CN111460392B - 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统 - Google Patents

一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统 Download PDF

Info

Publication number
CN111460392B
CN111460392B CN202010529041.5A CN202010529041A CN111460392B CN 111460392 B CN111460392 B CN 111460392B CN 202010529041 A CN202010529041 A CN 202010529041A CN 111460392 B CN111460392 B CN 111460392B
Authority
CN
China
Prior art keywords
principal component
matrix
fault
data set
train
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
Application number
CN202010529041.5A
Other languages
English (en)
Other versions
CN111460392A (zh
Inventor
龙志强
周旭
王平
翟明达
窦峰山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Industrial Technology Cooperative Innovation Research Institute
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010529041.5A priority Critical patent/CN111460392B/zh
Publication of CN111460392A publication Critical patent/CN111460392A/zh
Application granted granted Critical
Publication of CN111460392B publication Critical patent/CN111460392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开了一种列车的悬浮系统故障检测方法，包括：针对每一种工况，获取该工况下的M个健康样本作为训练样本得到特征矩阵，通过PCA技术进行降维；通过计算主成分矩阵与主成分矩阵均值之间的欧式距离，得出距离数据集合；基于服从正态分布的距离数据集合的均值及标准差，建立该工况下的故障报警阈值；在磁悬浮列车的运行过程中，针对任一次待测样本，当待测样本的主成分矩阵与主成分矩阵均值之间的欧式距离大于预先建立的目标工况下的故障报警阈值时，确定悬浮系统故障。应用本申请的方案，无需构建其他变量，计算简单方便，且检测精度高的优点。本申请还提供了一种列车的悬浮系统故障检测系统以及一种磁悬浮列车，具有相应技术效果。

