CN111538958B - 一种基于数据驱动的磁浮列车悬浮系统故障检测方法 - Google Patents

Abstract

本发明公开了一种基于数据驱动的磁浮列车悬浮系统故障检测方法，包括以下步骤：S1、利用悬浮系统数据辨识得到残差生成器；S2、根据悬浮系统正常工作下的数据训练得到与故障检测相关的统计特征量；S3、根据样本数据构建故障检测统计量进行故障检测。上述诊断方法不需要有系统模型的支撑，根据悬浮系统数据直接辨识出残差生成器，再依据输入数据与训练数据设置的阈值做比较就可以直接判断是否发生故障，降低了模型带来的不确定性，具有故障检测准确的优点。

Description

一种基于数据驱动的磁浮列车悬浮系统故障检测方法

技术领域

本发明属于磁浮列车技术领域，具体涉及一种基于数据驱动的磁浮列车悬浮系统故障检测方法。

背景技术

随着磁悬浮列车的普及，悬浮系统的安全性和可靠性越来越受到关注。在磁浮列车运行过程中，一旦悬浮系统发生故障，列车将无法运行。如果能在悬浮系统故障发生时迅速检测出系统故障，将很大程度上避免事故发生。传统的故障诊断方法主要基于模型展开，但是其对模型准确性的要求较高。因此，如何在不需要有系统模型的支撑的情形下，就可以准确的检测悬浮系统故障，进而降低模型带来的不确定性，成了本领域技术人员亟需解决的问题。

发明内容

本发明的目的在于避免现有技术中的不足而提供一种基于数据驱动的磁浮列车悬浮系统故障检测方法，其无需事先获知系统数学模型，根据悬浮系统数据直接辨识出残差生成器，即可对系统是否发生故障进行判断。

本发明的目的通过以下技术方案实现：提供一种基于数据驱动的磁浮列车悬浮系统故障检测方法，包括以下步骤：

S1、利用悬浮系统数据辨识得到残差生成器；

S2、根据悬浮系统正常工作下的数据训练得到与故障检测相关的统计特征量；

S3、根据样本数据构建故障检测统计量进行故障检测。

作为进一步的改进，所述一种基于数据驱动的磁浮列车悬浮系统故障检测方法还包括步骤S0定义数据结构，具体表现为：

假定t(k)表示控制系统中的任意变量，可为输入变量或输出变量或状态变量或噪声或控制量或故障向量，定义：

式中，t_k,s表示s行单位列向量，t(k)、t(k+1)和t(k+s-1)均表示单位列向量里面的元素；

t_k(N)＝[t'(k) t'(k+1) … t'(k+N-1)] (2)

式中，t_k(N)表示N列单位行向量,t'(k)、t'(k+1)和t'(k+N-1)均表示单位行向量里面的元素；

式中，t_k,s(N)表示s行N列向量，t_k,s、t_k+1,s、t_k+N-1,s表示t_k,s(N)里面的元素，t_k(N)、t_k+1(N)、t_k+s-1(N)亦表示t_k,s(N)里面的元素。

作为进一步的改进，所述步骤S1利用悬浮系统数据辨识得到残差生成器具体分为如下步骤：

S11、假定悬浮系统动态模型表示成如下离散线性时不变系统：

式中，x(k+1)表示(k+1)时刻的状态变量，x(k)表示状态变量，y(k)表示输出变量，u(k)表示控制量，f(k)表示故障向量，w(k)表示过程噪声，v(k)表示量测噪声，且x(k+1)、x(k)、y(k)、u(k)、f(k)、w(k)和v(k)均可通过公式(1)至(3)中任一种形式表达，A表示系统矩阵，B表示控制矩阵，C表示输出矩阵，D表示直接传递矩阵，E_f表示故障向量的发生方式，F_f表示故障向量的的发生位置，其中，w(k)与v(k)符合正态分布，并通过如下公式表达：

w(k)～N(0,∑_w) (5)

式中，∑_w表示系统噪声w(k)的方差；

v(k)～N(0,∑_v) (6)

