CN112231849B - 基于nest和sprt融合算法的轴温故障检测方法 - Google Patents

基于nest和sprt融合算法的轴温故障检测方法 Download PDF

Info

Publication number
CN112231849B
CN112231849B CN202011241574.XA CN202011241574A CN112231849B CN 112231849 B CN112231849 B CN 112231849B CN 202011241574 A CN202011241574 A CN 202011241574A CN 112231849 B CN112231849 B CN 112231849B
Authority
CN
China
Prior art keywords
axle temperature
temperature
motor train
motor
axle
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
CN202011241574.XA
Other languages
English (en)
Other versions
CN112231849A (zh
Inventor
吴志强
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.)
Beijing Guoxin Huishi Technology Co ltd
Original Assignee
Beijing Guoxin Huishi Technology Co ltd
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 Beijing Guoxin Huishi Technology Co ltd filed Critical Beijing Guoxin Huishi Technology Co ltd
Priority to CN202011241574.XA priority Critical patent/CN112231849B/zh
Publication of CN112231849A publication Critical patent/CN112231849A/zh
Application granted granted Critical
Publication of CN112231849B publication Critical patent/CN112231849B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及工业设备故障检测领域，公开了基于NEST和SPRT融合算法的轴温故障检测方法，包括获取动车轴温历史数据特征集，对动车轴温历史数据特征集进行特征降维，获得降维后的动车轴温特征参数；获取与降维后的动车轴温特征参数相对应的动车轴温历史正常样本集，建立NSET模型，利用动车轴温历史样本集获得NSET模型的记忆矩阵D；获取动车轴温测试数据，NSET模型根据记忆矩阵D输出动车轴温残差序列；利用SPRT检验法对动车轴温残差序列进行方差检验，获得轴温状态故障检测结果。本发明能够一次建模实现所有轴温的状态检测，能够间接实现轴温的故障预警，对解决动车组设备故障具有一般通用性。

