CN112749744A - 基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法及系统 - Google Patents
基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法及系统 Download PDFInfo
- Publication number
- CN112749744A CN112749744A CN202110022093.8A CN202110022093A CN112749744A CN 112749744 A CN112749744 A CN 112749744A CN 202110022093 A CN202110022093 A CN 202110022093A CN 112749744 A CN112749744 A CN 112749744A
- Authority
- CN
- China
- Prior art keywords
- observation
- node
- bayesian network
- fault
- variable
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及故障分析技术领域,公开一种基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法及系统,以利用多个观测点的信号实现精准故障诊断。方法包括:选取观测点,对各观测点单独从相对应的初始数据集中提取时频域特征并降维得到特征变量;将各观测点的状态变量、降维后的特征变量和故障模式变量作为贝叶斯网络模型的输入,根据各特征变量和故障模式变量与观测点状态变量之间的关联矩阵将所有输入划分成与观测点数量相等个数的观测模块;学习各观测模块的最优图,并将各最优图合并成一个模块化贝叶斯网络模型;实时采集各观测点的传感器数据,利用推理引擎更新模块化贝叶斯网络模型各节点的后验概率,根据各节点的后验概率进行故障判断。
Description
技术领域
本发明涉及牵引传动系统故障分析技术领域,尤其涉及一种基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法及系统。
背景技术
牵引传动系统作为轨道客车信息控制系统的关键系统之一,长时间地在高温高压等恶劣环境下运行,承受轨道不平顺的激励与自身引起的各种振动、碰撞和冲击,是高速列车的高发故障源。因此,对轨道客车牵引系统进行实时故障诊断能够有效监控列车运行状态、预测列车故障,可有效降低列车故障的发生率,具有重要的理论研究价值和实际应用价值。
模块化贝叶斯网络的思想早已有研究者提出,但都是基于物理拓扑的模块。2014年申请的专利CN201410308885.1公开了一种发明名称为“模块化复杂装备贝叶斯网络故障预测方法”,该方法是根据复杂装备的物理结构进行模块划分,针对故障模式进行建模,然后将各个模块的故障模式用一个高级节点封装起来,根据共享节点将高级节点连接在一起。文献“孟倩倩.基于模块化贝叶斯网络的工业报警根源分析[D].北京化工大学,2018.”公开了一种基于大规模系统子模块划分的报警溯源分析方法。该方法仅根据流程工业生产系统的生产单元进行模块划分,模块化贝叶斯网络的网络节点只针对系统单元。
目前对于牵引传动系统的故障诊断大多基于单个观测点的信息,然而牵引系统包含不同设备和大量元部件,故障模式复杂多变、故障种类多、故障原因多,不同位置的故障类型可能对某一单个观测点具有相同的表现形式,这会导致故障诊断发生误判。因此,现急需提供一种基于多观测点且不降低诊断效率的故障诊断方法及系统。
发明内容
本发明目的在于公开一种基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法及系统,以在不降低诊断效率的条件下利用多个观测点的信号实现牵引传动系统的故障诊断。
为实现上述目的,本发明公开一种基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法,包括:
步骤S1、选取观测点,在各所述观测点部署传感器采集各观测点包含正常状态数据和故障状态的初始数据集;对各观测点单独从相对应的初始数据集中提取时频域特征建立特征变量库D1,并对其进行降维得到特征变量库D2;
步骤S2、将各观测点的状态变量、降维后的特征变量和故障模式变量作为贝叶斯网络模型的输入,建立输入的各特征变量和故障模式变量与观测点状态变量之间的关联矩阵,根据所述关联矩阵将所有输入划分成与观测点数量相等数量的观测模块;
步骤S3、利用结构学习算法学习每个观测模块的最优图,并将各个观测点的最优图合并成一个完整的网络;网络各节点之间的信度条件概率参数采用最大似然算法进行学习,得到模块化贝叶斯网络模型;
步骤S4、实时采集各观测点的传感器数据,利用推理引擎更新模块化贝叶斯网络模型各节点的后验概率,根据各节点的后验概率判断相应的节点是否发生故障。
优选地,当所述特征变量库D1增加新的特征变量时,若新增变量映射到所述特征变量库D2,则依次更新所述关联矩阵、观测模块、最优图及贝叶斯网络模型;同理,当所述故障模式变量增加新的变量时,照样依次更新所述关联矩阵、观测模块、最优图及贝叶斯网络模型。