Description

一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统
技术领域
本发明涉及故障检测技术领域，特别是涉及一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统。
背景技术
随着中低速磁悬浮列车的运营与普及，悬浮系统作为列车最重要的运行系统之一，它的安全性、稳定性和可靠性受到人们的广泛关注。在磁浮列车行驶过程中，一旦悬浮系统发生故障，列车将无法悬浮，造成财产损失和人员伤亡。如果能在列车运营时，监测磁浮列车的悬浮间隙，分析其运行情况，在悬浮系统发生故障前或刚出现故障时实现对故障的检测和报警，那么可以很大程度上避免出现不可挽回的事故。因此，如何准确实现对悬浮系统的在线故障检测，是目前减少伤亡事故的当务之急。
综上所述，如何有效地实现对悬浮系统的在线故障检测，是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统，以有效地实现对悬浮系统的在线故障检测。
为解决上述技术问题，本发明提供如下技术方案：
一种列车的悬浮系统故障检测方法，包括：
针对磁悬浮列车的每一种运行工况，获取该运行工况下的M个健康样本作为训练样本；其中，所述M为正整数，每个训练样本均由预设数量的悬浮间隙数据构成；
基于M个所述训练样本获得该运行工况下的特征矩阵，并通过主成分分析PCA技术对所述特征矩阵进行降维，得到该运行工况下的M个所述训练样本的主成分矩阵；
通过计算所述主成分矩阵与主成分矩阵均值之间的欧式距离，得出由M个距离值构成的距离数据集合；
将所述距离数据集合变换为服从正态分布的距离数据集合之后，基于服从正态分布的距离数据集合的均值
Figure 100002_DEST_PATH_IMAGE001
以及标准差
Figure 100002_DEST_PATH_IMAGE002
，建立该运行工况下的故障报警阈值；
在所述磁悬浮列车的运行过程中，针对任意一次待测样本，当所述待测样本的主成分矩阵与所述主成分矩阵均值之间的欧式距离大于预先建立的目标工况下的故障报警阈值时，确定所述磁悬浮列车的悬浮系统故障；其中，所述目标工况为获取所述待测样本时所述磁悬浮列车所处于的运行工况。
优选的，还包括：
在将所述距离数据集合变换为服从正态分布的距离数据集合之后，基于服从正态分布的距离数据集合的均值
Figure 456681DEST_PATH_IMAGE001
以及标准差
Figure 57427DEST_PATH_IMAGE002
，建立该运行工况下的故障预警阈值；其中，所述故障预警阈值低于该运行工况下的故障报警阈值；
在所述磁悬浮列车的运行过程中，针对任意一次待测样本，当所述待测样本的主成分矩阵与所述主成分矩阵均值之间的欧式距离小于等于预先建立的目标工况下的故障报警阈值，且大于预先建立的目标工况下的故障预警阈值时，输出悬浮系统故障预警提醒信息。
优选的，该运行工况下的故障报警阈值表示为：
Figure 255190DEST_PATH_IMAGE001
+3
Figure 802846DEST_PATH_IMAGE002
，该运行工况下的故障预警阈值表示为
Figure 24792DEST_PATH_IMAGE001
+2
Figure 265281DEST_PATH_IMAGE002
。
优选的，所述针对磁悬浮列车的每一种运行工况，获取该运行工况下的M个健康样本作为训练样本，包括：
针对磁悬浮列车的每一种运行工况，利用宽度为p的移动时间窗口进行M次移动，获取该运行工况下的M个健康样本作为训练样本。
优选的，所述基于M个所述训练样本获得该运行工况下的特征矩阵，包括：
通过快速沃尔什转换FWHT，从矩阵
Figure 100002_DEST_PATH_IMAGE003
中获得特征矩阵
Figure 100002_DEST_PATH_IMAGE004
，其中，所述特征矩阵
Figure 668449DEST_PATH_IMAGE004
中的表示样本维度。
优选的，所述通过主成分分析PCA技术对所述特征矩阵进行降维，得到该运行工况下的M个所述训练样本的主成分矩阵，包括：
将所述特征矩阵
Figure 737905DEST_PATH_IMAGE004
进行转置得到矩阵
Figure 100002_DEST_PATH_IMAGE006
，并将矩阵
Figure 824810DEST_PATH_IMAGE006
进行标准化，得到第一特征矩阵
Figure 100002_DEST_PATH_IMAGE007
；
其中，
Figure 100002_DEST_PATH_IMAGE008
，
Figure 100002_DEST_PATH_IMAGE009
为矩阵
Figure 100002_DEST_PATH_IMAGE010
的数据单元，
Figure 100002_DEST_PATH_IMAGE011
为第
Figure 100002_DEST_PATH_IMAGE012
个特征参数；
Figure 100002_DEST_PATH_IMAGE013
为
Figure 875680DEST_PATH_IMAGE011
的期望，
Figure 100002_DEST_PATH_IMAGE014
为
Figure 48035DEST_PATH_IMAGE011
的方差，1≤
Figure 100002_DEST_PATH_IMAGE016
≤M，1≤
Figure 390024DEST_PATH_IMAGE012
≤N；
Figure 100002_DEST_PATH_IMAGE017
为第一特征矩阵
Figure 100002_DEST_PATH_IMAGE018
的数据单元；
确定出第一特征矩阵
Figure 65856DEST_PATH_IMAGE018
的协方差矩阵V，并确定出所述协方差矩阵V的
Figure 100002_DEST_PATH_IMAGE019
个特征值以及每个特征值对应的特征向量；
其中，
Figure 100002_DEST_PATH_IMAGE020
，
Figure 852676DEST_PATH_IMAGE019
个特征值按照从大到小的顺序依次表示为
Figure 100002_DEST_PATH_IMAGE021
，对应的特征向量依次表示为
Figure 100002_DEST_PATH_IMAGE022
；
将累计贡献率
Figure 100002_DEST_PATH_IMAGE023
大于第一预设比例值时，所对应的前
Figure 100002_DEST_PATH_IMAGE024
个特征向量作为主成分，得到
Figure 902540DEST_PATH_IMAGE024
个主成分的特征向量矩阵
Figure 100002_DEST_PATH_IMAGE025
，并得到该运行工况下的M个所述训练样本的主成分矩阵
Figure 100002_DEST_PATH_IMAGE026
，表示为：
Figure DEST_PATH_IMAGE027
；
其中，所述累计贡献率
Figure DEST_PATH_IMAGE029
，
Figure 100002_DEST_PATH_IMAGE031
。
优选的，所述通过计算所述主成分矩阵与主成分矩阵均值之间的欧式距离，得出由M个距离值构成的距离数据集合，包括：
通过计算所述主成分矩阵与主成分矩阵均值之间的欧式距离，得出由M个距离值构成的距离数据集合，表示为距离矩阵
Figure DEST_PATH_IMAGE032
；
其中，
Figure DEST_PATH_IMAGE034
，
Figure 641695DEST_PATH_IMAGE024
表示经过降维之后得到的该运行工况下的M个所述训练样本的主成分矩阵的维度，1≤
Figure 172033DEST_PATH_IMAGE016
≤M，
Figure 100002_DEST_PATH_IMAGE035
表示该工况下的主成分矩阵均值。
优选的，所述将所述距离数据集合变换为服从正态分布的距离数据集合，包括：
通过Box-Cox变换将所述距离数据集合变换为服从正态分布的距离数据集合。
一种列车的悬浮系统故障检测系统，包括：