式中，∑_v表示量测噪声v(k)的方差。

S12、依据公式(1)至(3)所示的数据结构，由公式(4)递推得到的悬浮系统输出数据与悬浮系统输入数据和状态数据之间的关系可以分别表示为：

y_k,s＝Γ(s)x(k)+H_u(s)u_k,s+H_f(s)f_k,s+H_w(s)w_k,s+v_k,s (7)

y_k,s(N)＝Γ(s)x_k(N)+H_u(s)u_k,s(N)+H_f(s)f_k,s(N)+H_w(s)w_k,s(N)+v_k,s(N) (8)

式(7)和(8)中，y_k,s、u_k,s、f_k,s、w_k,s、v_k,s分别是输出变量y(k)、控制量u(k)、故障向量f(k)、过程噪声w(k)、量测噪声v(k)按照数据结构定义中公式(1)构成的数据集合，y_k,s(N)、u_k,s(N)、f_k,s(N)、w_k,s(N)、v_k,s(N)分别是输出变量y(k)、控制量u(k)、故障向量f(k)、过程噪声w(k)、量测噪声v(k)按照数据结构定义中公式(3)构成的数据集合，x_k(N)为状态变量x(k)按照数据结构定义中公式(2)构成的数据集合，Γ(s)表示与状态变量相关的转移矩阵，H_u(s)表示与控制量相关的转移矩阵，H_f(s)表示与故障向量相关的转移矩阵，H_w(s)表示与过程噪声相关的转移矩阵，其中：

式中，R^sm×n表示sm行n列矩阵集合；

式中，R^sm×sl表示sm行sl列矩阵集合；

式中，

表示sm行sn_f列矩阵集合；

式中，R^sm×sn表示sm行sn列矩阵集合；

S13、当sm＞n时，存在单位化矩阵Γ^⊥(s)∈∈R^(sm-n)×sm满足条件：

式中，(Γ^⊥(s))^T表示单位化矩阵Γ^⊥(s)的转置矩阵；

S14、将公式(8)中输入输出数据归到等式一侧，并在等式两边同时左乘Γ(s)的正交矩阵Γ^⊥(s)，得到：

Γ^⊥(s)(-H_u(s)u_k,s(N)+y_k,s(N))＝Γ^⊥(s)(H_f(s)f_k,s(N)+H_w(s)w_k,s(N)+v_k,s(N)) (14)

S15、定义悬浮系统的稳定核为κ_s，用于表示近似关系辨识系统：

κ_s＝[-Γ^⊥(s)H_u(s)Γ^⊥(s)] (15)

则系统输出与状态之间的关系可以表达：

式中，

为悬浮系统正常数据；

S16、生成的残差生成器通过如下公式表达：

式中，r_k,s为残差，

为κ_s的预测值。

作为进一步的改进，步骤S16中残差生成器具体通过以下步骤实现：

(1)定义

为近似值，则：

(2)

与/>

三者之间的关系为：

式中，Λ₂表示输出数据的奇异值，

表示输出数据的右奇异向量；

(3)根据公式(19)，得到如下公式(20)，即符合残差产生公式：

作为进一步的改进，所述步骤S2根据悬浮系统正常工作下的数据训练得到与故障检测相关的统计特征量具体表现为：

S21、设定最新采样到的残差值测试数据为r_t，设定通过步骤S1获取到N个m维残差值样本数据为r，且r通过如下公式表达：

r＝[r₁ r₂ … r_m] (24)