Description

基于NEST和SPRT融合算法的轴温故障检测方法
技术领域
本发明涉及工业设备故障检测领域，具体地涉及基于NEST和SPRT融合算法的轴温故障检测方法。
背景技术
轴温的状态检测对高速动车组实际运行的安全性起着至关重要的作用。当前轴温异常检测技术一般从单一轴温参数设定固定报警阈值方式来检测轴温变化，但这种方式没有考虑轴温相关因素对其本身产生的影响，并且固定的阈值是根据人的主观经验确定，没有确切的理论基础。
比如，国家专利公开文献“CN210363861U”，公开了“一种轴温检测装置以及轴温预/报警系统”，该实用新型轴温检测装置包括：互为冗余的第一轴温检测系统和第二轴温检测系统，两组系统功能、接口完全相同、电气相互独立，通过隔离的串行总线互通、共用温度数据和控制数据，两组系统对各自通道温度数据、通道状态、预/报警状态进行整理并传送至整车网络控制系统。该实用新型通过单一轴温参数设定固定报警阈值方式来检测轴温变化，这种轴温检测方式依赖于人为经验，轴温检测准确率比较低。
发明内容
本发明提供基于NEST和SPRT融合算法的轴温故障检测方法，从而解决现有技术的上述问题。
基于NEST和SPRT融合算法的轴温故障检测方法，包括以下步骤：
S1)获取动车轴温历史数据特征集，对动车轴温历史数据特征集进行特征降维，获得降维后的动车轴温特征参数；
S2)获取与降维后的动车轴温特征参数相对应的动车轴温历史正常样本集，建立NSET模型，利用动车轴温历史样本集获得NSET模型的记忆矩阵D；
S3)获取动车轴温测试数据，将所述动车轴温测试数据输入所述NSET模型，所述NSET模型根据所述记忆矩阵D输出动车轴温残差序列；
S4)利用SPRT检验法对所述动车轴温残差序列进行方差检验，获得轴温状态故障检测结果。
进一步的，在步骤S1)中，利用灰色关联分析算法对所述动车轴温历史数据特征集进行特征降维。
进一步的，动车轴温历史数据特征集包括外界环境温度、速度、里程、制动缸压力、轴电机侧轴温和轴车轮侧温度。
进一步的，降维后的动车轴温特征参数包括外界环境温度、轴电机侧轴温和轴车轮侧温度。
进一步的，在步骤S2)中，获取与降维后的动车轴温特征参数相对应的动车轴温历史正常样本集，建立NSET模型，利用所述动车轴温历史样本集获得所述NSET模型的记忆矩阵D，包括以下步骤：
S21)将降维后的动车轴温特征参数作为NSET模型的观测向量xo，所述NSET模型的观测向量xo＝[x1,x2,…,xn]T，xn表示观测向量的第n个动车轴温特征参数,n为降维后的动车轴温特征参数的种类数；
S22)获取与所述降维后的动车轴温特征参数相对应的动车正常轴温历史数据特征集，设置采集间隔时长，根据采集间隔时长将动车正常轴温历史数据特征集分割成m组观测向量，获得NSET模型的记忆矩阵
Figure BDA0002768545840000021
Figure BDA0002768545840000022
xn(m)表示第m组观测向量中的第n个动车轴温特征参数；
S23)对NSET模型的记忆矩阵D1进行归一化处理，获得归一化处理后的记忆矩阵D。
进一步的，在步骤S3)中，获取动车轴温测试数据，将动车轴温测试数据输入NSET模型，NSET模型根据记忆矩阵D输出动车轴温残差序列，包括以下步骤：
S31)将动车轴温测试数据记为xnew，根据记忆矩阵D计算预测向量xe＝D(DTD)-1(DTxnew)；
S32)获得动车轴温残差序列Δx，动车轴温残差序列Δx＝xnew-xe。
进一步的，步骤S4)中，利用SPRT检验法对动车轴温残差序列进行方差检验，获得轴温状态故障检测结果，包括以下步骤：
S41)假设正常状态下的第j个降维后的动车轴温特征参数的动车轴温残差序列满足假设Hj0：μj0＝0，
Figure BDA0002768545840000031
故障状态下的第j个降维后的动车轴温特征参数的动车轴温残差序列满足备择假设Hj1：μj1＝0，
