CN112345276B - 一种中速磁浮列车关键部件的状态评估和预测系统 - Google Patents
一种中速磁浮列车关键部件的状态评估和预测系统 Download PDFInfo
- Publication number
- CN112345276B CN112345276B CN202011246521.7A CN202011246521A CN112345276B CN 112345276 B CN112345276 B CN 112345276B CN 202011246521 A CN202011246521 A CN 202011246521A CN 112345276 B CN112345276 B CN 112345276B
- Authority
- CN
- China
- Prior art keywords
- train
- magnetic
- equipment
- module
- fault
- 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
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/005—Testing of electric installations on transport means
- G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Control Of Vehicles With Linear Motors And Vehicles That Are Magnetically Levitated (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了一种中速磁浮列车关键部件的状态评估和预测系统。包括:磁浮列车设备结构解耦模块,用于根据列车组件邻接关系、包含关系和平行关系构建了磁浮列车的层次结构;磁浮列车设备耦合关系模块,用于按照子系统建模方法,将列车整车和设备分为不同层次的子系统和元器件,构建磁浮列车分层结构之间的链接方式;磁浮列车关键部件诊断模块,用于通过各种故障诊断模式利用统计分析模型、机器学习模型和深度学习模型对列车关键设备进行状态识别和故障诊断对磁浮列车的状态做出综合评估。本发明通过对磁浮列车关键设备和元器件进行状态评估和故障诊断,以预测关键设备和元器件的使用状态并对异常预警,可以为磁浮列车系统健康管理提供数据支撑。
Description
技术领域
本发明涉及交通运输技术领域,尤其涉及一种中速磁浮列车关键部件的状态评估和预测系统。
背景技术
磁浮列车作为新一代轨道交通运输系统,具有速度快、安全性高、爬坡能力强和转弯半径小等一些突出的优点。保障磁浮列车高效运行的关键环节之一就是磁浮列车关键状态评估和预测。
电磁悬浮型磁浮列车(Electromagnetic suspension,EMS)是一个有众多机械和电磁元件组成的庞大系统,通过电磁铁产生吸力吸引轨道,使得列车悬浮运行。由于涉及到的元件和部件数量众多,产生故障的源点较多。其关键部件故障造成严重的后果,涉及到不同类型的部件和设备,目前,对磁浮列车设备和元器件进行故障诊断的方法主要是基于信号处理和数学模型的方法。信号处理的方法如利用希尔伯特黄变换(HHT)的方法,对中速磁浮列车悬浮系统的间隙传感器进行乘性故障、加性故障和缓变故障的诊断,直接对传感器信号分析来进行故障诊断;不过HHT方法对小幅值故障信号灵敏度不高、不适合传感器零输出故障,且诊断误差较大。
目前,现有技术对EMS磁浮列车传感器进行故障诊断的方法主要集中在传感器完全失效的诊断方法,对传感器其他类型其他程度的故障研究较少,没有对传感器故障分类细化。而且由于实验中,加速度传感器故障率较于其他两种更高,因此现有故障诊断的方法多集中于加速度传感器的故障。另外,现有故障诊断的方法主要针对的是故障传感器本身的异常特征,而忽略了单个传感器故障后,对悬浮系统整体的影响,未能考虑其他传感器故障是否会引起正常传感器表现出异常特征。
发明内容
本发明的实施例提供了一种中速磁浮列车关键部件的状态评估和预测系统,以克服现有技术的问题。
为了实现上述目的,本发明采取了如下技术方案。
一种中速磁浮列车关键部件的状态评估和预测系统,包括:磁浮列车设备结构解耦模块、磁浮列车设备耦合关系模块、磁浮列车设备状态转变点识别模块和列车关键部件诊断模块;
所述的磁浮列车设备结构解耦模块,用于根据列车组件邻接关系、包含关系和平行关系构建了磁浮列车的层次结构,该层次结构包括了磁浮组成的基本元件及其属性参数、部件及其属性参数、设备及其属性参数;
所述的磁浮列车设备耦合关系模块,用于按照子系统建模方法,将列车整车和设备分为不同层次的子系统和元器件,构建磁浮列车分层结构之间的链接方式;
磁浮列车设备状态转变点识别模块,用于对导入信号做预处理,通过各种故障诊断模式实现导入信号的异常诊断;
