CN112395684A - 一种高速列车走行部系统智能故障诊断方法 - Google Patents

一种高速列车走行部系统智能故障诊断方法 Download PDF

Info

Publication number
CN112395684A
CN112395684A CN202011187700.8A CN202011187700A CN112395684A CN 112395684 A CN112395684 A CN 112395684A CN 202011187700 A CN202011187700 A CN 202011187700A CN 112395684 A CN112395684 A CN 112395684A
Authority
CN
China
Prior art keywords
confidence
reliability
static
rule base
initial
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.)
Pending
Application number
CN202011187700.8A
Other languages
English (en)
Inventor
程超
王久赫
王艳
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.)
Changchun University of Technology
Original Assignee
Changchun University of 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 Changchun University of Technology filed Critical Changchun University of Technology
Priority to CN202011187700.8A priority Critical patent/CN112395684A/zh
Publication of CN112395684A publication Critical patent/CN112395684A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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]

Landscapes

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

Abstract

本发明公开了一种高速列车走行部系统智能故障诊断方法，该方法包括，获取列车运行状态下包括多工况下温度测量数据构成训练集，由领域专家给定置信规则库的初始经验并构建初始诊断模型；提取训练集的均值、峰度等统计特征，并计算静态、动态可靠性；构建待优化参数的目标函数并训练初始参数；实时采集走行部系统当前时刻温度的测量数据并将其转换为均值、峰度作为测试数据；基于证据折扣理论将静态、动态可靠性融入置信规则库的推理部分中，并聚合库中激活的置信规则，从得到的分布式诊断结果判断该测试样本是否包含故障。该方法可以及时对故障进行诊断，及严重故障的预测，为部件的及时维修与替换提供一定参考，以避免重大事故的发生。

