标规划方程:
其中,λ1、λ2、λ3为系数,根据经验取值;
进行上述多目标规划方程求解,最终可获得各特征对应的权重值,从而得到参数确定的健康指标模型。
实施例5:
本实施例在实施例4的基础上,所述步骤S3中,基于门控循环神经网络构建寿命预测模型。以所有样本的历史健康指标序列和历史剩余使用寿命序列作为训练集,进行模型参数训练与调整。
本实施例流程图如图5所示。
实施例6:
本实施例公开了一种基于健康指标的均衡控制模块寿命预测装置,其特征在于,包括以下模块:
特征提取模块(静态特征提取和累积动态特征提取模块),用于基于制动机均衡控制模块在各次动作中的数据,计算其在各次动作时的特征值;
健康指标计算模块,用于构建健康指标模型,基于制动机均衡控制模块样本的特征值确定模型参数;并基于提取的特征值,采用参数确定后的健康指标模型计算制动机均衡控制模块在其各次动作时的健康指标;
寿命预测模型构建及训练模块,用于构建寿命预测模型,基于制动机均衡控制模块样本的健康指标序列和剩余使用寿命序列训练预测模型参数,得到训练好的寿命预测模型;每个样本在其每一次动作时的剩余使用寿命可标记为:该样本在整个生命周期的总动作次数-该样本在该次动作时已经进行过的动作次数,如样本生命周期,即从健康到故障的总动作次数为100,则其第20次动作时的剩余使用寿命标记为100-20=80;
寿命预测模块,用于将待检测的均衡控制模块的历史健康指标序列输入训练好的寿命预测模型,输出其剩余使用寿命。
实施例7:
本实施例公开了一种电子设备,包括处理器和存储器,所述存储器上存储有计算机程序;所述计算机程序被处理器执行时,使得处理器实现上述实施例1至5中任一项所述的方法。
实施例8:
本实施例在实施例7的基础上,所述的电子设备还包括制动控制模块,所述制动控制模块与所述均衡控制模块相连,用于发出制动模式指令,控制均衡控制模块按照指令进行工况切换;
实施例9:
本实施例在实施例8的基础上,所述的电子设备还包括模拟量采集模块,部分部署在均衡控制模块,包括电磁阀驱动端电流采集装置与气路气压采集装置;电流采集装置包括模拟量输入模块、逻辑控制与缓存模块、电流传感器模块(采集电磁阀驱动端电流)等,最终将数据存储至工控机(电脑)。气路气压采集装置主要部署在均衡控制模块的气路部分,通过设置压力传感器,采集列车管、总风、均衡风缸压力,数据存储于制动控制单元中,模拟量采集模块连接数据采集卡将模拟量数据传送至工控机。
图6是本实施例提供的一种电子设备的结构示意图,包括制动控制单元100、均衡控制模块200、处理器(寿命预测模块)400,用于静态特征、累计差分特征的提取、健康指标的构建与基于门控循环单元的寿命预测模块。
均衡控制模块如图7所示,包括四个电磁阀、均衡风缸调压阀、中继阀、电空转换阀等元件组成。
制动控制单元工作原理如图8所示,在闭环模拟控制模式下,根据均衡风缸目标值命令使均衡控制模块调节气路压力值,具体通过比较目标值与压力传感器反馈的均衡风缸实时压力值大小关系,进行对进、排气高速电空阀的充排气判断,通过PWM控制达到精确控制均衡风缸压力的目的。
模拟量采集模块如图9所示。
本实施例所述的电子设备工作工程如下:
步骤1,使用制动控制模块,发出制动模式指令,通过电信号发送工况信息,控制均衡控制模块按照指令进行工况切换,指导均衡控制模块实现充风、排风、紧急制动等功能;
步骤2:均衡控制模块使用闭环模拟控制、脉冲宽度调制等手段,联合各元器件协同工作,从而实现对均衡风缸压力的闭环控制;根据制动控制模块发出的指令,调整环路各部件状态、进行模式操作与功能实现;
步骤3:使用模拟量采集模块实时采集均衡控制模块各电磁阀驱动端电流及均衡控制模块气路数据;
步骤4:部署于工控机上的处理器,基于模拟量采集模块采集的数据(模拟量数据)进行特征提取;
处理器中的静态特征提取模块先将模拟量采集模块采集的数据转换为静态特征,静态特征在时间轴尺度上,表现为静态特征序列;累积动态特征提取模块再根据记录的工况切换规则与元件/气路工作特点将静态特征转换为累积动态特征,累积动态特征同样在时间轴尺度上表现为累积动态特征序列;
步骤5:处理器中的健康指标计算模块将累计动态特征序列转换为表示均衡控制模块老化状态的健康指标序列;
步骤6:处理器中的寿命预测模块预测待测均衡控制模块的剩余使用寿命。
实施例10:
本实施例公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述实施例1至5中任一项所述的方法。
实验中,可通过更换不同均衡控制模块或关键元器件,进行样本的变更。通过对不同样本的老化试验,构造历史数据集,训练模型参数,通过更换均衡控制模块或关键元器件进行测试样本数据采集。
关于上述装置实施例中各个模块的具体工作原理可参照上述方法实施例中相应的各个步骤的具体实施细节的描述,此处不再赘述。
综上所述,本发明提供了一种基于健康指标的制动机均衡控制模块寿命装置,通过采集均衡控制模块关键电磁阀电流与气路气压数据,实现均衡模块的寿命预测,