磁浮列车关键部件诊断模块,用于通过各种故障诊断模式利用统计分析模型、机器学习模型和深度学习模型对磁浮列车状态进行评估诊断,通过关键设备的状态识别和故障诊断对磁浮列车的状态做出综合评估,对异常状态进行查询和处理。
优选地,所述的系统还包括:磁浮列车部件性能参数定义模块、磁浮列车设备耦合逻辑关系表达和存储模块、磁浮列车设备状态和模式表达模块;
所述的磁浮列车部件性能参数定义模块,用于定义磁浮列车结构组件的性能参数,该性能参数包括机械性能、电气性能和电子性能,并用图形、表格、文字对性能参数进行展示和说明;
所述的磁浮列车设备耦合逻辑关系表达和存储模块,用于通过磁浮列车设备本体模型描述磁浮列车结构耦合关系,并将磁浮列车结构耦合关系进行存储;确定组件结构逻辑关系、组件逻辑连接图形化展示、组件结构及逻辑关系存储;
磁浮列车设备状态和模式表达模块,用于描述了列车各组件的当前状态。
优选地,所述的系统还包括:
磁浮列车设备状态模式库管理模块,用于实现磁浮列车设备的状态存储和展示,并提供故障模式和正常模式下的磁浮列车设备状态的增加、删除、修改和查询等功能。
优选地,所述的磁浮列车设备结构解耦模块包括磁浮构成基本组件模块、基本组件连接方式模块和基本组件连接关系模块;所述磁浮构成基本组件由图形和组件属性参数构成,包含元件组件、设备组件和扩展组件三个类别,所述基本组件连接方式包含刚性连接和柔性连接二种方式;所述基本组件连接关系包含邻接、包含和平行;各种基本组件依靠刚性连接和柔性连接构成列车子系统模块。
优选地,所述的基本组件包括传感器、熔断器、电磁铁、充电电阻、悬浮控制器、牵引装置、供电系统、斩波器、电容、LC控制电源电路、接触器、空气弹簧车载蓄电池等设备以及扩展组件组成;其中牵引装置由共模滤波电路、LLC谐振电路组成,供电系统由DC330V电源等组成;所有基本组件以组件面板的形式构成组件库。
优选地,所述的磁浮列车设备耦合关系模块,具体用于构建的分层结构之间的连接方式包括力元链接和铰链接方式,力元链接表示同层次结构和上下关联层次之间的刚性连接,铰链接表示同层次结构和上下关联层次间的柔性连接;柔性连接定义为铰连接,刚性连接定义为力元连接;
管理元件之间、元件与设备之间、设备与设备之间关系知识库,描述元件之间、元件与设备之间、设备与设备之间的刚性连接和柔性连接,形成磁浮列车设备耦合关系的知识图谱。
优选地,所述的磁浮列车设备耦合关系模块,具体用于根据磁浮列车设备本体模型构建知识图谱,磁浮列车设备本体模型由元件实体、关系和属性组成,根据其关系和属性的变化推理故障传播途径、梳理故障传播因果,搜索和确定磁浮列车不同结构间的隐含关联关系。
优选地,所述的磁浮列车部件性能参数定义模块,还用于描述各个元件的唯一标识码、每个元件正常工作的主要性能参数的上下限、默认值和设定精度下的平均值,元件错误状态定义、数值范围错误警示;
定义磁浮列车设备本体模型,通过磁浮列车设备本体模型描述列车-设备-元件分层次概念,描述机械、电气、电子和信息元件相关类,以及相关类属性,不同层次的相关类和实例特征参数由部件参数特征数据构成。
优选地,所述的磁浮列车设备耦合逻辑关系表达和存储模块,还用于获取磁浮列车设备本体模型中的机械、电气、电子和信息元件等相关类信息,采用三元组为基础的知识表示方法构建列车结构的知识图谱库,该知识图谱库中包括:磁浮列车物理结构、磁浮列车故障关联结构、组件结构连接关系和组件工能结构关系;所述三元组包括:“实体-关系-实体”、“实体-属性-属性值”;
定义故障模式库和故障案例库,故障模式库由知识图谱中的知识库存储的关键部件故障形式、故障模式、故障级别和故障后果组成;故障案例库以设备或元件故障形式为基础,按照故障状态的不同参数进行故障表示。
优选地,所述的磁浮列车关键部件诊断模块,具体用于根据系统提供的诊断机制设计故障诊断支持库,利用故障诊断支持库设置三种故障诊断模式:引导式故障诊断库、案例式故障诊断模式和反思式故障诊断模式,每种故障诊断模型对应相应的诊断策略,应用所述引导式故障诊断库、案例式故障诊断模式和反思式故障诊断模式三种诊断模型,结合元件、部件和设备状态的统计分析模型、机器学习模型和深度学习模型进行磁浮列车关键部件的故障诊断,根据故障诊断效果调整各种诊断模型和学习模型的参数。1、一种中速磁浮列车关键部件的状态评估和预测系统,其特征在于,包括:磁浮列车设备结构解耦模块、磁浮列车设备耦合关系模块、磁浮列车设备状态转变点识别模块和列车关键部件诊断模块;
所述的磁浮列车设备结构解耦模块,用于根据列车组件邻接关系、包含关系和平行关系构建了磁浮列车的层次结构,该层次结构包括了磁浮组成的基本元件及其属性参数、部件及其属性参数、设备及其属性参数;
所述的磁浮列车设备耦合关系模块,用于按照子系统建模方法,将列车整车和设备分为不同层次的子系统和元器件,构建磁浮列车分层结构之间的链接方式;
磁浮列车设备状态转变点识别模块,用于对导入信号做预处理,通过各种故障诊断模式实现导入信号的异常诊断;