Figure BDA0002768545840000032
μj0、
Figure BDA0002768545840000033
分别为正常状态下与第j个降维后的动车轴温特征参数相对应的动车轴温残差序列的均值和方差，μj1、
Figure BDA0002768545840000034
分别为故障状态下与第j个降维后的动车轴温特征参数相对应的动车轴温残差序列测试数据的均值和方差，j＝1、2、…、n，n为动车轴温特征参数的种类数；
S42)计算概率比函数rk，概率比函数rk满足
Figure BDA0002768545840000035
k为与第j个降维后的动车轴温特征参数相对应的动车轴温残差序列测试数据个数，xi为第i个与第j个降维后的动车轴温特征参数相对应的动车轴温残差序列测试数据；
S43)获取概率比函数rk的上界B和下界A，所述上界
Figure BDA0002768545840000036
所述下界
Figure BDA0002768545840000037
Figure BDA0002768545840000041
T为误报率，U为漏报率；
S44)若概率比函数rk大于上界B，则判定第j个降维后的动车轴温特征参数发生故障；若概率比函数rk小于下界A，则判定第j个降维后的动车轴温特征参数未发生故障；若A≤rk≤B，则继续采样动车轴温测试数据重复比较；
S45)对所有降维后的动车轴温特征参数依次按照步骤S41)至步骤S44)进行故障判断，获得所有动车轴温特征参数的轴温状态故障检测结果。
本发明的有益效果是：本发明利用灰色关联分析法来选取影响轴温的主要影响因素，去除延迟性影响等其他因素指标；根据轴温相关的观测向量与历史建模样本建立记忆矩阵，并利用NSET模型对当前的轴温进行评估，得到实时值与评估值的残差序列；最后使用SPRT对残差序列进行方差检验，确定轴温状态的异常工作边界。本发明能够一次建模实现所有轴温的状态检测，故障检测准确率高，不仅能够间接实现轴温的故障预警，还对解决动车组设备故障具有一般通用性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本实施例一提供的基于NEST和SPRT融合算法的轴温故障检测方法流程示意图。
图2为本实施例一提供的轴温各相关因素相关性分析占比图。
图3为本实施例一提供的全部温度指标建模数据实际值的折线图。
图4为本实施例一提供的1轴电机侧轴温实际值与评估值对比分析图。
图5为本实施例一提供的全部温度指标建模数据评估值。
图6为本实施例一提供的1轴电机侧温度残差分布图。
图7为本实施例一提供的全部温度指标温度残差分布图。
图8为本实施例一提供的1轴电机侧SPRT检验结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
实施例一，基于NEST和SPRT融合算法的轴温故障检测方法，如图1所示，包括以下步骤：
S1)获取动车轴温历史数据特征集，利用灰色关联分析算法对动车轴温历史数据特征集进行特征降维，获得降维后的动车轴温特征参数。
由于在标准动车组实际运行中工作环境非常复杂，对动车组轴温影响的相关因素也各不相同，由于动车组回传数据的数据维度较大，有些指标对于轴温没有影响，有些指标影响很小，因此，需要对回传的数据集做维度约减，进行进一步数据降维与属性约减。
一般的降维方法主要由主成分分析方法，它主要是通过对原始特征的变化进行组合降维，通过降维后的新指标从大到小做贡献率排序，选取贡献率高的最优的几个指标做为后续建模的数据参数。但是，主成分分析有一个缺陷是降维后的参数是对原始指标的线性组合，最终得到的参数不是原始指标集，这对于后续NSET建模以及残差异常监测结果不能很好的作出解释。因此，本发明选取灰色关联分析算法用于数据降维，该算法能够选取寻找目标参数与其他相关因素的相关性，并对相关性做降序排序，最终选取相关性最高的指标集作为NSET模型的输入参数。