本发明上述实施例提供的一种基于健康指标的制动机均衡控制模块寿命预测装置及方法,通过采集均衡控制模块关键电磁阀电流与气路气压数据,提取多工况工作条件下均衡控制模块的累计动态差分特征,构建具有解释性的健康指标表征系统的退化状态,并利用门控循环单元进行均衡控制模块的寿命预测。进一步可完成关键模块或元件的视情维修,保障制动机的安全运转与列车的安全行驶。本发明相对比与现有的寿命预测方法,考虑到了工况切换给系统带来的影响,提取了隐藏在切换序列中的老化信息,同时减少了对数据完备程度的依赖性,此外模型的参数可通过离线训练得出,故此可根据在线数据进行实时准确的寿命预测。
以上所述仅为本发明的实施例而已,并不用以限制本发明,凡在本发明精神和原则之内,所作任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于健康指标的均衡控制模块寿命预测方法,其特征在于,包括以下步骤:
步骤S1:基于均衡控制模块在各次动作中的数据,计算其在各次动作时的特征值;
所述步骤S1具体包括以下步骤:
步骤S1.1、提取静态特征:
基于均衡控制模块在每次动作时其中每个电磁阀驱动电流曲线,提取一组驱动电流统计特征V和能量特征E;其中驱动电流统计特征V包括响应时间Δt、局部波峰值I、局部波谷值I′和稳定电流值其中能量特征E是使用经验模态分解,将驱动电流曲线分解为Z个固有模态函数分量并计算得到的各个固有模态函数分量的能量ez;
基于均衡控制模块在每次动作时其中列车管、均衡风缸气路气压数据,提取一组对应的阶段性特征Q,包括充排风阶段的列车管、均衡风缸的稳定阶段的气压(p列车,p均缸),充风阶段的时间(t1 列车,t1 均缸)、排风阶段的时间(t2 列车,t2 均缸)、稳定阶段压力平稳时间(t3 列车,t3 均缸)、充排风阶段列车管与均衡风缸气压曲线的皮尔森相关系数(α充风,α排风);
由此,针对均衡控制模块每次动作,获得一组静态特征B=[V1,E1,V2,E2,…,VN,EN,Q],其中V1~VN表示该次动作时该均衡控制模块中N个电磁阀的驱动电流统计特征V与能量特征E;
步骤S1.2、提取累积动态特征;
均衡控制模块在每次动作时的累计动态特征F包括F1、F2、F3和F4四部分:
1)将针对均衡控制模块在已经历的生命周期的每次动作提取的静态特征按对应的时间先后顺序排列,获得一个静态特征动态特征序列;对静态特征序列进行平滑滤波处理得到平滑特征序列,平滑特征序列中的元素即均衡控制模块在每次动作时的平滑特征,记为F1;
2)针对均衡控制模块的每次动作,提取均衡控制模块在该次动作时已经经历过的各模式的次数,记为F2;
3)针对均衡控制模块的每次动作,计算该次动作与各模式上次动作的时间之间的间隔,记为F3;
4)针对均衡控制模块的每次动作,计算该次动作与各模式上次动作的平滑特征之间的差值,记为F4;
步骤S2:构建健康指标模型,基于均衡控制模块样本的特征值确定模型参数;并基于提取的特征值,采用参数确定后的健康指标模型计算均衡控制模块在其各次动作时的健康指标;
步骤S3:构建寿命预测模型,基于均衡控制模块样本的健康指标序列和剩余使用寿命序列训练预测模型参数,得到训练好的寿命预测模型;
步骤S4:将待检测的均衡控制模块的历史健康指标序列输入训练好的寿命预测模型,输出其剩余使用寿命。
2.根据权利要求1所述的基于健康指标的均衡控制模块寿命预测方法,其特征在于,所述步骤S2中,设K为累积动态特征F的总维度,即其包含的特征个数,将均衡控制模块在第t次动作时的累积动态特征表示为F(t)=(f1(t),f2(t),...,fK(t)),构建健康指标模型为:
H(t)=w1f1(t)+w2f2(t)+...wkfk(t)+...+wKfK(t)
其中,H(t)为均衡控制模块在第t次动作时的健康指标,w1,w2,...,wk,...,wK表示各维特征分量对应的权重。
3.根据权利要求2所述的基于健康指标的均衡控制模块寿命预测方法,其特征在于,所述步骤S2中,建立以下多目标规划方程求解权重w=(w1,w2,...,wk,...,wK)T:
s.t.w′M′G=1,Mw≥0,λ1+λ2+λ3=1
其中,p为均衡控制模块样本个数,q为样本生命周期长度,M为表示退化趋势信息的对角矩阵,此矩阵大小为K×K,矩阵对角线上的第k个值取决于fk(t)特征的变化趋势为递增,还是递减,若递增,则取+1,递减则取-1;w′和M′分别为w和M的转置;G为长度为K的元素全为1的向量;0为长度为K的元素全为0的向量;松弛变量εi,t表示第i个样本在第t次动作时的健康指标的单调性违反量,εi,t=max[Hi(t+1)-Hi(t),0];DTW()表示动态时间规整距离;
C为对称矩阵,C=(I-O/p)/(p-1),I是p×p的单位矩阵,O是p×p的每个元素均为1的矩阵;A矩阵大小为p×K,矩阵内每一行为每个样本故障时对应的特征值;A′为A的转置矩阵;