训练样本获取模块，用于针对磁悬浮列车的每一种运行工况，获取该运行工况下的M个健康样本作为训练样本；其中，所述M为正整数，每个训练样本均由预设数量的悬浮间隙数据构成；
主成分矩阵构建模块，用于基于M个所述训练样本获得该运行工况下的特征矩阵，并通过主成分分析PCA技术对所述特征矩阵进行降维，得到该运行工况下的M个所述训练样本的主成分矩阵；
欧式距离计算模块，用于通过计算所述主成分矩阵与主成分矩阵均值之间的欧式距离，得出由M个距离值构成的距离数据集合；
故障报警阈值建立模块，用于将所述距离数据集合变换为服从正态分布的距离数据集合之后，基于服从正态分布的距离数据集合的均值
Figure 190805DEST_PATH_IMAGE001
以及标准差
Figure 806594DEST_PATH_IMAGE002
，建立该运行工况下的故障报警阈值；
故障监测模块，用于在所述磁悬浮列车的运行过程中，针对任意一次待测样本，当所述待测样本的主成分矩阵与所述主成分矩阵均值之间的欧式距离大于预先建立的目标工况下的故障报警阈值时，确定所述磁悬浮列车的悬浮系统故障；其中，所述目标工况为获取所述待测样本时所述磁悬浮列车所处于的运行工况。
一种磁悬浮列车，包括上述所述的列车的悬浮系统故障检测系统。
本申请的方案中，通过训练样本建立了故障报警阈值，从而可以在磁悬浮列车的运行过程中，基于待测样本以及故障报警阈值，在线检测悬浮系统是否故障。并且，本申请的方案中，针对磁悬浮列车的每一种运行工况，建立了该运行工况下的故障报警阈值，有利于提高方案的检测准确度。
针对任意一种运行工况，故障报警阈值的建立过程如下：首先是获取该运行工况下的M个健康样本作为训练样本，M为正整数，每个训练样本均由预设数量的悬浮间隙数据构成。再基于M个训练样本获得该运行工况下的特征矩阵，并通过主成分分析PCA技术对特征矩阵进行降维，得到该运行工况下的M个训练样本的主成分矩阵。由于通过PCA技术对特征矩阵进行了降维，有利于降低方案的计算复杂度，也就有利于提高在线检测的耗时，即有利于及早地确定出故障情况。之后，本申请的方案通过计算主成分矩阵与主成分矩阵均值之间的欧式距离，得出由M个距离值构成的距离数据集合，变换为服从正态分布的距离数据集合之后，再基于服从正态分布的距离数据集合的均值
Figure 552702DEST_PATH_IMAGE001
以及标准差
Figure 203126DEST_PATH_IMAGE002
，建立该运行工况下的故障报警阈值。该过程中，由于只需要计算主成分矩阵与主成分矩阵均值之间的欧式距离，无需进行其他变量的构建，因此计算量也较小，并且欧式距离能够直观地反映出两个比较对象之间的差别，即有利于提高方案的准确率。
得到了每一种运行工况下的故障报警阈值之后，在磁悬浮列车的运行过程中，针对任意一次待测样本，可以基于相同的计算方式，确定出待测样本与主成分矩阵均值之间的欧式距离，即当待测样本的主成分矩阵与主成分矩阵均值之间的欧式距离大于预先建立的目标工况下的故障报警阈值时，可以确定磁悬浮列车的悬浮系统故障。综上可知，本申请的方案具有无需构建其他变量，计算简单方便，且检测精度高的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一种列车的悬浮系统故障检测方法的实施流程图；
图2为一种列车的悬浮系统故障检测系统的结构示意图。
具体实施方式
本发明的核心是提供一种列车的悬浮系统故障检测方法，本申请的方案具有无需构建其他变量，计算简单方便，且检测精度高的优点。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
请参考图1，图1为本发明中一种列车的悬浮系统故障检测方法的实施流程图，该列车的悬浮系统故障检测方法可以包括以下步骤：
步骤S101：针对磁悬浮列车的每一种运行工况，获取该运行工况下的M个健康样本作为训练样本；
其中，M为正整数，每个训练样本均由预设数量的悬浮间隙数据构成。
例如，通常可以将磁悬浮列车划分为站内悬浮，站间行驶，进出库，落车这四种工况。当然，其他具体场景中，也可以根据需要设置更多的工况类型。本申请的方案中，针对每一种运行工况，在执行完步骤S101至步骤S104之后，便可以建立该运行工况下的故障报警阈值，相应的，在后续进行列车的悬浮系统故障检测时，即在执行步骤S105时，是在哪一种运行工况下获取的待测样本，便基于相同运行工况下的故障报警阈值以及主成分矩阵均值进行故障检测。
并且可以理解的是，针对训练样本，步骤S101至步骤S104可以预先完成，从而得到各种运行工况下的各个故障报警阈值，即磁悬浮列车实际运行过程中，执行步骤S105便可以实现悬浮系统故障检测。
还需要说明的是，由于本申请针对每一种运行工况，建立了该运行工况下的故障报警阈值，通过划分工况的方式区别分析，提高了本申请的方案对于列车的悬浮系统故障检测的准确性。
针对任意一种运行工况，需要获取该运行工况下的M个健康样本作为训练样本，即磁悬浮列车需要处于该运行工况下，并且是正常状态下，然后进行M个健康样本的采集。每个训练样本均由预设数量的悬浮间隙数据构成，例如采集了300个健康样本，每个健康样本中包括了500个悬浮间隙数据。
在本发明的一种具体实施方式中，步骤S101可以具体包括：
针对磁悬浮列车的每一种运行工况，利用宽度为p的移动时间窗口进行M次移动，获取该运行工况下的M个健康样本作为训练样本。
该种实施方式中，考虑到通过移动时间窗口进行训练样本的获取，实施时较为简单便捷，并且可以理解的是，移动时间窗口的宽度p便可以影响每一个训练样本中的悬浮间隙数据的数量。
步骤S102：基于M个训练样本获得该运行工况下的特征矩阵，并通过主成分分析PCA技术对特征矩阵进行降维，得到该运行工况下的M个训练样本的主成分矩阵。
基于M个训练样本获得特征矩阵的方式可以有多种，例如在本发明的一种具体实施方式中，步骤S102中描述的基于M个训练样本获得该运行工况下的特征矩阵，可以具体为：
通过FWHT（fast Walsh–Hadamard transform，快速沃尔什转换），从矩阵
Figure 658378DEST_PATH_IMAGE003
中获得特征矩阵
Figure 27043DEST_PATH_IMAGE004
，其中，特征矩阵
Figure 796416DEST_PATH_IMAGE004
中的
Figure 816193DEST_PATH_IMAGE005
表示样本维度。
该例子中，p即表示移动时间窗口的宽度，快速沃尔什转换是一个常见的递回方法，能够适用于待处理的数据量特别大，又有实时处理的要求的场合中。
得到了特征矩阵之后，本申请考虑到特征矩阵的数据量特别大，并且在执行步骤S105时，对待测样本执行的操作与训练样本相同，因此，本申请的步骤S102中，还通过PCA（principal components analysis，主成分分析）技术对特征矩阵进行降维，降低了方案的计算复杂度，也就有利于提高在线检测的耗时，即有利于及早地确定出故障情况。
在本发明的一种具体实施方式中，步骤S102中描述的通过主成分分析PCA技术对特征矩阵进行降维，得到该运行工况下的M个训练样本的主成分矩阵，可以具体包括以下步骤：
步骤一：将特征矩阵
Figure 442347DEST_PATH_IMAGE004
进行转置得到矩阵
Figure 298307DEST_PATH_IMAGE006
，并将矩阵
Figure 136950DEST_PATH_IMAGE006
进行标准化，得到第一特征矩阵
Figure 230808DEST_PATH_IMAGE007
；
其中，
Figure 745972DEST_PATH_IMAGE008
，
Figure 620387DEST_PATH_IMAGE009
为矩阵
Figure 262721DEST_PATH_IMAGE010
的数据单元，
Figure 476665DEST_PATH_IMAGE011
为第
Figure 913462DEST_PATH_IMAGE012
个特征参数；
Figure 727703DEST_PATH_IMAGE013
为
Figure 704887DEST_PATH_IMAGE011
的期望，