Description

一种高速列车走行部系统智能故障诊断方法
技术领域
本发明属于故障诊断领域，其中具体涉及到的是高速列车系统级的智能故障诊断方法。
背景技术
高速列车走行部系统在本质上是一类复杂系统，具有复杂性、时变性、强耦合性等特点，系统数据变量之间存在复杂的耦合关系。因此，按照传统系统工程还原理论，试图通过对组成此类系统基本单元状态变化的分析和叠加来诊断系统的故障是行不通的，必须利用先进的理论方法，对此类复杂系统进行故障检测与诊断。我们认为，目前主流的复杂系统故障诊断方法分为解析模型、数据驱动以及融合方法。
数据驱动方法通过数据建立与系统之间的非线性关系，根据可确定性的失效阈值来诊断系统的故障。融合方法也称基于半定量信息的方法，是解析模型和数据驱动方法的组合。然而，随着高速列车越来越复杂化、大规模化，通常很难提前凭借系统机理而精确地得到系统的解析模型。另外，高速列车的监测数据具有高维数、强耦合、非线性等特点，如果仅通过大量数据建模，那么将不能较好地解释系统出现的故障，对系统的变化缺少机理的解释。
相反，基于半定量信息的方法试图将定量信息和定性知识相结合，不仅不依赖于数学解析模型，而且在处理小样本数据方面也有较大的优势，如置信规则库理论。但在当前研究中，大多都假设模型的输入是可靠的，输入也就是故障特征，来源于传感器的监测，但工程实际中的监测过程会受到很多因素的影响，它们会将干扰信息引入监测数据中，也就是说含有故障特征的数据会变得不可靠性，将这样的数据作为置信规则库的输入，势必会影响置信规则库的建模精度。
不可靠数据主要来源于两种扰动因子，它们在复杂系统中的真实存在。它不光与传感器自身的物理特性密切有关，还与外界环境的噪声干扰有关。受这些干扰因素的影响，观测数据可能存在误差，如果不采用一些方法处理这些干扰因素，可能会导致对系统故障的错误诊断。因此，亟需一种新的基于置信规则库的智能故障诊断方法实现高速列车走行部系统的故障检测与诊断。
发明内容
本发明所要解决的技术问题之一是在不了解走行部系统详细的数学模型及面对具有海量、实时、高维等复杂特性的监测数据时，考虑走行部系统实际监测环境的影响，对高速列车进行实时故障诊断。
为了解决上述技术问题，本申请的实施案例提供了一种高速列车走行部系统智能故障诊断方法，包括，获取列车运行状态下包括多种工况下的温度测量数据构成训练集，由领域专家给定置信规则库的初始经验并构建初始诊断模型；提取每个训练集的均值、峰度等统计特征，并计算传感器所带来的干扰，得到静态可靠性和动态可靠性；构建置信规则库的待优化参数的目标函数并训练模型的初始参数；实时采集走行部系统当前时刻的温度测量数据并将其转换为均值、峰度等统计特性作为测试数据；基于证据折扣理论将静态、动态可靠性融入置信规则库的推理部分中，并聚合库中激活的置信规则，从得到的分布式诊断结果判断该测试样本是否包含故障。
1.优选地，由领域专家给定置信规则库的初始经验并构建初始诊断模型的步骤包括：
领域专家给出置信规则库模型的参数向量V＝[θk,δi,βn,k]T,θk表示第k条规则的权重，δi是第i个前提属性的权重，βn,k表示第k条规则第n个结果的置信度；
选择式(1)给出初始置信规则库的第k条规则：
Figure RE-GDA0002850735120000021
其中，
Figure RE-GDA0002850735120000022
分别代表的是置信规则库中的静态可靠性、动态可靠性的量化值。
2.优选地，选择式(2)-(3)提取每个训练集的均值、峰度等统计特征：
m＝E[q(t)] (2)
ku＝E[(q(t)-m)4]/σ4 (3)
其中σ2代表q(t)的方差，q(t)表示第t时刻的监测样本。并且，计算静态可靠性和动态可靠性的步骤包括：
根据式(4)-(9)的方法来量化静态可靠性：