Hα(t),Hβ(t)分别为第α个样本和第β个样本在第t次动作时的健康指标;
λ1、λ2、λ3为系数,根据经验取值。
4.根据权利要求1所述的基于健康指标的均衡控制模块寿命预测方法,其特征在于,所述步骤S3中,基于门控循环神经网络构建寿命预测模型。
5.一种基于健康指标的均衡控制模块寿命预测装置,其特征在于,包括以下模块:
特征提取模块,用于基于均衡控制模块在各次动作中的数据,计算其在各次动作时的特征值;具体执行以下步骤:
步骤S1.1、提取静态特征:
基于均衡控制模块在每次动作时其中每个电磁阀驱动电流曲线,提取一组驱动电流统计特征V和能量特征E;其中驱动电流统计特征V包括响应时间Δt、局部波峰值I、局部波谷值I′和稳定电流值其中能量特征E是使用经验模态分解,将驱动电流曲线分解为Z个固有模态函数分量并计算得到的各个固有模态函数分量的能量ez;
基于均衡控制模块在每次动作时其中列车管、均衡风缸气路气压数据,提取一组对应的阶段性特征Q,包括充排风阶段的列车管、均衡风缸的稳定阶段的气压(p列车,p均缸),充风阶段的时间(t1 列车,t1 均缸)、排风阶段的时间(t2 列车,t2 均缸)、稳定阶段压力平稳时间(t3 列车,t3 均缸)、充排风阶段列车管与均衡风缸气压曲线的皮尔森相关系数(α充风,α排风);
由此,针对均衡控制模块每次动作,获得一组静态特征B=[V1,E1,V2,E2,…,VN,EN,Q],其中V1~VN表示该次动作时该均衡控制模块中N个电磁阀的驱动电流统计特征V与能量特征E;
步骤S1.2、提取累积动态特征;
均衡控制模块在每次动作时的累计动态特征F包括F1、F2、F3和F4四部分:
1)将针对均衡控制模块在已经历的生命周期的每次动作提取的静态特征按对应的时间先后顺序排列,获得一个静态特征动态特征序列;对静态特征序列进行平滑滤波处理得到平滑特征序列,平滑特征序列中的元素即均衡控制模块在每次动作时的平滑特征,记为F1;
2)针对均衡控制模块的每次动作,提取均衡控制模块在该次动作时已经经历过的各模式的次数,记为F2;
3)针对均衡控制模块的每次动作,计算该次动作与各模式上次动作的时间之间的间隔,记为F3;
4)针对均衡控制模块的每次动作,计算该次动作与各模式上次动作的平滑特征之间的差值,记为F4;
健康指标计算模块,用于构建健康指标模型,基于均衡控制模块样本的特征值确定模型参数;并基于提取的特征值,采用参数确定后的健康指标模型计算均衡控制模块在其各次动作时的健康指标;
寿命预测模型构建及训练模块,用于构建寿命预测模型,基于均衡控制模块样本的健康指标序列和剩余使用寿命序列训练预测模型参数,得到训练好的寿命预测模型;
寿命预测模块,用于将待检测的均衡控制模块的历史健康指标序列输入训练好的寿命预测模型,输出其剩余使用寿命。
6.一种电子设备,其特征在于,包括处理器和存储器,所述存储器上存储有计算机程序;所述计算机程序被处理器执行时,使得处理器实现如权利要求1至4中任一项所述的方法。
7.根据权利要求6所述的电子设备,其特征在于,还包括制动控制模块,所述制动控制模块与所述均衡控制模块相连,用于发出制动模式指令,控制均衡控制模块按照指令进行工况切换。
8.根据权利要求6所述的电子设备,其特征在于,还包括模拟量采集模块,包括电磁阀驱动端电流采集装置与气路气压采集装置。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010132742.5A CN111399474B (zh) | 2020-02-29 | 2020-02-29 | 一种基于健康指标的均衡控制模块寿命预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010132742.5A CN111399474B (zh) | 2020-02-29 | 2020-02-29 | 一种基于健康指标的均衡控制模块寿命预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111399474A CN111399474A (zh) | 2020-07-10 |
CN111399474B true CN111399474B (zh) | 2021-05-14 |
Family
ID=71432160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010132742.5A Active CN111399474B (zh) | 2020-02-29 | 2020-02-29 | 一种基于健康指标的均衡控制模块寿命预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111399474B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906782B (zh) * | 2021-02-07 | 2024-01-26 | 江西科技学院 | 基于dtw与最小二乘估计的轨道静态检查历史数据匹配方法 |