磁浮列车关键部件诊断模块,用于通过各种故障诊断模式利用统计分析模型、机器学习模型和深度学习模型对磁浮列车状态进行评估诊断,通过关键设备的状态识别和故障诊断对磁浮列车的状态做出综合评估,对异常状态进行查询和处理。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例通过对磁浮列车关键设备和元器件进行状态评估和故障诊断,以预测关键设备和元器件的使用状态,可以为磁浮列车系统健康管理提供数据支撑,为磁浮列车由定期修过渡到状态修提供依据。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
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为本发明实施例提供的一种中速磁浮列车关键部件的状态评估和预测系统的结构示意图;
图2(a)、(b)、(c)为本发明实施例提供的一种中速磁浮列车关键部件状态评估与诊断系统的总体功能架构图;
图3为本发明实施例提供的一种中速磁浮列车关键部件的状态评估和预测系统中故障诊断的应用过程流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例为运营技术人员解决磁浮列车关键部件状态评估和预测,综合目前主流的磁浮状态可视化表示、演进和预测模型,由元件状态、关键设备状态进行磁浮列车系统状态的评估和预测。提供了一种中速磁浮列车关键部件的状态评估和预测系统,该系统的结构示意图如图1所示,包括:磁浮列车设备结构解耦模块、磁浮列车设备耦合关系模块、磁浮列车部件性能参数定义模块、磁浮列车设备耦合逻辑关系表达和存储模块、磁浮列车设备状态和模式表达模块、磁浮列车设备状态转变点识别模块、磁浮列车设备状态模式库管理模块和列车关键部件诊断模块总共八个模块。
磁浮列车设备结构解耦模块,用于根据列车组件邻接关系、包含关系和平行关系构建了磁浮列车的层次结构,通过关键部件目录式查询的方式进行列车组成结构的展示。所述磁浮列车的层次结构包括了磁浮组成的基本元件及其属性参数、部件及其属性参数、设备及其属性参数。磁浮列车的组成结构由列车设计图和故障知识图谱得出,无直接物理连接、存在故障传播或因果的结构由铰链接表示。
磁浮列车设备耦合关系模块,用于构建磁浮列车分层结构组成之间的链接方式。分层结构之间的连接方式包括力元链接和铰链接方式,力元链接表示同层次结构和上下关联层次之间的刚性连接,铰链接表示同层次结构和上下关联层次间的柔性连接。定义模块,管理元件之间、元件与设备之间、设备与设备之间关系知识库,描述元件之间、元件与设备之间、设备与设备之间的刚性连接和柔性连接,形成磁浮列车设备耦合关系的知识图谱。该知识图谱由本体模型推理得出,本体模型由元件实体、关系和属性组成,根据其关系和属性的变化推理故障传播途径、梳理故障传播因果,搜索和确定磁浮列车不同结构间的隐含关联关系。
柔性连接定义为铰连接,刚性连接定义为力元连接。按照子系统建模方法,将列车整车和设备分为不同层次的子系统和元器件,子系统和元器件、子系统之间通过铰或者力元连接。上述知识图谱由本体模型推理得出,本体模型由元件实体、关系和属性组成,根据其关系和属性的变化推理故障传播途径、梳理故障传播因果,搜索和确定磁浮列车不同结构间的隐含关联关系。
磁浮列车部件性能参数定义模块,用于定义磁浮列车结构组件的性能参数,该性能参数包括机械性能、电气性能和电子性能,并用图形、表格、文字对性能参数进行展示和说明。
磁浮列车设备耦合逻辑关系表达和存储模块,用于通过磁浮列车设备本体模型描述磁浮列车结构耦合关系,并将磁浮列车结构耦合关系进行存储。确定组件结构逻辑关系、组件逻辑连接图形化展示、组件结构及逻辑关系存储。
磁浮列车设备状态和模式表达模块,用于描述了列车各组件的当前状态。
磁浮列车设备状态转变点识别模块,用于对导入信号做预处理,通过引导式诊断、案例式诊断和反思式诊断模式实现了导入信号的异常诊断。在导入信号的异常诊断过程中可以根据实际情况调整诊断模型参数,最后将诊断结果存入故障案例库。
磁浮列车设备状态模式库管理模块,用于实现磁浮列车设备的状态存储和展示,并提供故障模式和正常模式下的磁浮列车设备状态的增加、删除、修改和查询等功能。该模型展示的内容包括:设备异常状态查询和处理、设备状态参数文字说明、设备状态异常报警、设备状态参数图形显示和设备状态参数表格展示。
磁浮列车关键部件诊断模块,用于利用统计分析模型、机器学习模型和深度学习模型对磁浮列车状态进行评估诊断。通过关键设备的状态识别和故障诊断对列车状态做出综合评估,并可对异常状态进行查询和处理。
下面分别详细介绍一些子模块的功能。