Figure RE-GDA0002850735120000023
Figure RE-GDA0002850735120000024
其中xi(mi)(i＝1,…,M；mi＝1,…,Pi)为第i个传感器的第mi个监测样本，Pi是样本总数，
Figure RE-GDA0002850735120000025
表示第i 个传感器总样本的平均值。自相似性测度
Figure RE-GDA0002850735120000026
由相对距离
Figure RE-GDA0002850735120000027
转化而来。
Figure RE-GDA0002850735120000028
Figure RE-GDA0002850735120000029
利用自相似性测度的统计指标对支持度进行筛选。
Figure RE-GDA00028507351200000210
其中，
Figure RE-GDA00028507351200000211
由此可以得到静态可靠性rs的计算方法：
Figure RE-GDA0002850735120000031
根据式(10)-(14)的方法来量化动态可靠性：
Figure RE-GDA0002850735120000032
其中，0≤di(mi)≤1。计算xi(mi)的点信息量ei(mi)及总体样本的平均邓熵Ei：
Figure RE-GDA0002850735120000033
Figure RE-GDA0002850735120000034
由于每个时刻对应一个监测数据，所以Hd为1。
Figure RE-GDA0002850735120000035
Figure RE-GDA0002850735120000036
3.优选地，构建置信规则库的待优化参数的目标函数并训练模型的初始参数步骤如下：
由于故障检测是一个分类问题，错误的分类率应该尽可能低，(1-UA)作为优化的目标函数，其中UA如公式(15)所示，正确检测的样本数目与样本总数之比：
Figure RE-GDA0002850735120000037
其中Numberc是训练样本中检测正确的数目，Number是训练总体样本，则目标函数表示如下：
Figure RE-GDA0002850735120000038
V＝[θl,δi,βn,k]T (17)
其中V＝[θk,δi,βn,k]T表示模型中待优化的参数向量。参数向量V满足如下约束：
Figure RE-GDA0002850735120000039
其中，min(·)表示目标函数的最小值。参数训练方法的本质是弥补初始专家经验的不足，可以有效提高建模精度，提升模型的诊断能力。
4.优选地，实时采集走行部系统当前时刻的温度测量数据并将其转换为均值、峰度等统计特性作为测试数据。
5.优选地，基于证据折扣理论将静态、动态可靠性融入置信规则库的推理部分步骤包括：
通过前提属性权重
Figure RE-GDA0002850735120000041
与式(9)中的静态可靠性，得到融合静态可靠性的前提属性权重值：
Figure RE-GDA0002850735120000042
其中
Figure RE-GDA0002850735120000043
Ymil表示第mi个监测样本中第l条规则中属性的个数。与传统的证据理论的折扣相似，
Figure RE-GDA0002850735120000044
是指部分前提属性对于激活规则的无知程度。
根据第l条规则的匹配度计算的定义，体现了规则匹配度γmil与属性权重
Figure RE-GDA0002850735120000045
属性匹配度
Figure RE-GDA0002850735120000046
之间的关系，并将动态可靠性融入规则匹配度的计算中：
Figure RE-GDA0002850735120000047
其中