CN113570160A (zh) * | 2021-08-27 | 2021-10-29 | 三一石油智能装备有限公司 | 一种混砂车砂泵的寿命预测方法及装置 |
CN114684096B (zh) * | 2022-03-08 | 2023-02-17 | 中南大学 | 一种基于多源数据融合的电磁阀寿命预测装置及方法 |
CN114919559B (zh) * | 2022-07-05 | 2023-05-12 | 中南大学 | 一种基于数字孪生的制动系统剩余使用寿命预测系统及方法 |
CN115470717A (zh) * | 2022-10-31 | 2022-12-13 | 四川工程职业技术学院 | 一种机器人剩余寿命预测方法、装置、设备及存储介质 |
CN116124460B (zh) * | 2022-12-26 | 2024-01-30 | 江西理工大学 | 一种基于健康指标构建的轴承寿命预测方法及系统 |
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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324834A (zh) * | 2013-04-07 | 2013-09-25 | 北京航空航天大学 | 一种完全截断数据条件下的机电系统及其关键部件寿命预测方法 |
CN107101828A (zh) * | 2017-05-27 | 2017-08-29 | 辽宁大学 | 一种编码器健康度评价的轴承剩余寿命预测方法 |
CN109507992A (zh) * | 2019-01-02 | 2019-03-22 | 中车株洲电力机车有限公司 | 一种机车制动系统部件的故障预测方法、装置及设备 |
CN109693146A (zh) * | 2017-10-23 | 2019-04-30 | 发那科株式会社 | 寿命推定装置以及机器学习装置 |
CN110033135A (zh) * | 2019-04-15 | 2019-07-19 | 北京交通大学 | 多变量时间序列特征加强的列车制动系统故障预测方法 |
WO2019171337A1 (en) * | 2018-03-09 | 2019-09-12 | Rikatec (Pty) Ltd. | Vehicle monitoring system and method |
CN110232249A (zh) * | 2019-06-17 | 2019-09-13 | 中国人民解放军陆军装甲兵学院 | 一种滚动轴承剩余寿命预测方法 |
CN110276385A (zh) * | 2019-06-11 | 2019-09-24 | 合肥工业大学 | 基于相似性的机械部件剩余使用寿命预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721920A (zh) * | 2012-06-29 | 2012-10-10 | 沈阳工业大学 | 一种断路器操动机构剩余寿命预测装置及方法 |
CN106909756A (zh) * | 2017-03-29 | 2017-06-30 | 电子科技大学 | 一种滚动轴承剩余寿命预测方法 |
CN109460618B (zh) * | 2018-11-13 | 2023-02-10 | 华中科技大学 | 一种滚动轴承剩余寿命在线预测方法及系统 |
CN109857090B (zh) * | 2019-03-05 | 2020-12-15 | 中南大学 | 一种均衡风缸制动装置健康评估系统和方法 |
-
2020
- 2020-02-29 CN CN202010132742.5A patent/CN111399474B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324834A (zh) * | 2013-04-07 | 2013-09-25 | 北京航空航天大学 | 一种完全截断数据条件下的机电系统及其关键部件寿命预测方法 |
CN107101828A (zh) * | 2017-05-27 | 2017-08-29 | 辽宁大学 | 一种编码器健康度评价的轴承剩余寿命预测方法 |
CN109693146A (zh) * | 2017-10-23 | 2019-04-30 | 发那科株式会社 | 寿命推定装置以及机器学习装置 |
WO2019171337A1 (en) * | 2018-03-09 | 2019-09-12 | Rikatec (Pty) Ltd. | Vehicle monitoring system and method |
CN109507992A (zh) * | 2019-01-02 | 2019-03-22 | 中车株洲电力机车有限公司 | 一种机车制动系统部件的故障预测方法、装置及设备 |