1:本发明实施例提供的中速磁浮列车关键部件状态评估与诊断系统的总体功能架构图如图2(a)、(b)、(c)所示,包括磁浮列车层次结构构造、磁浮列车结构耦合及组成展示和磁浮列车状态评估和故障诊断;所述磁浮列车层次结构构造由图形和组件属性参数构成,基本组件包含元件组件、设备组件和扩展组件三个类别,基本组件包括传感器、熔断器、电磁铁、充电电阻、悬浮控制器、牵引装置、供电系统、斩波器、电容、LC控制电源电路、接触器、空气弹簧车载蓄电池等设备以及扩展组件组成。其中牵引装置由共模滤波电路、LLC谐振电路等组成,供电系统由DC330V电源等组成。所有基本组件以组件面板的形式构成组件库。所述基本组件连接方式包含刚性连接和柔性连接二种方式;所述基本组件连接关系包含邻接、包含和平行。各种基本组件依靠刚性连接和柔性连接,构成列车子系统模块。
2:磁浮列车设备耦合关系模块采用子系统递层分解建模方法,将磁浮列车设备按结构划分为多个子系统模块,能显著简化建模过程,同时也能大幅减少编译工作。子系统模块为磁浮列车中需要进行状态评估和状态预测的关键设备。用子系统方法建模时,将一个模型分解成若干子系统,每个子系统可以分解成若干个次级子系统,即子系统的多层嵌套,最细节层次的子系统由基本组件构成。列车基本组件的散体和弹性体也是通过子系统的方式导入。
磁浮列车设备耦合关系模块定义模块,管理元件之间、元件与设备之间、设备与设备之间关系知识库,描述元件之间、元件与设备之间、设备与设备之间的刚性连接和柔性连接,形成磁浮列车设备耦合关系的知识图谱。柔性连接定义为铰连接,刚性连接定义为力元连接。按照子系统建模方法,将列车整车和设备分为不同层次的子系统和元器件,子系统和元器件、子系统之间通过铰或者力元连接。上述知识图谱由本体模型推理得出,本体模型由元件实体、关系和属性组成,根据其关系和属性的变化推理故障传播途径、梳理故障传播因果,搜索和确定磁浮列车不同结构间的隐含关联关系。
3:磁浮列车部件性能参数定义模块,用于描述各个元件的唯一标识码、每个元件正常工作的主要性能参数的上下限、默认值和设定精度下的平均值,元件错误状态定义、数值范围错误警示。
定义磁浮列车设备本体模型,用于通过磁浮列车设备本体模型描述列车-设备-元件分层次概念,描述机械、电气、电子和信息元件等相关类,以及相关类属性(关系),不同层次的相关类和实例特征参数由部件参数特征数据构成。
4:磁浮列车设备耦合逻辑关系表达和存储模块,用于获取磁浮列车设备本体模型中的机械、电气、电子和信息元件等相关类信息,采用三元组为基础的知识表示方法构建列车结构的知识图谱库,该知识图谱库中包括:磁浮列车物理结构、磁浮列车故障关联结构、组件结构连接关系和组件工能结构关系。上述三元组包括:“实体-关系-实体”、“实体-属性-属性值”,实体间通过关系相互联结,构成中速磁浮列车设备结构网络和设备之间故障传播径路,该故障传播径路由知识图谱库中的知识库表达。该知识图谱库包括设备结构连接关系等结构化数据,以及学术文献报道描述的半结构或文本结构数据,构建有实体-关系-属性等要素的本体推理模型表示。
定义故障模式库和故障案例库,故障模式库由知识图谱中的知识库存储的关键部件故障形式、故障模式、故障级别和故障后果组成。通过故障模式库框定了磁浮列车系统、设备和关键部件故障的形式。故障模式库的故障模式来源可以动态添加生成和修改。故障的模式是故障诊断和预测的历史描述,把故障的表现状态经过操作人员确认或专业人员评价后存入故障模式库。故障案例库以设备或元件故障形式为基础,按照故障状态的不同参数进行故障表示。故障案例库可将同类设备故障按照设备劣度由轻到重展示其性能退化程度。
5:磁浮列车关键部件诊断评估模块,用于根据系统提供的诊断机制设计一个动态生成的故障诊断支持库,利用故障诊断支持库根据诊断操作向导策略设置三种故障诊断模式:引导式故障诊断库、案例式故障诊断模式和反思式故障诊断模式。引导式故障诊断模式主要针对初级用户或非专业用户,该故障诊断模式主要由信号预处理、信号分解、故障模式预判、信号处理模型选择和调用、信号特征处理、信号特征参数匹配、诊断结果展示等工作环节构成。案例式故障诊断模式针对一般用户,该故障诊断模式主要由信号分解、信号处理模型调用、故障诊断和诊断结果展示等工作环节构成。案例式故障诊断模式针对专业用户,该故障诊断模式主要由信号分解、信号处理模型调用、故障诊断、故障诊断结果展示、模型信号诊断结果对比、信号针对模型参数调整、诊断结果分析等工作环节构成。
每种故障诊断模式有相应的诊断内容和诊断步骤入故障诊断案例库。操作人员登录系统可自愿选择故障诊断模式,可通过预判故障类型和故障对象级别设定故障诊断模型。操作人员在引导式、案例式和反思式三种故障诊断选择一种之后,系统便生成该种模式的诊断策略,每种诊断策略会产生相应的问题表征、诊断结果呈现和诊断支持模型。临时存入现行的诊断支持模式及相关内容,当操作人员改变或完成该模式后,其中的内容可相应调整。
在磁浮列车关键部件故障诊断过程中,应用上述引导式故障诊断库、案例式故障诊断模式和反思式故障诊断模式三种诊断模型,结合元件、部件和设备状态的统计分析模型、机器学习模型和深度学习模型进行磁浮列车关键部件的故障诊断。统计分析模型利用元件、部件和设备的状态统计参数进行故障诊断。机器学习模型利用模式识别的方式进行故障诊断。深度学习模型通过操作人员调整模型的参数,比较与分析各种诊断模型和学习模型的故障诊断效果,根据故障诊断效果调整各种诊断模型和学习模型的参数。