Figure RE-GDA0002850735120000048
此外，一旦计算了激活权重wl之后，便可以根据证据推理计算得到每一种故障状态故障状态Dn的置信度ηn，g＝max(βg),1≤g≤N，当前被诊断为Dg类故障，从得到的分布式诊断结果判断该测试样本是否包含故障。
本发明有如下有益效果：
基于混合可靠性的置信规则库的走行部系统智能故障诊断方法通过从测量数据所提取的统计特性(如均值、方差、峰度等)对系统进行建模，尽可能地将系统可用信息考虑在内，规避走行部系统监测数据量大、异常数据少、系统精确解析模型获取困难等难题；同时考虑系统监测环境多种因素的干扰，无需对测量数据进行预处理，实现了高速列车走行部系统的智能故障诊断，具有一定的工程应用价值。
附图说明
通过附图的形式来进一步说明本申请的技术方案，并构成说明书的一部分。其中，表达本申请实施案例的附图将与实施案例一同解释本申请的技术方案。
图1为说明本发明一实施案例的高速列车走行部系统智能故障诊断方法的流程示意图；
图2为说明本发明一实施案例的高速列车走行部系统温度单一故障检测及诊断示意图；
图3为说明本发明一实施案例的多故障检测及诊断示意图。
具体实施方式
通过结合附图和实施案例辅助说明本发明的实施方式，借此说明该发明在实际工程中如何实施并解决技术问题。本申请所形成的技术方案均在本发明的保护之内。
通常，高速列车走行部系统在实际工况下监测环境是复杂的，而作为监测数据的关键设备，传感器通常受两种因素的影响，下面给出具体的物理解释：
(1)静态因素：主要与传感器自身的物理特征如原理、材料、制造工艺有关。当传感器长时间工作时，其质量和功能都会有所下降，导致无法准确地监测系统的特性，这时传感器可能会记录某些错误的信息。
(2)动态因素：主要与传感器的工作环境有关。不光相互关联的部件在发挥系统作用时存在着信息间的干扰，而且系统会存在工况切换等外界工作环境变化的可能，这些环境噪声都会使数据呈现不规律的波动；
图1是根据本发明一实施案例的高速列车走行部系统智能故障诊断方法的流程示意图，该方法包括以下步骤：
步骤S110，获取列车运行状态下包括多种工况下的温度测量数据构成训练集，并由领域专家给定置信规则库的初始经验并构建初始诊断模型。
具体地，领域专家给出置信规则库模型的参数向量V＝[θk,δi,βn,k]T,θk表示第k条规则的权重，δi是第i个前提属性的权重，βn,k表示第k条规则第n个结果的置信度；选择式(1)给出初始置信规则库的第k条规则：
Figure RE-GDA0002850735120000051
其中，
Figure RE-GDA0002850735120000052
分别代表的是置信规则库中的静态可靠性、动态可靠性的量化值。
本发明实施案例的方法利用列车多种工况下产生的走行部系统温度数据进行建模，这些温度数据应包括列车的多种运行状态，并且这些监测数据实际中非常容易获得，便于工程应用。
步骤S120，提取每个训练集的均值、峰度等统计特征，并计算传感器的静态、动态因素所带来的干扰，得到静态可靠性和动态可靠性。
具体地，选择式(2)-(3)提取每个训练集的均值、峰度等统计特征：
m＝E[q(t)] (2)
ku＝E[(q(t)-m)4]/σ4 (3)
其中σ2代表q(t)的方差，q(t)表示第t时刻的监测样本。并且，计算静态可靠性和动态可靠性的步骤包括：
根据式(4)-(9)的方法来量化静态可靠性：
Figure RE-GDA0002850735120000053
Figure RE-GDA0002850735120000054
其中xi(mi)(i＝1,…,M；mi＝1,…,Pi)为第i个传感器的第mi个监测样本，Pi是样本总数，
Figure RE-GDA0002850735120000061
表示第i 个传感器总样本的平均值。自相似性测度