Figure 38916DEST_PATH_IMAGE014
为的方差，1≤
Figure 433305DEST_PATH_IMAGE016
≤M，1≤
Figure 948600DEST_PATH_IMAGE012
≤N；
Figure 657842DEST_PATH_IMAGE017
为第一特征矩阵
Figure 436442DEST_PATH_IMAGE018
的数据单元；
步骤二：确定出第一特征矩阵
Figure 976008DEST_PATH_IMAGE018
的协方差矩阵V，并确定出协方差矩阵V的
Figure 232677DEST_PATH_IMAGE019
个特征值以及每个特征值对应的特征向量；
其中，
Figure 790566DEST_PATH_IMAGE020
，
Figure 536806DEST_PATH_IMAGE019
个特征值按照从大到小的顺序依次表示为
Figure 298088DEST_PATH_IMAGE021
，对应的特征向量依次表示为
Figure 624027DEST_PATH_IMAGE022
；
将累计贡献率
Figure 787155DEST_PATH_IMAGE023
大于第一预设比例值时，所对应的前
Figure 156826DEST_PATH_IMAGE024
个特征向量作为主成分，得到
Figure 405404DEST_PATH_IMAGE024
个主成分的特征向量矩阵
Figure 269455DEST_PATH_IMAGE025
，并得到该运行工况下的M个训练样本的主成分矩阵
Figure 287090DEST_PATH_IMAGE026
，表示为：
Figure 640711DEST_PATH_IMAGE027
；
其中，累计贡献率
Figure DEST_PATH_IMAGE037
，
Figure 100002_DEST_PATH_IMAGE039
。
第一预设比例值的具体取值可以根据需要进行设定，例如设定为90%。例如在一种场合中，当
Figure 297957DEST_PATH_IMAGE024
取值为7时，累计贡献率
Figure 762436DEST_PATH_IMAGE023
便大于了90%，则经过了S102的降维之后，基于特征矩阵
Figure 634577DEST_PATH_IMAGE004
得到了主成分矩阵
Figure 611630DEST_PATH_IMAGE026
，维度由N例如为500降低到了7，大幅降低了后续的计算复杂度。
步骤S103：通过计算主成分矩阵与主成分矩阵均值之间的欧式距离，得出由M个距离值构成的距离数据集合。
具体的，在本发明的一种具体实施方式中，可以用距离矩阵
Figure 569221DEST_PATH_IMAGE032
表示由M个距离值构成的距离数据集合，即步骤S103可以具体为：
通过计算主成分矩阵与主成分矩阵均值之间的欧式距离，得出由M个距离值构成的距离数据集合，表示为距离矩阵
Figure 775075DEST_PATH_IMAGE032
；
其中，
Figure 100002_DEST_PATH_IMAGE041
，
Figure 32881DEST_PATH_IMAGE024
表示经过降维之后得到的该运行工况下的M个训练样本的主成分矩阵的维度，1≤
Figure 180834DEST_PATH_IMAGE016
≤M，
Figure 360143DEST_PATH_IMAGE035
表示该工况下的主成分矩阵均值。
例如前述实施方式中，得到的主成分矩阵是
Figure 369687DEST_PATH_IMAGE026
，即是一个M行，
Figure 482000DEST_PATH_IMAGE024
列的矩阵，例如的
Figure 82745DEST_PATH_IMAGE024
的取值为7。则主成分矩阵均值
Figure 529776DEST_PATH_IMAGE035
是一行7列的矩阵，将主成分矩阵的第一列数据求和，再除以M，便可以得到主成分矩阵均值
Figure 811853DEST_PATH_IMAGE024
的第一个数值，相应的，将主成分矩阵的第二列数据求和，再除以M，便可以得到主成分矩阵均值
Figure 778672DEST_PATH_IMAGE035
的第二个数值。即针对M行，
Figure 753581DEST_PATH_IMAGE024
列的主成分矩阵是
Figure 235378DEST_PATH_IMAGE026
，得到的主成分矩阵均值
Figure 835992DEST_PATH_IMAGE035
是一行
Figure 391739DEST_PATH_IMAGE024
列的矩阵。
而在计算距离矩阵
Figure 803128DEST_PATH_IMAGE032
时，按照
Figure 709904DEST_PATH_IMAGE016
从1依次取到M的顺序，可以得到M个距离值，即距离矩阵
Figure 842771DEST_PATH_IMAGE032
中共包括M个距离数据。
例如
Figure 784182DEST_PATH_IMAGE016
=1时，便是将主成分矩阵是
Figure 100894DEST_PATH_IMAGE026
的第一行的
Figure 494967DEST_PATH_IMAGE024
的个数据，与主成分矩阵均值
Figure 984854DEST_PATH_IMAGE035
进行欧式距离的计算，例如，主成分矩阵是
Figure 30039DEST_PATH_IMAGE026
的第一行的数据依次为1，2，3，4，5，6，7，而主成分矩阵均值
Figure 783231DEST_PATH_IMAGE035
例如表示为
Figure DEST_PATH_IMAGE042
，则
Figure DEST_PATH_IMAGE043
。主成分矩阵的每一行均与主成分矩阵均值
Figure 851550DEST_PATH_IMAGE035
进行欧式距离的计算之后，便可以得到M个距离值，便可以构成距离矩阵
Figure 817232DEST_PATH_IMAGE032
。
步骤S104：将距离数据集合变换为服从正态分布的距离数据集合之后，基于服从正态分布的距离数据集合的均值
Figure 467657DEST_PATH_IMAGE001
以及标准差
Figure 188488DEST_PATH_IMAGE002
，建立该运行工况下的故障报警阈值。
需要强调的是，如果步骤S103中得到的距离数据集合已经是服从正态分布了，便不需要再将距离数据集合进行变换。当步骤S103中得到的距离数据集合不服从正态分布时，才需要将距离数据集合变换为服从正态分布的距离数据集合。并且，变换方式也可以有多种，例如在本发明的一种具体实施方式中，可以通过Box-Cox变换将距离数据集合变换为服从正态分布的距离数据集合。
Box-Cox变换的原理如下：
假设有样本
Figure DEST_PATH_IMAGE044
，计算出一组相对应的
Figure DEST_PATH_IMAGE045
。
Figure DEST_PATH_IMAGE046
其中
Figure DEST_PATH_IMAGE047
是使
Figure DEST_PATH_IMAGE048
服从正态分布且彼此独立的常数。可以定义如下的联合概率密度函数以确定
Figure 416207DEST_PATH_IMAGE047
的值。
Figure DEST_PATH_IMAGE049
其中，
Figure DEST_PATH_IMAGE050
是N阶单位向量，
Figure DEST_PATH_IMAGE051
。
进一步的，对于一个确定的
Figure 903689DEST_PATH_IMAGE047
，
Figure 143040DEST_PATH_IMAGE001
和
Figure DEST_PATH_IMAGE052
的似然函数和极大似然函数可以表示为：
Figure DEST_PATH_IMAGE053
Figure DEST_PATH_IMAGE055
Figure DEST_PATH_IMAGE057
似然函数的最大值为：
Figure DEST_PATH_IMAGE058
，再取对数，可得：