本发明实施例以EMS中速磁浮列车单铁悬浮系统传感器为研究对象,在不同传感器的不同种类和程度故障下,对单铁悬浮控制系统中所有传感器逐一分析;将单铁悬浮系统看作一个黑箱,考虑悬浮控制律在传感器故障情况中对单铁悬浮系统的影响,基于跟踪微分和变模态分解(Variational Mode Decomposition,VMD)方法分析总结各传感器特有的故障特征,最终针对不同特征对传感器进行故障诊断。
本发明实施例提供的一种中速磁浮列车关键部件的状态评估和预测系统的应用过程如图3所示,主要分为:用户登录界面、磁浮列车结构搭建、列车关键部件状态评估和故障诊断、列车状态诊断结果确认、诊断结果展示及存储。其中后四步为关键。用户需要输入其用户名和密码来登录到系统中。每个用户会被指定一组用户名和密码。在登录到系统主界面之后,用户进入磁浮列车结构生成子系统(303)。进入磁浮列车结构生成子系统界面后,用户首先需要根据列车结构设计图和列车结构知识图谱进行磁浮列车结构构搭建和元件设备属性参数的定义(304)。这些元件设备属性一般包括组件的机械性能、电气性能和电子性能。之后,用户进入列车关键部件状态评估和故障诊断界面(305)。列车关键部件状态评估和诊断界面由状态诊断和状态模式库组成。状态模式库是将采用不同诊断模型的案例分类整合后生成的。用户将磁浮列车关键部件监测信号导入,输入相关属性(306),如信号统计特性等,根据属性信息在模式库(310)中选择匹配的诊断模型,并生成一个案例。在状态诊断界面中,可以对输入的元件诊断信号进行预处理(307)。对于经过预处理的信号,可以在元器件状态诊断(308)界面进行状态诊断。如果确定要对待诊断信号进行评估诊断,则用户可以根据实际需求选择诊断方式(309)。诊断方式包括反思式诊断、案例诊断和向导式诊断。用户将状态诊断结果输出(311),提交给操作人员(312)进行结果的审核确认。如果确认了状态诊断结果(315),系统将通过用户选择的展示方式将该诊断结果进行展示(316)。诊断结果确认后根据诊断过程和结果确认生成状态诊断案例(317)。如果诊断结果不满意,则用户会受到诊断结果审核失败信息(314),并被要求重新进行诊断。每当用户提交诊断结果,系统会自动记录用户操作信息(313)(如提交时间、故障类型、用户名等),并将这些信息保存在中央数据库中的历史记录数据表中。审核操作人员的操作同样会被保存到历史记录中。
综上所述,本发明实施例通过对磁浮列车关键设备和元器件进行状态评估和故障诊断,以预测关键设备和元器件的使用状态,可以为磁浮列车系统健康管理提供数据支撑,为磁浮列车由定期修过渡到状态修提供依据。
本发明提供使用关键部件状态评估和诊断系统进行列车运行状态评估和预测,用户可以根据实际定制化待评估的系统或设备,系统或设备的状态参数,可以自适应配置系统或设备的结构,进行列车、关键设备状态识别和性能劣化评估诊断,可以为运营管理人员提示不同的列车故障模式,进而进行关键部件状态预警管理,为运营组织方式的调整提供依据。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种中速磁浮列车关键部件的状态评估和预测系统,其特征在于,包括:磁浮列车设备结构解耦模块、磁浮列车设备耦合关系模块、磁浮列车设备状态转变点识别模块和列车关键部件诊断模块;
所述的磁浮列车设备结构解耦模块,用于根据列车组件邻接关系、包含关系和平行关系构建了磁浮列车的层次结构,该层次结构包括了磁浮组成的基本元件及其属性参数、部件及其属性参数、设备及其属性参数;
所述的磁浮列车设备耦合关系模块,用于按照子系统建模方法,将列车整车和设备分为不同层次的子系统和元器件,构建磁浮列车分层结构之间的链接方式;
磁浮列车设备状态转变点识别模块,用于对导入信号做预处理,通过各种故障诊断模式实现导入信号的异常诊断;
磁浮列车关键部件诊断模块,用于通过各种故障诊断模式利用统计分析模型、机器学习模型和深度学习模型对磁浮列车状态进行评估诊断,通过关键设备的状态识别和故障诊断对磁浮列车的状态做出综合评估,对异常状态进行查询和处理;
所述的磁浮列车设备结构解耦模块包括磁浮构成基本组件模块、基本组件连接方式模块和基本组件连接关系模块;所述磁浮构成基本组件由图形和组件属性参数构成,包含元件组件、设备组件和扩展组件三个类别,所述基本组件连接方式包含刚性连接和柔性连接二种方式;所述基本组件连接关系包含邻接、包含和平行;各种基本组件依靠刚性连接和柔性连接构成列车子系统模块。
2.根据权利要求1所述的系统,其特征在于,所述的系统还包括:磁浮列车部件性能参数定义模块、磁浮列车设备耦合逻辑关系表达和存储模块、磁浮列车设备状态和模式表达模块;
所述的磁浮列车部件性能参数定义模块,用于定义磁浮列车结构组件的性能参数,该性能参数包括机械性能、电气性能和电子性能,并用图形、表格、文字对性能参数进行展示和说明;