Figure RE-GDA0002850735120000062
由相对距离
Figure RE-GDA0002850735120000063
转化而来。
当传感器本身与其平均距离的测度越小，它们的相似性程度就越大，也说明支持度和可靠性也就越大。根据这一规律利用传感器自相似性测度的标准差对自相似性测度进行筛选修正。
Figure RE-GDA0002850735120000064
Figure RE-GDA0002850735120000065
利用自相似性测度的统计指标对支持度进行筛选。
Figure RE-GDA0002850735120000066
其中，
Figure RE-GDA0002850735120000067
由此可以得到静态可靠性rs的计算方法：
Figure RE-GDA0002850735120000068
由于工程实际中的扰动因素，观测数据受环境噪声的影响，所以数据会呈不规则的波动。考虑环境噪声，其实是将噪声当做监测数据的一部分，而数据可以通过包含的信息量来描述。邓熵是一种描述监测数据的信息量的一种衡量指标，是传统香农熵的推广。根据式(10)-(14) 的方法来量化动态可靠性：
首先，需要将每个传感器监测的样本转化为特征比重：
Figure RE-GDA0002850735120000069
其中，0≤di(mi)≤1。计算xi(mi)的点信息量ei(mi)及总体样本的平均邓熵Ei：
Figure RE-GDA00028507351200000610
Figure RE-GDA00028507351200000611
由于每个时刻对应一个监测数据，所以Hd为1。考虑环境噪声对监测数据的影响，针对数据中存在的上下波动，计算这种最大波动的邓熵，进而量化这种波动；
Figure RE-GDA00028507351200000612
Figure RE-GDA0002850735120000071
步骤S130，构建置信规则库的待优化参数的目标函数并训练模型的初始参数。
具体地，首先需要了解，置信规则库中的初始参数βn,k,θk,δi由专家给出，但由于专家的局限性，初始专家经验不精确，通常的解决办法是对置信规则库中的初始参数进行参数训练。而本发明采用投影协方差矩阵自适应策略，它是一种很好地求解非线性和非凸实连续优化问题的方法，可以降低BRB的复杂度，进一步提高种群的收敛速度。由于故障检测是一个分类问题，错误的分类率应该尽可能低，(1-UA)作为优化的目标函数，其中UA如公式(15)所示，正确检测的样本数目与样本总数之比：
Figure RE-GDA0002850735120000072
其中Numberc是训练样本中检测正确的数目，Number是训练总体样本，则目标函数表示如下：
Figure RE-GDA0002850735120000073
V＝[θl,δi,βn,k]T (17)
其中V＝[θk,δi,βn,k]T表示模型中待优化的参数向量。参数向量V满足如下约束：
Figure RE-GDA0002850735120000074
其中，min(·)表示目标函数的最小值。参数训练方法的本质是弥补初始专家经验的不足，可以有效提高建模精度，提升模型的诊断能力。
步骤S140，实时采集走行部系统当前时刻的温度测量数据并将其转换为均值、峰度等统计特性作为测试数据。该过程与步骤S110获取训练数据类似。
步骤S150，基于证据折扣理论将静态、动态可靠性融入置信规则库的推理部分中，并聚合库中激活的置信规则，从得到的分布式诊断结果判断该测试样本是否包含故障。
具体地，通过前提属性权重
Figure RE-GDA0002850735120000075
与式(9)中的静态可靠性，得到融合静态可靠性的前提属性权重值：