Figure DEST_PATH_IMAGE059
略去上式右端中的常数，将其记成
Figure DEST_PATH_IMAGE060
，即：
Figure DEST_PATH_IMAGE062
，而对于该公式，若存在
Figure DEST_PATH_IMAGE063
，使得
Figure 2150DEST_PATH_IMAGE060
取最大值，则
Figure DEST_PATH_IMAGE064
。
并且需要说明的是，
Figure 61373DEST_PATH_IMAGE046
仅适用于数据全为正数的情况，如果存在负数，则可以将变量统一增加一个固定值
Figure DEST_PATH_IMAGE065
，并且需要使得
Figure DEST_PATH_IMAGE066
>0，即
Figure DEST_PATH_IMAGE067
，其余操作与上述过程相同。
在执行步骤S104时，将距离数据集合变换为服从正态分布的距离数据集合之后，便可以基于服从正态分布的距离数据集合的均值
Figure 827246DEST_PATH_IMAGE001
以及标准差
Figure 452263DEST_PATH_IMAGE002
，建立该运行工况下的故障报警阈值，例如，可以将
Figure 514897DEST_PATH_IMAGE001
+3
Figure 592574DEST_PATH_IMAGE002
作为该运行工况下的故障报警阈值。
步骤S105：在磁悬浮列车的运行过程中，针对任意一次待测样本，当待测样本的主成分矩阵与主成分矩阵均值之间的欧式距离大于预先建立的目标工况下的故障报警阈值时，确定磁悬浮列车的悬浮系统故障；其中，目标工况为获取待测样本时磁悬浮列车所处于的运行工况。
针对任意一次待测样本，可以基于步骤S102至步骤S104的原理，确定出待测样本的主成分矩阵与主成分矩阵均值之间的欧式距离，即针对任意一次待测样本，相当于是M=1，进行一遍与训练样本相同的操作。
具体的，可以获得该待测样本的特征矩阵，进而通过PCA技术得到该待测样本主成分矩阵，进而便可以计算出该待测样本主成分矩阵与主成分矩阵均值之间的欧式距离，此处描述的主成分矩阵均值，指的是相同工况下，在建立该工况下的故障报警阈值时所使用到的基于M个训练样本得到的主成分矩阵均值。例如，前述的一种例子中，主成分矩阵均值
Figure 218596DEST_PATH_IMAGE035
例如表示为
Figure 698119DEST_PATH_IMAGE042
，并且例如该待测样本主成分矩阵为
Figure DEST_PATH_IMAGE068
，则计算出的欧式距离值为
Figure DEST_PATH_IMAGE069
。并且可以理解的是，针对某种运行工况下的训练样本，由于有M个训练样本，则执行步骤S103时可以得到M个欧式距离值，在执行步骤S105时，针对某种运行工况下的一次待测样本，按照步骤S102至步骤S104的原理，相当于是M=1，可以得到一个欧式距离值。
当待测样本的主成分矩阵与主成分矩阵均值之间的欧式距离大于预先建立的目标工况下的故障报警阈值时，便可以说明待测样本存在数据异常的情况，异常本申请可以确定磁悬浮列车的悬浮系统故障。
此外还需要强调的是，针对某一种运行工况，如果在建立该运行工况下的故障报警阈值时，进行了将距离数据集合变换为服从正态分布的距离数据集合的操作，则针对该工况下的任意一次待测样本所计算出的欧式距离，也需要进行相同的变换操作之后，才能与该运行工况下的故障报警阈值进行比较。相应的，如果在建立该运行工况下的故障报警阈值时，距离数据集合本就是服从正态分布的距离数据集合，则针对该工况下的任意一次待测样本所计算出的欧式距离，也就无需进行变换操作。
进一步地，在本发明的一种具体实施方式中，还可以包括：
在将距离数据集合变换为服从正态分布的距离数据集合之后，基于服从正态分布的距离数据集合的均值
Figure 869338DEST_PATH_IMAGE001
以及标准差
Figure 418000DEST_PATH_IMAGE002
，建立该运行工况下的故障预警阈值；其中，故障预警阈值低于该运行工况下的故障报警阈值；
在磁悬浮列车的运行过程中，针对任意一次待测样本，当待测样本的主成分矩阵与主成分矩阵均值之间的欧式距离小于等于预先建立的目标工况下的故障报警阈值，且大于预先建立的目标工况下的故障预警阈值时，输出悬浮系统故障预警提醒信息。
该种实施方式中，考虑到故障预警阈值通常会设置地较大，以避免误报警，使得当待测样本的主成分矩阵与主成分矩阵均值之间的欧式距离大于该工况下的故障报警阈值时，足以说明当前的磁悬浮列车的悬浮系统故障。而部分场合中，悬浮系统可能当前无明显故障，或者是存在较高故障隐患，从数据上看，便是悬浮间隙数据出现了一定程度的异常，但不足以触发故障报警，因此，该种实施方式中还设置了低于该运行工况下的故障报警阈值的故障预警阈值，有利于及早地发现悬浮系统未来可能出现的故障情况，也就有利于进一步地提高行车的安全性。
例如，在本发明的一种具体实施方式中，经过实验验证，一种运行工况下的故障报警阈值表示为：
Figure 332866DEST_PATH_IMAGE001
+3
Figure 729212DEST_PATH_IMAGE002
，该运行工况下的故障预警阈值表示为
Figure 336911DEST_PATH_IMAGE001
+2
Figure 389181DEST_PATH_IMAGE002
。具有较好的故障检测以及潜在故障预警的效果。
本申请的方案中，通过训练样本建立了故障报警阈值，从而可以在磁悬浮列车的运行过程中，基于待测样本以及故障报警阈值，在线检测悬浮系统是否故障。并且，本申请的方案中，针对磁悬浮列车的每一种运行工况，建立了该运行工况下的故障报警阈值，有利于提高方案的检测准确度。
针对任意一种运行工况，故障报警阈值的建立过程如下：首先是获取该运行工况下的M个健康样本作为训练样本，M为正整数，每个训练样本均由预设数量的悬浮间隙数据构成。再基于M个训练样本获得该运行工况下的特征矩阵，并通过主成分分析PCA技术对特征矩阵进行降维，得到该运行工况下的M个训练样本的主成分矩阵。由于通过PCA技术对特征矩阵进行了降维，有利于降低方案的计算复杂度，也就有利于提高在线检测的耗时，即有利于及早地确定出故障情况。之后，本申请的方案通过计算主成分矩阵与主成分矩阵均值之间的欧式距离，得出由M个距离值构成的距离数据集合，变换为服从正态分布的距离数据集合之后，再基于服从正态分布的距离数据集合的均值
Figure DEST_PATH_IMAGE070
以及标准差
Figure DEST_PATH_IMAGE071
，建立该运行工况下的故障报警阈值。该过程中，由于只需要计算主成分矩阵与主成分矩阵均值之间的欧式距离，无需进行其他变量的构建，因此计算量也较小，并且欧式距离能够直观地反映出两个比较对象之间的差别，即有利于提高方案的准确率。
得到了每一种运行工况下的故障报警阈值之后，在磁悬浮列车的运行过程中，针对任意一次待测样本，可以基于相同的计算方式，确定出待测样本与主成分矩阵均值之间的欧式距离，即当待测样本的主成分矩阵与主成分矩阵均值之间的欧式距离大于预先建立的目标工况下的故障报警阈值时，可以确定磁悬浮列车的悬浮系统故障。综上可知，本申请的方案具有无需构建其他变量，计算简单方便，且检测精度高的优点。
相应于上面的方法实施例，本发明实施例还提供了一种列车的悬浮系统故障检测系统，可与上文相互对应参照，可参阅图2，为本发明中一种列车的悬浮系统故障检测系统的结构示意图，可以包括：
训练样本获取模块201，用于针对磁悬浮列车的每一种运行工况，获取该运行工况下的M个健康样本作为训练样本；其中，M为正整数，每个训练样本均由预设数量的悬浮间隙数据构成；
主成分矩阵构建模块202，用于基于M个训练样本获得该运行工况下的特征矩阵，并通过主成分分析PCA技术对特征矩阵进行降维，得到该运行工况下的M个训练样本的主成分矩阵；
欧式距离计算模块203，用于通过计算主成分矩阵与主成分矩阵均值之间的欧式距离，得出由M个距离值构成的距离数据集合；
故障报警阈值建立模块204，用于将距离数据集合变换为服从正态分布的距离数据集合之后，基于服从正态分布的距离数据集合的均值