S22、样本数据的均值向量

和标准差矩阵σ分别通过如下公式表示：

式中，

分别表示第1、2、m个分量的样本数据均值；

式中，σ₁、σ₂和σ_m分别表示第1、2、m个分量的样本数据标准差；

S23、分别计算样本数据的均值和方差：

式中，

表示样本数据的均值,i＝1,2,...,m，r_i(j)表示r的第j个分量；

式中，σ_i表示样本数据的方差；

S24、数据标准化，对样本数据进行正规化处理，得到样本数据的残差：

式中，I_1,N＝[1 1 … 1]；

S25、通过如下公式计算样本数据的协方差矩阵：

式中，∑_r表示样本数据的协方差矩阵。

作为进一步的改进，所述步骤S3根据样本数据构建故障检测统计量进行故障检测，具体表现为：

S31、利用样本数据的协方差矩阵构建故障检测统计量，表达式如下：

式中，r(k)即为k时刻的样本数据r，T²(r(k))表示故障检测统计量，r^T(k)表示r(k)的转置，

表示样本数据的协方差矩阵∑_r的逆；

S32、在预设虚警率为α的情况下，设置检测阈值为T_a ²，且存在如下公式：

式中，

是常数，表示(1-α)上的正态分布；

S33、若

则认定r(k)是正常数据；反之，则认为r(k)是故障数据。

本发明提供的一种基于数据驱动的磁浮列车悬浮系统故障检测方法，主要通过三个步骤实现故障诊断：首先，利用悬浮系统数据辨识得到残差生成器；其次、根据悬浮系统正常工作下的数据训练得到与故障检测相关的统计特征量；最后、根据样本数据构建故障检测统计量进行故障检测。相比现有技术，上述诊断方法不需要有系统模型的支撑，根据悬浮系统数据直接辨识出残差生成器，再依据输入数据与训练数据设置的阈值做比较就可以直接判断是否发生故障，降低了模型带来的不确定性，具有故障检测准确的优点。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明一种基于数据驱动的磁浮列车悬浮系统故障检测方法的流程图。

具体实施方式

为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步详细的描述，需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

图1是本发明一种基于数据驱动的磁浮列车悬浮系统故障检测方法的流程图。如图1所示，本发明实施例提供的一种基于数据驱动的磁浮列车悬浮系统故障检测方法，包括以下步骤：S1、利用悬浮系统数据辨识得到残差生成器；S2、根据悬浮系统正常工作下的数据训练得到与故障检测相关的统计特征量；S3、根据样本数据构建故障检测统计量进行故障检测。。

需要说明的是，为详细地对上述故障检测方法进行描述，首先，给出数据结构的定义：

假定t(k)表示控制系统中的任意变量，可为输入变量或输出变量或状态变量或噪声或控制量或故障向量，定义：

t_k(N)＝[t'(k) t'(k+1) … t'(k+N-1)] (2)

公式(1)至(3)中，k、s、N分别表示数据矩阵起点时刻、数据矩阵高度和数据矩阵宽度，且数据矩阵中数据序号按照沿高度、宽度增加的方向依次递增，t_k,s表示s行单位列向量，t(k)、t(k+1)和t(k+s-1)均表示单位列向量里面的元素，t_k(N)表示N列单位行向量，t'(k)、t'(k+1)和t'(k+N-1)均表示单位行向量里面的元素，t_k,s(N)表示s行N列向量，t_k,s、t_k+1,s、t_k+N-1,s表示t_k,s(N)里面的元素，t_k(N)、t_k+1(N)、t_k+s-1(N)亦表示t_k,s(N)里面的元素。

考虑噪声及故障因素，作为进一步优选的实施方式，所述步骤S1利用悬浮系统数据辨识得到残差生成器具体分为如下步骤：

S11、假定悬浮系统动态模型表示成如下离散线性时不变系统：

式中，x(k+1)表示(k+1)时刻的状态变量，x(k)表示状态变量，y(k)表示输出变量，u(k)表示控制量，f(k)表示故障向量，w(k)表示过程噪声，v(k)表示量测噪声，且x(k+1)、x(k)、y(k)、u(k)、f(k)、w(k)和v(k)均可通过公式(1)至(3)中任一种形式表达，A表示系统矩阵，B表示控制矩阵，C表示输出矩阵，D表示直接传递矩阵，E_f表示故障向量的发生方式，F_f表示故障向量的的发生位置，其中，w(k)与v(k)符合正态分布，并通过如下公式表达：

w(k)～N(0,∑_w) (5)

式中，∑_w表示系统噪声w(k)的方差；

v(k)～N(0,∑_v) (6)

式中，∑_v表示量测噪声v(k)的方差；

需要说明的是，本步骤中x(k)∈Rⁿ，y(k)∈R^m，u(k)∈R^l，

w(k)∈Rⁿ，v(k)∈R^m，A∈R^n×n，B∈R^n×l，C∈R^m×n，D∈R^n×l和/>

其中Rⁿ、R^m、R^l、/>

分别表示n维、m维、l维以及n_f维向量，R^n×n、R^n×l、R^m×n、/>

分别表示n行n列矩阵集合、n行l列矩阵集合、m行n列矩阵集合、m行n_f列矩阵集合；

S12、依据公式(1)至(3)所示的数据结构，由公式(4)递推得到的悬浮系统输出数据与悬浮系统输入数据和状态数据之间的关系可以分别表示为：

y_k,s＝Γ(s)x(k)+H_u(s)u_k,s+H_f(s)f_k,s+H_w(s)w_k,s+v_k,s (7)

y_k,s(N)＝Γ(s)x_k(N)+H_u(s)u_k,s(N)+H_f(s)f_k,s(N)+H_w(s)w_k,s(N)+v_k,s(N) (8)