Figure RE-GDA0002850735120000076
其中
Figure RE-GDA0002850735120000077
Figure RE-GDA0002850735120000078
表示第mi个监测样本中第l条规则中属性的个数。与传统的证据理论的折扣相似，
Figure RE-GDA0002850735120000081
是指部分前提属性对于激活规则的无知程度。
根据第l条规则的匹配度计算的定义，体现了规则匹配度
Figure RE-GDA0002850735120000082
与属性权重
Figure RE-GDA0002850735120000083
属性匹配度
Figure RE-GDA0002850735120000084
之间的关系，并将动态可靠性融入规则匹配度的计算中：
Figure RE-GDA0002850735120000085
其中
Figure RE-GDA0002850735120000086
根据式(21)可以得到第l条规则的激活权重：
Figure RE-GDA0002850735120000087
此外，一旦计算了激活权重wl之后，根据式(22)便可以得到每一种故障状态故障状态Dn的置信度ηn。
F＝{(Dn,βn),n＝1,2,…,N} (22)
其中，g＝max(βg),1≤g≤N，当前被诊断为Dg类故障，且
Figure RE-GDA0002850735120000088
Figure RE-GDA0002850735120000089
以下借助Matlab工具，针对高速列车走行部系统的实际工况数据，对本发明进行说明，并结合图示展示本发明的效果。
(1)根据故障日志，选定走行部系统在上次换件维修后到故障发生当天之前这段时间的实时监测数据作为训练训练数据集和校准数据集；
在正常工况下采集走行部系统上述段时间内温度数据作为训练数据集和测试数据集，按照表达式(2-3)对此温度测量数据按照每15个点提取均值、峰度等统计特征操作，每组数据集均包含196个数据。训练部分记作X1，类似地，测试部分记作X2。
(2)基于训练集X1，实施基于混合可靠性的置信规则库模型。通过给定如式(1)的规则Rk，构建初始规则库；
在本实例中，初始规则库中有8条规则，测量样本的维数是2。
(3)计算并量化上述所提实际监测环境中传感器存在的静态因素和动态因素；
根据训练集X1和初始专家经验，通过表达式(4-14)计算规则库中的rs和rd，分别对应量化所得到的静态可靠性和动态可靠性。
(4)训练基于混合可靠性的置信规则库的初始参数；
通过表达式(18)给定的目标函数，利用投影协方差矩阵自适应策略方法训练模型中的初始参数，使其结构结构变得更加紧凑。
(5)采集不同健康状态实时工况下的测量数据作为测试数据；
值得注意的是，测试数据的测量变量与本实例步骤(1)中的测量变量保持一致，也是测量温度数据并提取均值、峰度二维测量数据。
(6)通过训练后的基于混合可靠性的置信规则库对测试数据进行测试，判断有无故障发生。
图2所展示了本发明所考虑的走行部系统单一故障类型，从图中可以看出，考虑了实际工况中传感器的静态因素和动态因素，本发明能更好地识别走行部系统有无故障。图3所展示了本发明的另一种应用情形，即多故障类型下故障的识别效果。图3所选数据集也来源于高速列车走行部系统，同步骤一所给的故障日志，重复上述步骤1-步骤6，即可得出结论。图3展示了本发明在多故障类型下的识别能力，它可以有效地识别系统的4种故障模式。
从得到的分布式诊断结果判断该测试样本是否包含故障。虽然本发明所提供的实施方式如上，但非限定特定场景。任何本发明所属技术领域内的技术人员，在不脱离本发明所提供的精神和范围的前提下，可以在实施形式上及细节上作任何的修改或改变，但本发明的专利保护范围，仍须以所附权利要求书所界定的范围为准。