CN110033135A (zh) * | 2019-04-15 | 2019-07-19 | 北京交通大学 | 多变量时间序列特征加强的列车制动系统故障预测方法 |
CN110276385A (zh) * | 2019-06-11 | 2019-09-24 | 合肥工业大学 | 基于相似性的机械部件剩余使用寿命预测方法 |
CN110232249A (zh) * | 2019-06-17 | 2019-09-13 | 中国人民解放军陆军装甲兵学院 | 一种滚动轴承剩余寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111399474A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Li et al. | An ensemble learning-based prognostic approach with degradation-dependent weights for remaining useful life prediction | |
Li et al. | A directed acyclic graph network combined with CNN and LSTM for remaining useful life prediction | |
CN104914327B (zh) | 基于实时监测信息的变压器故障检修预测方法 | |
Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
CN105631578A (zh) | 一种面向风险评估的输变电设备故障概率模型的建模方法 | |
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 | |
CN107274067B (zh) | 一种配电变压器过载风险评估方法 | |
Hua et al. | Multi-timescale lifespan prediction for PEMFC systems under dynamic operating conditions | |
CN107944571A (zh) | 一种电力变压器剩余使用寿命预测方法 | |
CN112288147B (zh) | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 | |
CN114325395A (zh) | 一种电池状态的确定方法及装置 | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
CN113485261A (zh) | 一种基于CAEs-ACNN的软测量建模方法 | |
CN115828745A (zh) | 基于集成学习算法的机电作动器匝间短路故障诊断方法 | |
Li et al. | Research on the electric life prediction of relay contact based on harris hawk optimized | |
CN109978252B (zh) | 一种大功率集成燃料电池系统运行状态预测评估方法 | |
Liu et al. | Multiple optimized online support vector regression for adaptive time series prediction | |
Cheng et al. | Deep reinforcement learning for cost-optimal condition-based maintenance policy of offshore wind turbine components | |
Xiong et al. | Digital twin-based degradation prediction for train electro-pneumatic valve | |
Zhao et al. | Rolling bearing remaining useful life prediction based on wiener process | |
CN105334472A (zh) | 矿用本安电源在线剩余寿命预测方法 | |
CN105718733A (zh) | 基于模糊贴近度和粒子滤波的故障预报方法 | |
CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 | |
CN116305985A (zh) | 一种基于多传感器数据融合的局部智能通风方法 |
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 |