式(7)和(8)中，y_k,s、u_k,s、f_k,s、w_k,s、v_k,s分别是输出变量y(k)、控制量u(k)、故障向量f(k)、过程噪声w(k)、量测噪声v(k)按照数据结构定义中公式(1)构成的数据集合，y_k,s(N)、u_k,s(N)、f_k,s(N)、w_k,s(N)、v_k,s(N)分别是输出变量y(k)、控制量u(k)、故障向量f(k)、过程噪声w(k)、量测噪声v(k)按照数据结构定义中公式(3)构成的数据集合，x_k(N)为状态变量x(k)按照数据结构定义中公式(2)构成的数据集合，Γ(s)表示与状态变量相关的转移矩阵，H_u(s)表示与控制量相关的转移矩阵，H_f(s)表示与故障向量相关的转移矩阵，H_w(s)表示与过程噪声相关的转移矩阵，其中：

式中，R^sm×n表示sm行n列矩阵集合；

式中，R^sm×sl表示sm行sl列矩阵集合；

式中，

表示sm行sn_f列矩阵集合；

式中，R^sm×sn表示sm行sn列矩阵集合；

S13、当sm＞n时，存在单位化矩阵Γ^⊥(s)∈∈R^(sm-n)×sm满足条件：

式中，(Γ^⊥(s))^T表示单位化矩阵Γ^⊥(s)的转置矩阵，需要说明的是，将由Γ^⊥(s)中行向量张成的空间称为等价空间，称任意等价空间内向量为等价向量；

S14、将公式(8)中输入输出数据归到等式一侧，并在等式两边同时左乘Γ(s)的正交矩阵Γ^⊥(s)，得到：

Γ^⊥(s)(-H_u(s)u_k,s(N)+y_k,s(N))＝Γ^⊥(s)(H_f(s)f_k,s(N)+H_w(s)w_k,s(N)+v_k,s(N)) (14)

S15、定义悬浮系统的稳定核为κ_s，用于表示近似关系辨识系统：

κ_s＝[-Γ^⊥(s)H_u(s) Γ^⊥(s)] (15)

则系统输出与状态之间的关系可以表达：

式中，

为悬浮系统正常数据；

需要说明的是，由于在理想情况下：

同理可得到理想情况下：

因此，称矩阵[-Γ^⊥(s)H_u(s) Γ^⊥(s)]为系统的稳定核表示；

S16、生成的残差生成器通过如下公式表达：

式中，r_k,s为残差，

为κ_s的预测值。

进一步地，步骤S16具体通过以下步骤实现：

(1)定义

为近似值，则：

(2)

与/>

三者之间的关系为：

式中，Λ₂表示输出数据的奇异值，

表示输出数据的右奇异向量；/>

(3)根据公式(19)，得到如下公式(20)，即符合残差产生公式：

需要说明的是，本步骤中需设定理想情况下

则对悬浮系统输入输出数据进行奇异值分解，得到：

式中，U、V为酉矩阵，右上角的T表示转置，Λ是奇异值构成的对角矩阵，U₁、U₂是矩阵U的两个分量，Λ₁、Λ₂是矩阵Λ的两个分量，V₁、V₂是矩阵V的两个分量。

故可以利用其正常数据构成

以及近似关系辨识系统的稳定核κ_s，取其近似值为/>

且近似值/>

符合残差产生条件。

在进一步地的技术方案中，所述步骤S2根据悬浮系统正常工作下的数据训练得到与故障检测相关的统计特征量具体表现为：

S21、设定最新采样到的残差值测试数据为r_t，设定通过步骤S1获取到N个m维残差值样本数据为r，且r通过如下公式表达：

r＝[r₁ r₂ … r_m] (24)