Claims (6)

1.一种高速列车走行部系统智能故障诊断方法，包括：
获取列车运行状态下包括多种工况下的温度测量数据构成训练集，由领域专家给定置信规则库的初始经验并构建初始诊断模型；
提取每个训练集的均值、峰度等统计特征，并计算传感器所带来的干扰，得到静态可靠性和动态可靠性；
构建置信规则库的待优化参数的目标函数并训练模型的初始参数；
实时采集走行部系统当前时刻的温度测量数据并将其转换为均值、峰度等统计特性作为测试数据；
基于证据折扣理论将静态、动态可靠性融入置信规则库的推理部分中，并聚合库中激活的置信规则，从得到的分布式诊断结果判断该测试样本是否包含故障。
2.根据如权利要求1所述的方法，由领域专家给定置信规则库的初始经验并构建初始诊断模型的步骤包括：
领域专家给出置信规则库模型的参数向量V＝[θk,δi,βn,k]T,θk表示第k条规则的权重，δi是第i个前提属性的权重，βn,k表示第k条规则第n个结果的置信度；
选择式(1)给出初始置信规则库的第k条规则：
Figure RE-FDA0002850735110000011
其中，
Figure RE-FDA0002850735110000012
分别代表的是置信规则库中的静态可靠性、动态可靠性的量化值。
3.如权利要求1所述的方法，选择式(2)-(3)提取每个训练集的均值、峰度等统计特征：
m＝E[q(t)] (2)
ku＝E[(q(t)-m)4]/σ4 (3)
其中σ2代表q(t)的方差，q(t)表示第t时刻的监测样本，并且，计算静态可靠性和动态可靠性的步骤包括：
根据式(4)-(9)的方法来量化静态可靠性：
Figure RE-FDA0002850735110000013
Figure RE-FDA0002850735110000014
其中xi(mi)(i＝1,…,M；mi＝1,…,Pi)为第i个传感器的第mi个监测样本，Pi是样本总数，x-i表示第i个传感器总样本的平均值。自相似性测度
Figure RE-FDA0002850735110000015
由相对距离
Figure RE-FDA0002850735110000016
转化而来；
Figure RE-FDA0002850735110000021
Figure RE-FDA0002850735110000022
利用自相似性测度的统计指标对支持度进行筛选；
Figure RE-FDA0002850735110000023
其中，
Figure RE-FDA0002850735110000024
由此可以得到静态可靠性rs的计算方法：
Figure RE-FDA0002850735110000025
根据式(10)-(14)的方法来量化动态可靠性：
Figure RE-FDA0002850735110000026
其中，0≤di(mi)≤1。计算xi(mi)的点信息量ei(mi)及总体样本的平均邓熵Ei：
Figure RE-FDA0002850735110000027
Figure RE-FDA0002850735110000028
由于每个时刻对应一个监测数据，所以Hd为1；
Figure RE-FDA0002850735110000029
Figure RE-FDA00028507351100000210
4.如权利要求1所述的方法，构建置信规则库的待优化参数的目标函数并训练模型的初始参数步骤如下：
由于故障检测是一个分类问题，错误的分类率应该尽可能低，(1-UA)作为优化的目标函数，其中UA如公式(15)所示，正确检测的样本数目与样本总数之比：
Figure RE-FDA00028507351100000211
其中Numberc是训练样本中检测正确的数目，Number是训练总体样本，则目标函数表示如下：
Figure RE-FDA00028507351100000212
V＝[θl,δi,βn,k]T (17)
其中V＝[θk,δi,βn,k]T表示模型中待优化的参数向量，参数向量V满足如下约束：
Figure RE-FDA0002850735110000031
其中，min(·)表示目标函数的最小值，参数训练方法的本质是弥补初始专家经验的不足，可以有效提高建模精度，提升模型的诊断能力。
5.如权利要求1所述的方法，实时采集走行部系统当前时刻的温度测量数据并将其转换为均值、峰度等统计特性作为测试数据。
6.如权利要求1所述的方法，基于证据折扣理论将静态、动态可靠性融入置信规则库的推理部分步骤包括：
通过前提属性权重
Figure RE-FDA0002850735110000032
与式(9)中的静态可靠性，得到融合静态可靠性的前提属性权重值：
Figure RE-FDA0002850735110000033
其中
Figure RE-FDA0002850735110000034
Figure RE-FDA0002850735110000035
表示第mi个监测样本中第l条规则中属性的个数，与传统的证据理论的折扣相似，
Figure RE-FDA0002850735110000036
是指部分前提属性对于激活规则的无知程度；
根据第l条规则的匹配度计算的定义，体现了规则匹配度
Figure RE-FDA0002850735110000037
与属性权重
Figure RE-FDA0002850735110000038
属性匹配度
Figure RE-FDA0002850735110000039
之间的关系，并将动态可靠性融入规则匹配度的计算中：
Figure RE-FDA00028507351100000310
其中
Figure RE-FDA00028507351100000311
此外，一旦计算了激活权重wl之后，便可以根据证据推理计算得到每一种故障状态故障状态Dn的置信度ηn，g＝max(βg),1≤g≤N，当前被诊断为Dg类故障，从得到的分布式诊断结果判断该测试样本是否包含故障。
CN202011187700.8A 2020-10-30 2020-10-30 一种高速列车走行部系统智能故障诊断方法 Pending CN112395684A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011187700.8A CN112395684A (zh) 2020-10-30 2020-10-30 一种高速列车走行部系统智能故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011187700.8A CN112395684A (zh) 2020-10-30 2020-10-30 一种高速列车走行部系统智能故障诊断方法