所述的磁浮列车设备耦合逻辑关系表达和存储模块,用于通过磁浮列车设备本体模型描述磁浮列车结构耦合关系,并将磁浮列车结构耦合关系进行存储;确定组件结构逻辑关系、组件逻辑连接图形化展示、组件结构及逻辑关系存储;
磁浮列车设备状态和模式表达模块,用于描述列车各组件的当前状态。
3.根据权利要求2所述的系统,其特征在于,所述的系统还包括:
磁浮列车设备状态模式库管理模块,用于实现磁浮列车设备的状态存储和展示,并提供故障模式和正常模式下的磁浮列车设备状态的增加、删除、修改和查询功能。
4.根据权利要求1所述的系统,其特征在于,所述的基本组件包括传感器、熔断器、电磁铁、充电电阻、悬浮控制器、牵引装置、供电系统、斩波器、电容、LC控制电源电路、接触器、空气弹簧车载蓄电池设备以及扩展组件组成;其中牵引装置由共模滤波电路、LLC谐振电路组成,供电系统由DC330V电源组成;所有基本组件以组件面板的形式构成组件库。
5.根据权利要求1所述的系统,其特征在于,所述的磁浮列车设备耦合关系模块,具体用于构建的分层结构之间的连接方式包括力元链接和铰链接方式,力元链接表示同层次结构和上下关联层次之间的刚性连接,铰链接表示同层次结构和上下关联层次间的柔性连接;柔性连接定义为铰连接,刚性连接定义为力元连接;
管理元件之间、元件与设备之间、设备与设备之间关系知识库,描述元件之间、元件与设备之间、设备与设备之间的刚性连接和柔性连接,形成磁浮列车设备耦合关系的知识图谱。
6.根据权利要求1所述的系统,其特征在于,所述的磁浮列车设备耦合关系模块,具体用于根据磁浮列车设备本体模型构建知识图谱,磁浮列车设备本体模型由元件实体、关系和属性组成,根据其关系和属性的变化推理故障传播途径、梳理故障传播因果,搜索和确定磁浮列车不同结构间的隐含关联关系。
7.根据权利要求2所述的系统,其特征在于,所述的磁浮列车部件性能参数定义模块,还用于描述各个元件的唯一标识码、每个元件正常工作的主要性能参数的上下限、默认值和设定精度下的平均值,元件错误状态定义、数值范围错误警示;
定义磁浮列车设备本体模型,通过磁浮列车设备本体模型描述列车-设备-元件分层次概念,描述机械、电气、电子和信息元件相关类,以及相关类属性,不同层次的相关类和实例特征参数由部件参数特征数据构成。
8.根据权利要求7所述的系统,其特征在于,所述的磁浮列车设备耦合逻辑关系表达和存储模块,还用于获取磁浮列车设备本体模型中的机械、电气、电子和信息元件相关类信息,采用三元组为基础的知识表示方法构建列车结构的知识图谱库,该知识图谱库中包括:磁浮列车物理结构、磁浮列车故障关联结构、组件结构连接关系和组件功能结构关系;所述三元组包括:“实体-关系-实体”、“实体-属性-属性值”;
定义故障模式库和故障案例库,故障模式库由知识图谱中的知识库存储的关键部件故障形式、故障模式、故障级别和故障后果组成;故障案例库以设备或元件故障形式为基础,按照故障状态的不同参数进行故障表示。
9.根据权利要求1所述的系统,其特征在于,所述的磁浮列车关键部件诊断模块,具体用于根据系统提供的诊断机制设计故障诊断支持库,利用故障诊断支持库设置三种故障诊断模式:引导式故障诊断库、案例式故障诊断模式和反思式故障诊断模式,每种故障诊断模型对应相应的诊断策略,应用所述引导式故障诊断库、案例式故障诊断模式和反思式故障诊断模式三种诊断模型,结合元件、部件和设备状态的统计分析模型、机器学习模型和深度学习模型进行磁浮列车关键部件的故障诊断,根据故障诊断效果调整各种诊断模型和学习模型的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011246521.7A CN112345276B (zh) | 2020-11-10 | 2020-11-10 | 一种中速磁浮列车关键部件的状态评估和预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011246521.7A CN112345276B (zh) | 2020-11-10 | 2020-11-10 | 一种中速磁浮列车关键部件的状态评估和预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112345276A CN112345276A (zh) | 2021-02-09 |
CN112345276B true CN112345276B (zh) | 2022-03-15 |
Family
ID=74363278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011246521.7A Active CN112345276B (zh) | 2020-11-10 | 2020-11-10 | 一种中速磁浮列车关键部件的状态评估和预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112345276B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359664B (zh) * | 2021-05-31 | 2023-07-07 | 海南文鳐科技有限公司 | 故障诊断与维护系统、方法、设备及存储介质 |