S22、样本数据的均值向量r和标准差矩阵σ分别通过如下公式表示：

式中，

分别表示第1、2、m个分量的样本数据均值；

S23、分别计算样本数据的均值和方差：

式中，

表示样本数据的均值,i＝1,2,...,m，r_i(j)表示r的第j个分量；

/>

式中，σ_i表示样本数据的方差；

S24、数据标准化，对样本数据进行正规化处理，得到样本数据的残差：

式中，I_1,N＝[1 1 … 1]；

S25、通过如下公式计算样本数据的协方差矩阵：

式中，∑_r表示样本数据的协方差矩阵。

作为本发明优选实施例，所述步骤S3根据样本数据构建故障检测统计量进行故障检测，具体表现为：

S31、利用样本数据的协方差矩阵构建故障检测统计量，表达式如下：

式中，r(k)即为k时刻的样本数据r，T²(r(k))表示故障检测统计量，r^T(k)表示r(k)的转置，

表示样本数据的协方差矩阵∑_r的逆；

S32、在预设虚警率为α的情况下，设置检测阈值为T_a ²，且存在如下公式：

式中，

是常数，表示(1-α)上的正态分布；

S33、若

则认定r(k)是正常数据；反之，则认为r(k)是故障数据。

总之，本发明无需事先获知系统数学模型，根据悬浮系统数据直接辨识出残差生成器，即可对悬浮系统是否发生故障进行判断，降低了模型带来的不确定性，具有故障检测准确的优点。

上面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，不能理解为对本发明保护范围的限制。

总之，本发明虽然列举了上述优选实施方式，但是应该说明，虽然本领域的技术人员可以进行各种变化和改型，除非这样的变化和改型偏离了本发明的范围，否则都应该包括在本发明的保护范围内。

Claims (4)

1.一种基于数据驱动的磁浮列车悬浮系统故障检测方法，其特征在于，包括以下步骤：

S1、利用悬浮系统数据辨识得到残差生成器；

S2、根据悬浮系统正常工作下的数据训练得到与故障检测相关的统计特征量；

S3、根据样本数据构建故障检测统计量进行故障检测；

还包括步骤S0定义数据结构，具体表现为：

假定t(k)表示控制系统中的输入变量或输出变量或状态变量或噪声或控制量或故障向量，定义：

式中，k、s分别表示数据矩阵起点时刻和数据矩阵高度，t_k,s表示s行单位列向量，t(k)、t(k+1)和t(k+s-1)均表示单位列向量里面的元素；

式中，N表示数据矩阵宽度，t_k(N)表示N列单位行向量，t'(k)、t'(k+1)和t'(k+N-1)均表示单位行向量里面的元素；

式中，t_k,s(N)表示s行N列向量，t_k,s、t_k+1,s、t_k+N-1,s表示t_k,s(N)里面的元素，t_k(N)、t_k+1(N)、t_k+s-1(N)亦表示t_k,s(N)里面的元素；

所述步骤S1利用悬浮系统数据辨识得到残差生成器具体分为如下步骤：

S11、假定悬浮系统动态模型表示成如下离散线性时不变系统：

式中，x(k+1)表示(k+1)时刻的状态变量，x(k)表示状态变量，y(k)表示输出变量，u(k)表示控制量，f(k)表示故障向量，w(k)表示过程噪声，v(k)表示量测噪声，且x(k+1)、x(k)、y(k)、u(k)、f(k)、w(k)和v(k)均可通过公式(1)至(3)中任一种形式表达，A表示系统矩阵，B表示控制矩阵，C表示输出矩阵，D表示直接传递矩阵，E_f表示故障向量的发生方式，F_f表示故障向量的的发生位置，其中，w(k)与v(k)符合正态分布，并通过如下公式表达：

w(k)～N(0,∑_w) (5)

式中，Σ_w表示系统噪声w(k)的方差；

v(k)～N(0,Σ_v) (6)

式中，Σ_v表示量测噪声v(k)的方差；

S12、依据公式(1)至(3)所示的数据结构，由公式(4)递推得到的悬浮系统输出数据与悬浮系统输入数据和状态数据之间的关系可以分别表示为：

y_k,s＝Γ(s)x(k)+H_u(s)u_k,s+H_f(s)f_k,s+H_w(s)w_k,s+v_k,s (7)

y_k,s(N)＝Γ(s)x_k(N)+H_u(s)u_k,s(N)+H_f(s)f_k,s(N)+H_w(s)w_k,s(N)+v_k,s(N) (8)