Figure 825847DEST_PATH_IMAGE001
以及标准差
Figure 279962DEST_PATH_IMAGE002
，建立该运行工况下的故障报警阈值；
故障监测模块205，用于在磁悬浮列车的运行过程中，针对任意一次待测样本，当待测样本的主成分矩阵与主成分矩阵均值之间的欧式距离大于预先建立的目标工况下的故障报警阈值时，确定磁悬浮列车的悬浮系统故障；其中，目标工况为获取待测样本时磁悬浮列车所处于的运行工况。
在本发明的一种具体实施方式中，还包括：
故障预警阈值建立模块，用于在将距离数据集合变换为服从正态分布的距离数据集合之后，基于服从正态分布的距离数据集合的均值
Figure 58562DEST_PATH_IMAGE001
以及标准差
Figure 581816DEST_PATH_IMAGE002
，建立该运行工况下的故障预警阈值；其中，故障预警阈值低于该运行工况下的故障报警阈值；
故障监测模块205，还用于：在磁悬浮列车的运行过程中，针对任意一次待测样本，当待测样本的主成分矩阵与主成分矩阵均值之间的欧式距离小于等于预先建立的目标工况下的故障报警阈值，且大于预先建立的目标工况下的故障预警阈值时，输出悬浮系统故障预警提醒信息。
在本发明的一种具体实施方式中，该运行工况下的故障报警阈值表示为：
Figure 104065DEST_PATH_IMAGE001
+3
Figure 412686DEST_PATH_IMAGE002
，该运行工况下的故障预警阈值表示为
Figure 158925DEST_PATH_IMAGE001
+2
Figure 920208DEST_PATH_IMAGE002
。
在本发明的一种具体实施方式中，训练样本获取模块201，具体用于：
针对磁悬浮列车的每一种运行工况，利用宽度为p的移动时间窗口进行M次移动，获取该运行工况下的M个健康样本作为训练样本。
在本发明的一种具体实施方式中，主成分矩阵构建模块202，具体用于：
通过快速沃尔什转换FWHT，从矩阵
Figure 229836DEST_PATH_IMAGE003
中获得特征矩阵
Figure 392964DEST_PATH_IMAGE004
，其中，特征矩阵
Figure 513366DEST_PATH_IMAGE004
中的
Figure 824262DEST_PATH_IMAGE005
表示样本维度；
将特征矩阵
Figure 688313DEST_PATH_IMAGE004
进行转置得到矩阵
Figure 689636DEST_PATH_IMAGE006
，并将矩阵
Figure 246519DEST_PATH_IMAGE006
进行标准化，得到第一特征矩阵
Figure 779131DEST_PATH_IMAGE007
；
其中，
Figure 181294DEST_PATH_IMAGE008
，
Figure 319014DEST_PATH_IMAGE009
为矩阵
Figure 30487DEST_PATH_IMAGE010
的数据单元，
Figure 988079DEST_PATH_IMAGE011
为第
Figure 256249DEST_PATH_IMAGE012
个特征参数；
Figure 248476DEST_PATH_IMAGE013
为
Figure 616003DEST_PATH_IMAGE011
的期望，
Figure 593316DEST_PATH_IMAGE014
为
Figure 399598DEST_PATH_IMAGE011
的方差，1≤
Figure 246331DEST_PATH_IMAGE016
≤M，1≤
Figure 315919DEST_PATH_IMAGE012
≤N；
Figure 982523DEST_PATH_IMAGE017
为第一特征矩阵
Figure 45026DEST_PATH_IMAGE007
的数据单元；
确定出第一特征矩阵
Figure 808583DEST_PATH_IMAGE007
的协方差矩阵V，并确定出协方差矩阵V的
Figure 783492DEST_PATH_IMAGE019
个特征值以及每个特征值对应的特征向量；
其中，
Figure 468551DEST_PATH_IMAGE020
，
Figure 554319DEST_PATH_IMAGE019
个特征值按照从大到小的顺序依次表示为
Figure 624912DEST_PATH_IMAGE021
，对应的特征向量依次表示为
Figure 567460DEST_PATH_IMAGE022
；
将累计贡献率
Figure 474236DEST_PATH_IMAGE023
大于第一预设比例值时，所对应的前
Figure 363695DEST_PATH_IMAGE024
个特征向量作为主成分，得到
Figure 39527DEST_PATH_IMAGE024
个主成分的特征向量矩阵
Figure 871086DEST_PATH_IMAGE025
，并得到该运行工况下的M个训练样本的主成分矩阵
Figure 61895DEST_PATH_IMAGE026
，表示为：
Figure 755045DEST_PATH_IMAGE027
；
其中，累计贡献率
Figure DEST_PATH_IMAGE073
，
Figure DEST_PATH_IMAGE075
。
在本发明的一种具体实施方式中，欧式距离计算模块203，具体用于：
通过计算主成分矩阵与主成分矩阵均值之间的欧式距离，得出由M个距离值构成的距离数据集合，表示为距离矩阵
Figure 19804DEST_PATH_IMAGE032
；
其中，
Figure DEST_PATH_IMAGE077
，
Figure 491106DEST_PATH_IMAGE024
表示经过降维之后得到的该运行工况下的M个训练样本的主成分矩阵的维度，1≤
Figure 841316DEST_PATH_IMAGE016
≤M，
Figure 338156DEST_PATH_IMAGE035
表示该工况下的主成分矩阵均值。
在本发明的一种具体实施方式中，故障报警阈值建立模块204，具体用于：
通过Box-Cox变换将距离数据集合变换为服从正态分布的距离数据集合之后，基于服从正态分布的距离数据集合的均值
Figure 237848DEST_PATH_IMAGE001
以及标准差
Figure 958679DEST_PATH_IMAGE002
，建立该运行工况下的故障报警阈值。
相应于上面的方法和系统实施例，本发明实施例还提供了一种磁悬浮列车，可以包括上述任一实施例中的列车的悬浮系统故障检测系统，可与上文相互对应参照，此处不再重复说明。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。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，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种列车的悬浮系统故障检测方法，其特征在于，包括：
针对磁悬浮列车的每一种运行工况，获取该运行工况下的M个健康样本作为训练样本；其中，所述M为正整数，每个训练样本均由预设数量的悬浮间隙数据构成；
基于M个所述训练样本获得该运行工况下的特征矩阵，并通过主成分分析PCA技术对所述特征矩阵进行降维，得到该运行工况下的M个所述训练样本的主成分矩阵；
通过计算所述主成分矩阵与主成分矩阵均值之间的欧式距离，得出由M个距离值构成的距离数据集合；
将所述距离数据集合变换为服从正态分布的距离数据集合之后，基于服从正态分布的距离数据集合的均值以及标准差，建立该运行工况下的故障报警阈值；
在所述磁悬浮列车的运行过程中，针对任意一次待测样本，当所述待测样本的主成分矩阵与所述主成分矩阵均值之间的欧式距离大于预先建立的目标工况下的故障报警阈值时，确定所述磁悬浮列车的悬浮系统故障；其中，所述目标工况为获取所述待测样本时所述磁悬浮列车所处于的运行工况。
2.根据权利要求1所述的列车的悬浮系统故障检测方法，其特征在于，还包括：
在将所述距离数据集合变换为服从正态分布的距离数据集合之后，基于服从正态分布的距离数据集合的均值