US20230259113A1 (en) * | 2022-02-11 | 2023-08-17 | Novity, Inc. | Subsystem-level model-based diagnosis |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07271807A (ja) * | 1994-03-29 | 1995-10-20 | Fuji Heavy Ind Ltd | 故障診断装置 |
CN101666711A (zh) * | 2009-09-16 | 2010-03-10 | 中国人民解放军海军航空工程学院 | 一种基于模糊语义网络的发动机综合故障诊断方法 |
CN104063551A (zh) * | 2014-07-03 | 2014-09-24 | 北京索为高科系统技术有限公司 | 一种航空电子系统全生命周期统一模型的建模方法 |
CN105159283A (zh) * | 2015-09-02 | 2015-12-16 | 南京南车浦镇城轨车辆有限责任公司 | 城市轨道交通车辆远程故障分析与反馈系统 |
CN105447250A (zh) * | 2015-11-25 | 2016-03-30 | 中国船舶工业系统工程研究院 | 一种机电设备健康表征参数确定方法 |
CN111552848A (zh) * | 2020-04-30 | 2020-08-18 | 中国航空无线电电子研究所 | 一种基于图数据库的航电系统故障分析方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105302112A (zh) * | 2015-10-23 | 2016-02-03 | 中国电子科技集团公司第十研究所 | Icni系统智能故障诊断系统 |
CN109491816B (zh) * | 2018-10-19 | 2022-05-27 | 中国船舶重工集团公司第七一六研究所 | 基于知识的故障诊断方法 |
KR102156058B1 (ko) * | 2018-12-07 | 2020-09-15 | 연세대학교 산학협력단 | 자기부상열차의 주행 안정성 예측 시스템 및 그 예측 방법 |
CN110309550B (zh) * | 2019-06-10 | 2021-06-22 | 北京交通大学 | 一种基于势能场与网络效率的高速列车系统可靠性分析方法 |
CN111695201B (zh) * | 2020-06-11 | 2023-06-02 | 中国人民解放军国防科技大学 | 一种基于数据的磁浮列车运行状态的监测方法 |
-
2020
- 2020-11-10 CN CN202011246521.7A patent/CN112345276B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07271807A (ja) * | 1994-03-29 | 1995-10-20 | Fuji Heavy Ind Ltd | 故障診断装置 |
CN101666711A (zh) * | 2009-09-16 | 2010-03-10 | 中国人民解放军海军航空工程学院 | 一种基于模糊语义网络的发动机综合故障诊断方法 |
CN104063551A (zh) * | 2014-07-03 | 2014-09-24 | 北京索为高科系统技术有限公司 | 一种航空电子系统全生命周期统一模型的建模方法 |
CN105159283A (zh) * | 2015-09-02 | 2015-12-16 | 南京南车浦镇城轨车辆有限责任公司 | 城市轨道交通车辆远程故障分析与反馈系统 |
CN105447250A (zh) * | 2015-11-25 | 2016-03-30 | 中国船舶工业系统工程研究院 | 一种机电设备健康表征参数确定方法 |
CN111552848A (zh) * | 2020-04-30 | 2020-08-18 | 中国航空无线电电子研究所 | 一种基于图数据库的航电系统故障分析方法 |
Non-Patent Citations (2)
Title |
---|
中低速磁浮列车在线诊断技术;李晓春等;《电力机车与城轨车辆》;20170520;第40卷(第3期);第6-8页 * |