S2)获取与降维后的动车轴温特征参数相对应的动车轴温历史正常样本集，建立NSET模型，利用动车轴温历史样本集获得NSET模型的记忆矩阵D，包括以下步骤：
S21)将降维后的动车轴温特征参数作为NSET模型的观测向量xo，NSET模型的观测向量xo＝[x1,x2,…,xn]T，xn表示观测向量的第n个动车轴温特征参数,n为降维后的动车轴温特征参数的种类数；
S22)获取与降维后的动车轴温特征参数相对应的动车正常轴温历史数据特征集，设置采集间隔时长，根据采集间隔时长将动车正常轴温历史数据特征集分割成m组观测向量，获得NSET模型的记忆矩阵
Figure BDA0002768545840000061
Figure BDA0002768545840000062
xn(m)表示第m组观测向量中的第n个动车轴温特征参数；
S23)对NSET模型的记忆矩阵D1进行归一化处理，获得归一化处理后的记忆矩阵D。
S3)获取动车轴温测试数据，将所述动车轴温测试数据输入所述NSET模型，NSET模型根据记忆矩阵D输出动车轴温残差序列，包括以下步骤：
S31)将动车轴温测试数据记为xnew，根据记忆矩阵D计算预测向量xe＝D(DTD)-1(DTxnew)；
S32)获得动车轴温残差序列Δx，动车轴温残差序列Δx＝xnew-xe。
S4)利用SPRT检验法对动车轴温残差序列进行方差检验，获得轴温状态故障检测结果。
NSET是一种非线性状态估计技术，以设备运行正常数据为基础，对正常运行各个参数实测值作出评估，构造其状态记忆特征矩阵(即特征矩阵D)。当实测值为正常时，由此得到评估值与实测值的偏差较小，若实测值为异常时，由此求得的评估值与实测值残差较大，即实测值偏离正常运行空间，因此，推测出当前实测值发生异常。
步骤S4)中，利用SPRT检验法对动车轴温残差序列进行方差检验，获得轴温状态故障检测结果，在正态分布假设下，假设被检验的动车轴温特征参数的均值不变，可对动车轴温特征参数的方差进行检验，设动车轴温特征参数的均值为零，包括以下步骤：
S41)假设正常状态下的第j个降维后的动车轴温特征参数的动车轴温残差序列满足假设Hj0：μj0＝0，
Figure BDA0002768545840000071
故障状态下的第j个降维后的动车轴温特征参数的动车轴温残差序列满足备择假设Hj1：μj1＝0，
Figure BDA0002768545840000072
μj0、
Figure BDA0002768545840000073
分别为正常状态下与第j个降维后的动车轴温特征参数相对应的动车轴温残差序列的均值和方差，μj1、
Figure BDA0002768545840000074
分别为故障状态下与第j个降维后的动车轴温特征参数相对应的动车轴温残差序列测试数据的均值和方差，j＝1、2、…、n，n为动车轴温特征参数的种类数；
S42)计算概率比函数rk，概率比函数rk满足
Figure BDA0002768545840000075
k为与第j个降维后的动车轴温特征参数相对应的动车轴温残差序列测试数据个数，xi为第i个与第j个降维后的动车轴温特征参数相对应的动车轴温残差序列测试数据；
S43)获取概率比函数rk的上界B和下界A，所述上界
Figure BDA0002768545840000076
所述下界
Figure BDA0002768545840000077
Figure BDA0002768545840000078
T为误报率，U为漏报率；
S44)若概率比函数rk大于上界B，则判定第j个降维后的动车轴温特征参数发生故障；若概率比函数rk小于下界A，则判定第j个降维后的动车轴温特征参数未发生故障；若A≤rk≤B，则继续采样动车轴温测试数据重复比较；
S45)对所有降维后的动车轴温特征参数依次按照步骤S41)至步骤S44)进行故障判断，获得所有动车轴温特征参数的轴温状态故障检测结果。