Figure DEST_PATH_IMAGE001
以及标准差
Figure DEST_PATH_IMAGE002
，建立该运行工况下的故障预警阈值；其中，所述故障预警阈值低于该运行工况下的故障报警阈值；
在所述磁悬浮列车的运行过程中，针对任意一次待测样本，当所述待测样本的主成分矩阵与所述主成分矩阵均值之间的欧式距离小于等于预先建立的目标工况下的故障报警阈值，且大于预先建立的目标工况下的故障预警阈值时，输出悬浮系统故障预警提醒信息。
3.根据权利要求2所述的列车的悬浮系统故障检测方法，其特征在于，该运行工况下的故障报警阈值表示为：
Figure 8404DEST_PATH_IMAGE001
+3
Figure 643654DEST_PATH_IMAGE002
，该运行工况下的故障预警阈值表示为
Figure 892232DEST_PATH_IMAGE001
+2
Figure 756283DEST_PATH_IMAGE002
。
4.根据权利要求1所述的列车的悬浮系统故障检测方法，其特征在于，所述针对磁悬浮列车的每一种运行工况，获取该运行工况下的M个健康样本作为训练样本，包括：
针对磁悬浮列车的每一种运行工况，利用宽度为p的移动时间窗口进行M次移动，获取该运行工况下的M个健康样本作为训练样本。
5.根据权利要求4所述的列车的悬浮系统故障检测方法，其特征在于，所述基于M个所述训练样本获得该运行工况下的特征矩阵，包括：
通过快速沃尔什转换FWHT，从矩阵
Figure DEST_PATH_IMAGE003
中获得特征矩阵
Figure DEST_PATH_IMAGE004
，其中，所述特征矩阵
Figure 226448DEST_PATH_IMAGE004
中的
Figure DEST_PATH_IMAGE005
表示样本维度。
6.根据权利要求5所述的列车的悬浮系统故障检测方法，其特征在于，所述通过主成分分析PCA技术对所述特征矩阵进行降维，得到该运行工况下的M个所述训练样本的主成分矩阵，包括：
将所述特征矩阵
Figure 986593DEST_PATH_IMAGE004
进行转置得到矩阵
Figure DEST_PATH_IMAGE006
，并将矩阵进行标准化，得到第一特征矩阵
Figure DEST_PATH_IMAGE007
；
其中，
Figure DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
为矩阵
Figure DEST_PATH_IMAGE010
的数据单元，
Figure DEST_PATH_IMAGE011
为第
Figure DEST_PATH_IMAGE012
个特征参数；
Figure DEST_PATH_IMAGE013
为
Figure 887248DEST_PATH_IMAGE011
的期望，
Figure DEST_PATH_IMAGE014
为
Figure 273098DEST_PATH_IMAGE011
的方差，1≤
Figure DEST_PATH_IMAGE015
≤M，1≤
Figure 614081DEST_PATH_IMAGE012
≤N；
Figure DEST_PATH_IMAGE016
为第一特征矩阵
Figure DEST_PATH_IMAGE017
的数据单元；
确定出第一特征矩阵
Figure 59975DEST_PATH_IMAGE017
的协方差矩阵V，并确定出所述协方差矩阵V的
Figure DEST_PATH_IMAGE018
个特征值以及每个特征值对应的特征向量；
其中，
Figure DEST_PATH_IMAGE019
，
Figure 204517DEST_PATH_IMAGE018
个特征值按照从大到小的顺序依次表示为
Figure DEST_PATH_IMAGE020
，对应的特征向量依次表示为
Figure DEST_PATH_IMAGE021
；
将累计贡献率
Figure DEST_PATH_IMAGE022
大于第一预设比例值时，所对应的前
Figure DEST_PATH_IMAGE023
个特征向量作为主成分，得到
Figure 66163DEST_PATH_IMAGE023
个主成分的特征向量矩阵
Figure DEST_PATH_IMAGE024
，并得到该运行工况下的M个所述训练样本的主成分矩阵
Figure DEST_PATH_IMAGE025
，表示为：
Figure DEST_PATH_IMAGE026
；
其中，所述累计贡献率
Figure DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE030
。
7.根据权利要求6所述的列车的悬浮系统故障检测方法，其特征在于，所述通过计算所述主成分矩阵与主成分矩阵均值之间的欧式距离，得出由M个距离值构成的距离数据集合，包括：
通过计算所述主成分矩阵与主成分矩阵均值之间的欧式距离，得出由M个距离值构成的距离数据集合，表示为距离矩阵
Figure DEST_PATH_IMAGE031
；
其中，
Figure DEST_PATH_IMAGE033
，
Figure 917444DEST_PATH_IMAGE023
表示经过降维之后得到的该运行工况下的M个所述训练样本的主成分矩阵的维度，1≤
Figure 816130DEST_PATH_IMAGE015
≤M，
Figure DEST_PATH_IMAGE035
表示该工况下的主成分矩阵均值，Vij为主成分矩阵
Figure DEST_PATH_IMAGE039
中第行第
Figure DEST_PATH_IMAGE041
列的元素。
8.根据权利要求1所述的列车的悬浮系统故障检测方法，其特征在于，所述将所述距离数据集合变换为服从正态分布的距离数据集合，包括：
通过Box-Cox变换将所述距离数据集合变换为服从正态分布的距离数据集合。
9.一种列车的悬浮系统故障检测系统，其特征在于，包括：
训练样本获取模块，用于针对磁悬浮列车的每一种运行工况，获取该运行工况下的M个健康样本作为训练样本；其中，所述M为正整数，每个训练样本均由预设数量的悬浮间隙数据构成；
主成分矩阵构建模块，用于基于M个所述训练样本获得该运行工况下的特征矩阵，并通过主成分分析PCA技术对所述特征矩阵进行降维，得到该运行工况下的M个所述训练样本的主成分矩阵；
欧式距离计算模块，用于通过计算所述主成分矩阵与主成分矩阵均值之间的欧式距离，得出由M个距离值构成的距离数据集合；
故障报警阈值建立模块，用于将所述距离数据集合变换为服从正态分布的距离数据集合之后，基于服从正态分布的距离数据集合的均值
Figure 47303DEST_PATH_IMAGE001
以及标准差
Figure 588006DEST_PATH_IMAGE002
，建立该运行工况下的故障报警阈值；
故障监测模块，用于在所述磁悬浮列车的运行过程中，针对任意一次待测样本，当所述待测样本的主成分矩阵与所述主成分矩阵均值之间的欧式距离大于预先建立的目标工况下的故障报警阈值时，确定所述磁悬浮列车的悬浮系统故障；其中，所述目标工况为获取所述待测样本时所述磁悬浮列车所处于的运行工况。
10.一种磁悬浮列车，其特征在于，包括如权利要求9所述的列车的悬浮系统故障检测系统。
CN202010529041.5A 2020-06-11 2020-06-11 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统 Active CN111460392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010529041.5A CN111460392B (zh) 2020-06-11 2020-06-11 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010529041.5A CN111460392B (zh) 2020-06-11 2020-06-11 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统