基于案例推理的高铁信号系统车载设备故障诊断;王振显;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20150615(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112345276A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Elattar et al. | Prognostics: a literature review | |
CN112345276B (zh) | 一种中速磁浮列车关键部件的状态评估和预测系统 | |
CN103163877B (zh) | 用于系统级故障的根本原因分析和质量监控的方法和系统 | |
US8346429B2 (en) | Vehicle health monitoring system architecture for diagnostics and prognostics disclosure | |
US8903750B1 (en) | Adaptive learning network for fusion of remaining useful life with machinery condition | |
US8346700B2 (en) | Vehicle health monitoring reasoner architecture for diagnostics and prognostics | |
MXPA04006254A (es) | Metodo, sistema y producto de computo para estimar la vida restante de un equipo. | |
KR102215107B1 (ko) | 주행 데이터 기반 차량 상태 예측 시스템 및 방법 | |
Rasmusse | Human error mechanisms in complex work environments | |
KR20190078705A (ko) | 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법 | |
Singh et al. | Trends in the development of system-level fault dependency matrices | |
Przytula et al. | Reasoning framework for diagnosis and prognosis | |
CN105447518A (zh) | 一种基于K-means遥测数据判读系统 | |
Atlas et al. | An evolvable tri-reasoner ivhm system | |
KR102552759B1 (ko) | 차량 상태 히스토리 기반 중고차 상태 모니터링을 통한 정비 스케줄링 서비스 제공 방법, 장치 및 시스템 | |
EP4191489A1 (en) | Maintenance control system and method | |
Das et al. | An open architecture for enabling CBM/PHM capabilities in ground vehicles | |
CN110264585A (zh) | 公交售后诊断系统 | |
US11262739B2 (en) | Artificial intelligence/machine learning driven assessment system for a community of electrical equipment users | |
JP2023536677A (ja) | 車両の改善されたメンテナンスのための車両レベル故障予測 | |
Estevan | Dependability and safety evaluation of railway signalling systems based on field data | |
Abichou et al. | Choquet integral capacities-based data fusion for system health monitoring | |
RU22564U1 (ru) | Система автоматического управления | |
Haider et al. | Intelligent decision support feedback using Multi-Agent System in a defence maintenance environment | |
Turgis et al. | Prognostic Expert System for Railway Fleet Maintenance |
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 |