在本实施例中，选取影响外界环境温度、速度、里程、制动缸压力、轴电机侧轴温和轴车轮侧温度等作为影响1轴小齿轮箱电机侧轴承温度的影响因素。研究数据集选取某标准动车组3号车厢从2020年8月20日0点至2020年8月28日0点时间段的数据集做研究分析。通过灰色关联分析方法得到各个关联性的参数(见图2)。
通过图2数据分析中可以看出速度、里程对轴温影响较小，并且从理论分析，温度变化也与速度等有一定的延迟性，由此需去除这两个因素；制动缸压力虽然相关性强，但是从业务角度来看，制动缸压力与轴温没有直接关系，同样去除制动缸压力；对于环境温度，从理论角度确实轴温受其影响，并且其相关性也非常强；其他相关轴温也与1轴小齿轮箱电机侧轴承轴温关联紧密。
因此，本实施例一选取环境温度、1轴小齿轮箱电机侧轴承轴温、2轴小齿轮箱电机侧轴承轴温、3轴小齿轮箱电机侧轴承轴温、4轴小齿轮箱电机侧轴承轴温、1轴小齿轮箱车轮侧轴承轴温、2轴小齿轮箱车轮侧轴承轴温、3轴小齿轮箱车轮侧轴承轴温、4轴小齿轮箱车轮侧轴承轴温作为NSET模型的轴温评估的输入参数。
由于轴温的变化的复杂非线性特点，从单一的指标角度来检测轴温异常并不准确全面，因为单一的指标忽略了温度指标之间的关联性。因此，本实施例一采用NSET模型，把多个温度指标作为一个整体来考虑，求得正常运行状态的特征空间，即记忆矩阵D。通过记忆矩阵D构造一个对实测值的评估，使得正常实测值的评估值离实测值比较接近，异常实测值的评估值偏离正常特征空间。最终，通过某动车组3号车厢以上9个温度指标建模，并进行数据实验分析，结果如下图3至图5所示,在图3中，a为环境温度；在图4中，b、c分别为1轴电机侧轴温实际值与评估值。
从图2全部温度的实际值图中可以看出，1轴电机侧轴温在8月27日中午12左右有异常出现；但从图3的1轴电机侧轴温实际值和评估值对比分析图可明显看出，评估值并不受实际值的异常影响；并且从图4全部温度评估值可看出，其他各个温度参数的评估值可以把温度的正常实际情况作出非常准确的评估，这说明NSET模型对于轴温的状态评估具有可行性，并且随着轴温的变化能够动态的变换，具有动态准确性。
通过实际值和评估值求得残差序列，对残差序列作进一步分析。通过图6的1轴电机侧轴承温度残差分布图可以得出残差绝大部分都在0附近，对于异常情况通过残差变化能够识别出来；通过图7全部温度指标残差分布图可以看出，其他的实际状态正常的轴温点残差分布都在0附近，只有1轴电机侧轴温出现异常，这说明轴温评估值能够对实际值作出正确的评估。由于残差有统计学特性近似符合正态分布，因此本发明进一步作统计学分析：残差SPRT检验。
假设轴温正常运行残差序列满足假设H0，轴温异常满足备择假设H1。SPRT决策表达式上下界应该根据实际建模数据情况来调整确定。通过分析1轴电机侧轴温残差，采用滑动窗每10个时间点作为一个滑动时间窗，计算结果如下图8所示。从图8可知，在1轴电机侧轴温出现异常的时间点处，满足H1，因此该检验能够准确判定出异常点；大部分在下限(下界)以下，说明轴温正常，有极少部分位于上下限之间，需要进一步重点关注检测。本实施例中，以某标准动车组3号车厢环境温度、里程等12个指标为研究对象，通过指标相关性分析，非线性状态估计以及SPRT残差异常检验，最终实现对1轴小齿轮箱电机侧轴温的异常检测。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明提出了一种非线性的多元状态检测技术，用于多轴温综合检测；通过提出SPRT统计残差检验，用于轴温异常检测，能够一次建模实现所有轴温的状态检测；本发明能够间接实现轴温的故障预警，对解决动车组设备故障具有一般通用性。
以上仅是本发明的优选实施方式，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，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (6)