Publications (1)

Publication Number Publication Date
CN112395684A true CN112395684A (zh) 2021-02-23

Family

ID=74598461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011187700.8A Pending CN112395684A (zh) 2020-10-30 2020-10-30 一种高速列车走行部系统智能故障诊断方法

Country Status (1)

Country Link
CN (1) CN112395684A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326889A (zh) * 2021-06-16 2021-08-31 北京百度网讯科技有限公司 用于训练模型的方法和装置
CN113788023A (zh) * 2021-09-28 2021-12-14 广州杰赛科技股份有限公司 车辆驾驶故障检测方法、装置、设备及存储介质
CN114634391A (zh) * 2022-03-21 2022-06-17 广东宏大韶化民爆有限公司 一种膨化结晶机的运行状态实时评估方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175282A (zh) * 2011-01-24 2011-09-07 长春工业大学 一种基于信息融合的离心式空气压缩机故障诊断方法
CN108875108A (zh) * 2017-05-16 2018-11-23 长春工业大学 一种基于pca和brb的轨道车辆电路故障诊断方法
CN109117353A (zh) * 2018-08-20 2019-01-01 中国石油大学(北京) 故障诊断结果的融合方法及装置
CN110276972A (zh) * 2019-07-16 2019-09-24 启迪云控(北京)科技有限公司 一种基于车联网的目标物感知方法及系统
CN111259551A (zh) * 2020-01-17 2020-06-09 中国人民解放军火箭军工程大学 一种基于置信规则库的惯组故障预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175282A (zh) * 2011-01-24 2011-09-07 长春工业大学 一种基于信息融合的离心式空气压缩机故障诊断方法
CN108875108A (zh) * 2017-05-16 2018-11-23 长春工业大学 一种基于pca和brb的轨道车辆电路故障诊断方法
CN109117353A (zh) * 2018-08-20 2019-01-01 中国石油大学(北京) 故障诊断结果的融合方法及装置
CN110276972A (zh) * 2019-07-16 2019-09-24 启迪云控(北京)科技有限公司 一种基于车联网的目标物感知方法及系统
CN111259551A (zh) * 2020-01-17 2020-06-09 中国人民解放军火箭军工程大学 一种基于置信规则库的惯组故障预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHAO CHENG等: "A BRB-Based Effective Fault Diagnosis Model for High-Speed Trains Running Gear Systems", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 *
CHAO CHENG等: "Health Status Prediction Based on Belief Rule Base for High-Speed Train Running Gear System", 《IEEE ACCESS》 *
刘兆政等: "基于置信规则库的机载导弹故障诊断", 《空军工程大学学报(自然科学版)》 *
张伟等: "基于置信规则库专家系统的发动机故障诊断", 《系统仿真技术》 *
张邦成等: "利用置信规则库的数控机床伺服系统故障诊断", 《振动.测试与诊断》 *
钱虹等: "基于故障样本的滚动轴承故障诊断置信规则库研究", 《电力科学与技术学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326889A (zh) * 2021-06-16 2021-08-31 北京百度网讯科技有限公司 用于训练模型的方法和装置
CN113788023A (zh) * 2021-09-28 2021-12-14 广州杰赛科技股份有限公司 车辆驾驶故障检测方法、装置、设备及存储介质
CN114634391A (zh) * 2022-03-21 2022-06-17 广东宏大韶化民爆有限公司 一种膨化结晶机的运行状态实时评估方法及系统

Similar Documents

Publication Publication Date Title
CN112395684A (zh) 一种高速列车走行部系统智能故障诊断方法
CN109186813A (zh) 一种温度传感器自检装置及方法
CN102789545B (zh) 基于退化模型匹配的涡轮发动机剩余寿命的预测方法
CN111737909B (zh) 基于时空图卷积网络的结构健康监测数据异常识别方法
CN113642754B (zh) 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法
CN104880217B (zh) 一种基于测量值关联度的故障传感器信息重构方法
CN112083244B (zh) 综合化航空电子设备故障智能诊断系统
CN112101431A (zh) 电子设备故障诊断系统
CN104471542A (zh) 用于状态监视中流动的传感器数据的分类的判别隐卡尔曼滤波器
CN111860839A (zh) 基于多信号融合及Adam优化算法的岸桥故障监测方法
CN114509266A (zh) 一种基于故障特征融合的轴承健康监测方法
CN109298633A (zh) 基于自适应分块非负矩阵分解的化工生产过程故障监测方法
CN112417766B (zh) 一种以无故障数据为主的故障诊断方法
CN114705432B (zh) 防爆电机轴承健康状态评估方法及系统
CN117151649B (zh) 基于大数据分析的施工方法管控系统及方法
CN111122811A (zh) 一种oica和rnn融合模型的污水处理过程故障监测方法
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
CN117630797A (zh) 基于工作电流的电表健康状态检测方法、系统及存储介质
CN111260823B (zh) 基于i/o测点故障依赖矩阵的故障诊断方法
CN117170303A (zh) 一种基于多元时间序列预测的plc故障智能诊断维护系统
CN114371677B (zh) 基于谱半径-区间主成分分析的工业过程状态监测方法
CN111931574B (zh) 一种气动调节阀鲁棒故障诊断方法
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
CN116204825A (zh) 一种基于数据驱动的生产线设备故障检测方法
CN112069621B (zh) 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210223

WD01 Invention patent application deemed withdrawn after publication