Publications (2)

Publication Number Publication Date
CN111460392A CN111460392A (zh) 2020-07-28
CN111460392B true CN111460392B (zh) 2020-09-15

Family

ID=71682054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010529041.5A Active CN111460392B (zh) 2020-06-11 2020-06-11 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统

Country Status (1)

Country Link
CN (1) CN111460392B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110187206B (zh) * 2019-05-22 2021-11-02 中国人民解放军国防科技大学 一种复杂工况下非高斯过程的悬浮系统的故障检测方法
CN112486722B (zh) * 2020-12-18 2024-02-27 江西理工大学 一种系统故障检测方法及相关装置
CN113092900B (zh) * 2021-03-22 2023-04-07 阳光新能源开发股份有限公司 光伏逆变器的状态检测方法、装置及计算机可读存储介质
CN114259684B (zh) * 2021-12-22 2022-10-04 三一汽车制造有限公司 消防车水路故障检测方法及装置
CN114604299B (zh) * 2022-03-29 2023-07-11 西门子交通技术(北京)有限公司 故障预测模型的建立方法、列车系统故障预测方法和装置
CN114755036B (zh) * 2022-06-16 2022-09-06 中国人民解放军国防科技大学 磁浮列车悬浮系统的故障检测方法、装置、设备及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102662321A (zh) * 2012-03-23 2012-09-12 清华大学 一种主元分析监控模型的在线更新方法
KR20150129906A (ko) * 2014-05-12 2015-11-23 세방전지(주) 자기부상열차의 전원시스템
CN106645912A (zh) * 2017-01-03 2017-05-10 中车株洲电力机车有限公司 一种用于磁浮列车的悬浮传感器检测系统
CN107544477A (zh) * 2017-10-23 2018-01-05 中国石油大学(华东) 基于核主元分析的非线性工业过程故障检测方法
CN110187206A (zh) * 2019-05-22 2019-08-30 中国人民解放军国防科技大学 一种复杂工况下非高斯过程的悬浮系统的故障检测方法
CN110543166A (zh) * 2019-09-18 2019-12-06 河南工学院 一种加权k近邻标准化方法的多模态工业过程故障检测方法
CN110570544A (zh) * 2019-09-19 2019-12-13 中国商用飞机有限责任公司北京民用飞机技术研究中心 飞机燃油系统故障识别方法、装置、设备和存储介质
CN110687895A (zh) * 2019-10-24 2020-01-14 上海工程技术大学 一种基于自适应核主成分分析的化工过程故障检测方法
CN111259490A (zh) * 2020-01-20 2020-06-09 中国人民解放军国防科技大学 基于随机矩阵理论与累积和的悬浮系统早期故障检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7043348B2 (en) * 2003-03-03 2006-05-09 Honeywell International, Inc. Transient fault detection system and method

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102662321A (zh) * 2012-03-23 2012-09-12 清华大学 一种主元分析监控模型的在线更新方法
KR20150129906A (ko) * 2014-05-12 2015-11-23 세방전지(주) 자기부상열차의 전원시스템
CN106645912A (zh) * 2017-01-03 2017-05-10 中车株洲电力机车有限公司 一种用于磁浮列车的悬浮传感器检测系统
CN107544477A (zh) * 2017-10-23 2018-01-05 中国石油大学(华东) 基于核主元分析的非线性工业过程故障检测方法
CN110187206A (zh) * 2019-05-22 2019-08-30 中国人民解放军国防科技大学 一种复杂工况下非高斯过程的悬浮系统的故障检测方法
CN110543166A (zh) * 2019-09-18 2019-12-06 河南工学院 一种加权k近邻标准化方法的多模态工业过程故障检测方法
CN110570544A (zh) * 2019-09-19 2019-12-13 中国商用飞机有限责任公司北京民用飞机技术研究中心 飞机燃油系统故障识别方法、装置、设备和存储介质
CN110687895A (zh) * 2019-10-24 2020-01-14 上海工程技术大学 一种基于自适应核主成分分析的化工过程故障检测方法
CN111259490A (zh) * 2020-01-20 2020-06-09 中国人民解放军国防科技大学 基于随机矩阵理论与累积和的悬浮系统早期故障检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Characteristics Optimization of the Maglev Train Hybrid Suspension System Using Genetic Algorithm;Farhad Safaei 等;《IEEE Transactions on Energy Conversion》;20150930;1163-1170 *
Study of EDS & EMS Hybrid Suspension System With Permanent-Magnet Halbach Array;Zhiqiang Long 等;《IEEE Transactions on Magnetics》;20111230;4717-4724 *
低速磁浮列车悬浮系统的故障诊断与容错控制技术研究;薛松;《中国优秀硕士学位论文全文数据库（Information Science and Technology）》;20090715;I140-155 *
基于主成分分析的车辆组合导航系统故障检测与隔离算法;刘江 等;《交通运输系统工程与信息》;20091030;46-52 *

Also Published As

Publication number Publication date
CN111460392A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111460392B (zh) 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统
US20150219530A1 (en) Systems and methods for event detection and diagnosis
CN108038044B (zh) 一种面向连续被监测对象的异常检测方法
JP6141235B2 (ja) 時系列データにおける異常を検出する方法
JP2006105142A (ja) 装置の障害検出方法および障害検出／切離しシステム
CN113518011B (zh) 异常检测方法和装置、电子设备及计算机可读存储介质
CN112414694B (zh) 基于多元状态估计技术的设备多级异常状态识别方法及装置
US11640328B2 (en) Predicting equipment fail mode from process trace
US7949497B2 (en) Machine condition monitoring using discontinuity detection
CN113127305A (zh) 异常检测方法及装置
CN116308305B (zh) 一种桥梁健康监测数据管理系统
CN108257365A (zh) 一种基于全局不确定性证据动态融合的工业报警器设计方法
US20220039716A1 (en) Calibration method for critical point of mental fatigue based on self-organized criticality
CN109255201B (zh) 一种基于som-mqe的滚珠丝杠副健康评估方法
CN113071509B (zh) 一种智能车车轮转角传感器故障检测方法
CN116743637B (zh) 一种异常流量的检测方法、装置、电子设备及存储介质
CN116627116A (zh) 一种流程工业故障定位方法、系统及电子设备
WO2015039693A1 (en) Method and system for data quality assessment
CN116907772A (zh) 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统
JP2020181443A (ja) 異常検出装置、異常検出方法、およびコンピュータプログラム
CN110045716B (zh) 一种闭环控制系统早期故障检测和诊断方法和系统
CN114200914A (zh) 一种基于mw-occa的质量相关早期故障检测方法
US20220198279A1 (en) Data-Driven Methodology for Automatic Detection of Data Drift
KR102286814B1 (ko) 가중 거리 자기 연상 양방향 커널 회귀에서 최적 시간 커널을 서치하는 장치 및 그 방법
WO2022269690A1 (ja) 異常検知装置、異常検知方法および異常検知プログラム

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221103

Address after: 86-645, No. 233 Avenue, Yuelu District, Changsha, Hunan 410000

Patentee after: Hunan Industrial Technology Cooperative Innovation Research Institute

Address before: 410073 Hunan province Changsha Kaifu District, Deya Road No. 109

Patentee before: National University of Defense Technology

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200728

Assignee: HUNAN LINGXIANG MAGNETIC LEVITATION TECHNOLOGY CO.,LTD.

Assignor: Hunan Industrial Technology Cooperative Innovation Research Institute

Contract record no.: X2022430000017

Denomination of invention: A fault detection method and system for maglev train and its suspension system

Granted publication date: 20200915

License type: Common License

Record date: 20221212