式(7)和(8)中，y_k,s、u_k,s、f_k,s、w_k,s、v_k,s分别是输出变量y(k)、控制量u(k)、故障向量f(k)、过程噪声w(k)、量测噪声v(k)按照数据结构定义中公式(1)构成的数据集合，y_k,s(N)、u_k,s(N)、f_k,s(N)、w_k,s(N)、v_k,s(N)分别是输出变量y(k)、控制量u(k)、故障向量f(k)、过程噪声w(k)、量测噪声v(k)按照数据结构定义中公式(3)构成的数据集合，x_k(N)为状态变量x(k)按照数据结构定义中公式(2)构成的数据集合，Γ(s)表示与状态变量相关的转移矩阵，H_u(s)表示与控制量相关的转移矩阵，H_f(s)表示与故障向量相关的转移矩阵，H_w(s)表示与过程噪声相关的转移矩阵，其中：

式中，R^sm×n表示sm行n列矩阵集合；

式中，R^sm×sl表示sm行sl列矩阵集合；

式中，

表示sm行sn_f列矩阵集合；

式中，R^sm×sn表示sm行sn列矩阵集合；

S13、当sm＞n时，存在单位化矩阵Γ^⊥(s)∈R^(sm-n)×sm满足条件：

式中，(Γ^⊥(s))^T表示单位化矩阵Γ^⊥(s)的转置矩阵；

S14、将公式(8)中输入输出数据归到等式一侧，并在等式两边同时左乘Γ(s)的正交矩阵Γ^⊥(s)，得到：

Γ^⊥(s)(-H_u(s)u_k,s(N)+y_k,s(N))＝Γ^⊥(s)(H_f(s)f_k,s(N)+H_w(s)w_k,s(N)+v_k,s(N)) (14)

S15、定义悬浮系统的稳定核为κ_s，用于表示近似关系辨识系统：

κ_s＝[-Γ^⊥(s)H_u(s) Γ^⊥(s)] (15)

则系统输出与状态之间的关系可以表达：

式中，

为悬浮系统正常数据；

S16、生成的残差生成器通过如下公式表达：

式中，r_k,s为残差，

为κ_s的预测值。

2.根据权利要求1所述的基于数据驱动的磁浮列车悬浮系统故障检测方法，其特征在于，步骤S16中残差生成器具体通过以下步骤实现：

(1)定义

为近似值，则：

(2)

与/>

三者之间的关系为：

式中，Λ₂表示输出数据的奇异值，

表示输出数据的右奇异向量；

(3)根据公式(19)，得到如下公式(20)，即符合残差产生公式：

3.根据权利要求2所述的基于数据驱动的磁浮列车悬浮系统故障检测方法，其特征在于，所述步骤S2根据悬浮系统正常工作下的数据训练得到与故障检测相关的统计特征量具体表现为：

S21、设定最新采样到的残差值测试数据为r_t，设定通过步骤S1获取到N个m维残差值样本数据为r，且r通过如下公式表达：

r＝[r₁ r₂ … r_m] (24)

S22、样本数据的均值向量

和标准差矩阵σ分别通过如下公式表示：/>

式中，

分别表示第1、2、m个分量的样本数据均值；

式中，σ₁、σ₂和σ_m分别表示第1、2、m个分量的样本数据标准差；

S23、分别计算样本数据的均值和方差：

式中，

表示样本数据的均值,i＝1,2,...,m，r_i(j)表示r的第j个分量；

式中，σ_i表示样本数据的方差；

S24、数据标准化，对样本数据进行正规化处理，得到样本数据的残差：

式中，I_1,N＝[1 1 … 1]；

S25、通过如下公式计算样本数据的协方差矩阵：

式中，Σ_r表示样本数据的协方差矩阵。

4.根据权利要求3所述的基于数据驱动的磁浮列车悬浮系统故障检测方法，其特征在于，所述步骤S3根据样本数据构建故障检测统计量进行故障检测，具体表现为：

S31、利用样本数据的协方差矩阵构建故障检测统计量，表达式如下：

式中，r(k)即为k时刻的样本数据r，T²(r(k))表示故障检测统计量，r^T(k)表示r(k)的转置，

表示样本数据的协方差矩阵∑_r的逆；

S32、在预设虚警率为α的情况下，设置检测阈值为T_a ²，且存在如下公式：

式中，

是常数，表示(1-α)上的正态分布；

S33、若

则认定r(k)是正常数据；反之，则认为r(k)是故障数据。/>

Images