1.基于NEST和SPRT融合算法的轴温故障检测方法，其特征在于，包括以下步骤：
S1)获取动车轴温历史数据特征集，对所述动车轴温历史数据特征集进行特征降维，获得降维后的动车轴温特征参数；
S2)获取与所述降维后的动车轴温特征参数相对应的动车轴温历史正常样本集，建立NSET模型，利用所述动车轴温历史正常样本集获得所述NSET模型的记忆矩阵D；
S3)获取动车轴温测试数据，将所述动车轴温测试数据输入所述NSET模型，所述NSET模型根据所述记忆矩阵D输出动车轴温残差序列；
S4)利用SPRT检验法对所述动车轴温残差序列进行方差检验，获得轴温状态故障检测结果；
步骤S4)中，利用SPRT检验法对所述动车轴温残差序列进行方差检验，获得轴温状态故障检测结果，包括以下步骤：
S41)假设正常状态下的第j个降维后的动车轴温特征参数的动车轴温残差序列满足假设Hj0：μj0＝0，
Figure FDA0004047389260000011
故障状态下的第j个降维后的动车轴温特征参数的动车轴温残差序列满足备择假设Hj1：μj1＝0，
Figure FDA0004047389260000012
μj0、
Figure FDA0004047389260000013
分别为正常状态下与第j个降维后的动车轴温特征参数相对应的动车轴温残差序列的均值和方差，μj1、
Figure FDA0004047389260000014
分别为故障状态下与第j个降维后的动车轴温特征参数相对应的动车轴温残差序列测试数据的均值和方差，j＝1、2、…、n，n为动车轴温特征参数的种类数；
S42)计算概率比函数rk，所述概率比函数rk满足
Figure FDA0004047389260000015
k为与第j个降维后的动车轴温特征参数相对应的动车轴温残差序列测试数据个数，xi为第i个与第j个降维后的动车轴温特征参数相对应的动车轴温残差序列测试数据；
S43)获取所述概率比函数rk的上界B和下界A，所述上界
Figure FDA0004047389260000021
所述下界
Figure FDA0004047389260000022
T为误报率，U为漏报率；
S44)若概率比函数rk大于上界B，则判定第j个降维后的动车轴温特征参数发生故障；若概率比函数rk小于下界A，则判定第j个降维后的动车轴温特征参数未发生故障；若A≤rk≤B，则继续采样动车轴温测试数据重复比较；
S45)对所有降维后的动车轴温特征参数依次按照步骤S41)至步骤S44)进行故障判断，获得所有动车轴温特征参数的轴温状态故障检测结果。
2.根据权利要求1所述的基于NEST和SPRT融合算法的轴温故障检测方法，其特征在于，在步骤S1)中，利用灰色关联分析算法对所述动车轴温历史数据特征集进行特征降维。
3.根据权利要求1或2所述的基于NEST和SPRT融合算法的轴温故障检测方法，其特征在于，所述动车轴温历史数据特征集包括外界环境温度、速度、里程、制动缸压力、轴电机侧轴温和轴车轮侧温度。
4.根据权利要求3所述的基于NEST和SPRT融合算法的轴温故障检测方法，其特征在于，所述降维后的动车轴温特征参数包括外界环境温度、轴电机侧轴温和轴车轮侧温度。
5.根据权利要求1或4所述的基于NEST和SPRT融合算法的轴温故障检测方法，其特征在于，在步骤S2)中，获取与所述降维后的动车轴温特征参数相对应的动车轴温历史正常样本集，建立NSET模型，利用所述动车轴温历史样本集获得所述NSET模型的记忆矩阵D，包括以下步骤：
S21)将降维后的动车轴温特征参数作为所述NSET模型的观测向量xo，所述NSET模型的观测向量xo＝[x1，x2，...，xn]T，xn表示观测向量的第n个动车轴温特征参数,n为降维后的动车轴温特征参数的种类数；
S22)获取与所述降维后的动车轴温特征参数相对应的动车正常轴温历史数据特征集，设置采集间隔时长，根据所述采集间隔时长将动车正常轴温历史数据特征集分割成m组观测向量，获得所述NSET模型的记忆矩阵
Figure FDA0004047389260000031
xn(m)表示第m组观测向量中的第n个动车轴温特征参数；
S23)对所述NSET模型的记忆矩阵D1进行归一化处理，获得归一化处理后的记忆矩阵D。
6.根据权利要求5所述的基于NEST和SPRT融合算法的轴温故障检测方法，其特征在于，在步骤S3)中，获取动车轴温测试数据，将所述动车轴温测试数据输入所述NSET模型，所述NSET模型根据所述记忆矩阵D输出动车轴温残差序列，包括以下步骤：
S31)将所述动车轴温测试数据记为xnew，根据所述记忆矩阵D计算预测向量xe＝D(DTD)-1(DTxnew)；
S32)获得动车轴温残差序列Δx，所述动车轴温残差序列Δx＝xnew-xe。
CN202011241574.XA 2020-11-09 2020-11-09 基于nest和sprt融合算法的轴温故障检测方法 Active CN112231849B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011241574.XA CN112231849B (zh) 2020-11-09 2020-11-09 基于nest和sprt融合算法的轴温故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011241574.XA CN112231849B (zh) 2020-11-09 2020-11-09 基于nest和sprt融合算法的轴温故障检测方法

Publications (2)

Publication Number Publication Date
CN112231849A CN112231849A (zh) 2021-01-15
CN112231849B true CN112231849B (zh) 2023-03-10

Family

ID=74122309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011241574.XA Active CN112231849B (zh) 2020-11-09 2020-11-09 基于nest和sprt融合算法的轴温故障检测方法

Country Status (1)

Country Link
CN (1) CN112231849B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115374653B (zh) * 2022-10-21 2022-12-20 宇动源(北京)信息技术有限公司 基于nset模型的风力发电机温度预警方法及相关装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102773A (zh) * 2014-07-05 2014-10-15 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
WO2016101690A1 (zh) * 2014-12-22 2016-06-30 国家电网公司 基于时间序列分析的输变电设备的状态监测数据清洗方法
CN106080655A (zh) * 2016-08-24 2016-11-09 中车株洲电力机车研究所有限公司 一种列车轴温异常的检测方法、装置以及列车
CN109739214A (zh) * 2019-01-14 2019-05-10 中国石油大学(华东) 工业过程间歇故障的检测方法
CN111581597A (zh) * 2020-03-17 2020-08-25 华电电力科学研究院有限公司 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11307569B2 (en) * 2019-02-21 2022-04-19 Oracle International Corporation Adaptive sequential probability ratio test to facilitate a robust remaining useful life estimation for critical assets

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102773A (zh) * 2014-07-05 2014-10-15 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
WO2016101690A1 (zh) * 2014-12-22 2016-06-30 国家电网公司 基于时间序列分析的输变电设备的状态监测数据清洗方法
CN106080655A (zh) * 2016-08-24 2016-11-09 中车株洲电力机车研究所有限公司 一种列车轴温异常的检测方法、装置以及列车
CN109739214A (zh) * 2019-01-14 2019-05-10 中国石油大学(华东) 工业过程间歇故障的检测方法
CN111581597A (zh) * 2020-03-17 2020-08-25 华电电力科学研究院有限公司 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法

Also Published As

Publication number Publication date
CN112231849A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
CN110909822B (zh) 一种基于改进的高斯过程回归模型的卫星异常检测方法
EP1416348B1 (en) Methodology for temporal fault event isolation and identification
US6748341B2 (en) Method and device for machinery diagnostics and prognostics
US7496798B2 (en) Data-centric monitoring method
JP4528335B2 (ja) センサの性能確認装置および方法
CN109186813A (zh) 一种温度传感器自检装置及方法
CN109710983B (zh) 一种基于关键性能指标的柴油机气缸分层故障诊断方法
CN112284440B (zh) 一种传感器数据偏差自适应修正方法
JP2004531815A (ja) 予測的状態監視のための診断システムおよび方法
CN110795309A (zh) 一种用于微小卫星的层次化软件健康管理方法和系统
CN111324105B (zh) 一种基于统计量马氏距离的微小传感器故障检测和分离方法
CN108427400B (zh) 一种基于神经网络解析冗余的飞机空速管故障诊断方法
CN108490923A (zh) 用于电气牵引系统的微小故障检测与定位的系统设计方法
CN111665066B (zh) 基于卷积神经网络的设备故障自适应上下预警界生成方法
CN111780800A (zh) 一种传感器故障的监测、隔离以及重构方法和系统
CN111860839A (zh) 基于多信号融合及Adam优化算法的岸桥故障监测方法
CN111368428A (zh) 一种基于监控二阶统计量的传感器精度下降故障检测方法
CN112231849B (zh) 基于nest和sprt融合算法的轴温故障检测方法
CN111046331A (zh) 一种基于信号异常的健康监控方法
CN111898673A (zh) 一种基于emd与lstm的溶解氧含量预测方法
CN105910806A (zh) 加注泵早期健康状态监测方法
CN113112123B (zh) 一种基于关联矩阵的飞机航电系统故障诊断评估方法
CN109990803B (zh) 检测系统异常的方法、装置及传感器处理的方法、装置
US7136779B2 (en) Method for simplified real-time diagnoses using adaptive modeling
CN112528227A (zh) 一种基于数理统计的传感器异常数据识别方法

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