优选地,所述步骤S1具体包括:
S11:根据牵引系统的传感器分布,确定观测点的个数N;采集牵引系统历史正常状态数据及故障状态数据组成初始数据集,包括由恒定采样率为fs的电流传感器采集的电流瞬时值In,i=1,2,...,N;其中,将三相电流传感器作为一个观测点,该观测点包括a、b和c相定子电流瞬时值In_a、In_b和In_c;
S12:利用特征提取方法提取观测点In的第m个特征变量Fnm,n=1,2,...,N,m=1,2,...,M,建立特征变量库D1;
S13:利用降维算法将特征变量库D1里的特征映射到低维的特征变量库D2,计算过程如下:
对第n个观测点的特征Fnm进行去均值处理:
式中,μ为均值计算函数,Fnm是D1中观测点In的第m个特征;
计算主成分:
计算并提取D1中累计贡献率大于等于σ的前J个主成分作为D2的特征变量,计算公式为:
优选地,所述步骤S3具体包括以下步骤:
S31、利用贝叶斯信息标准评分函数对各个观测模块的所有图进行评分,然后计算出评分最高的最优图G*n;
S32、优化G*n,将搜索空间限制在通过添加一条边,删除一条边或反转现有边来获得的相邻图上,利用贪心搜索算法确定是否接受相邻图;若是,则更新G*n为相邻图;若否,则继续搜索,直至搜索完所有相邻图为止;
S33、获得最终的G*n后,将所有观测模块的G*n基于关联矩阵Cnk组合成完整的贝叶斯网络结构,基于观测模块得到的G*n包括以下网络节点:
与所有故障模式Mz一一对应的故障节点;
与所有观测点一一对应的观测点状态节点;
S34、利用最大似然估计方法计算贝叶斯网络结构中各节点间的条件概率参数,所述条件概率参数包括概率密度函数、对数似然函数和条件概率参数。
优选地,所述步骤S4具体包括:
S41、实时采集各观测点的传感器数据,计算相应的特征变量,得到输入证据Xtest;
S42、已知贝叶斯网络节点为Ai={A1,A2,...,AL},将得到的输入证据Xtest输入到贝叶斯网络模型中,利用信念传播推理引擎进行信度推理,计算传播到第i个节点Ai的信息,并根据该信息计算节点的置信度;完成贝叶斯网络中各节点的置信度更新;
S43、根据S42得到的置信度,即各个节点的后验概率,设置检测阈值δ判断该节点是否发生故障;当故障节点的后验概率大于或等于δ,则判断该节点发生故障;当故障节点的后验概率小于δ,则判断该节点未发生故障。
作为一个总的技术构思,本发明还提供了一种基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一方法的步骤。
本发明具有以下有益效果:
本发明考虑了轨道客车牵引系统多个观测点的信息,通过模块化的思想保障了故障诊断的效率,模块化的空间多变量信息融合的方法,能够快速、准确地诊断出牵引传动系统各个位置的故障,且基于观测模块的各节点(包括观测状态节点、特征变量节点和故障模式节点)具有良好的可扩展性和可变性,具有良好的发展潜力。
下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法流程示意图。
图2是本发明实施例的牵引传动系统的主回路拓扑及观测点定位图。
图3是本发明实施例的基于观测模块的贝叶斯网络结构图。
图4是本发明实施例的故障诊断结果图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
本实施例公开一种基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法,如图1所示,包括:
步骤S1、选取观测点,在各所述观测点部署传感器采集各观测点包含正常状态数据和故障状态的初始数据集;对各观测点单独从相对应的初始数据集中提取时频域特征建立特征变量库D1,并对其进行降维得到特征变量库D2。
在该步骤中,优选地,具体包括:
S11:根据牵引系统的传感器分布,确定观测点的个数N;采集牵引系统历史正常状态数据及故障状态数据组成初始数据集,包括由恒定采样率为fs的电流传感器采集的电流瞬时值In,i=1,2,...,N;其中,将三相电流传感器作为一个观测点,该观测点包括a、b和c相定子电流瞬时值In_a、In_b和In_c。
S12:利用特征提取方法提取观测点In的第m个特征变量Fnm,n=1,2,...,N,m=1,2,...,M,建立特征变量库D1。
S13:利用降维算法将特征变量库D1里的特征映射到低维的特征变量库D2。计算过程如下:
对第n个观测点的特征Fnm进行去均值处理:
式中,μ为均值计算函数,Fnm是D1中观测点In的第m个特征。
计算主成分:
计算并提取D1中累计贡献率大于等于σ的前J个主成分作为D2的特征变量,计算公式为:
步骤S2、将各观测点的状态变量、降维后的特征变量和故障模式变量作为贝叶斯网络模型的输入,建立输入的各特征变量和故障模式变量与观测点状态变量之间的关联矩阵,根据所述关联矩阵将所有输入划分成与观测点数量相等数量的观测模块。
步骤S3、利用结构学习算法学习每个观测模块的最优图,并将各个观测点的最优图合并成一个完整的网络;网络各节点之间的信度条件概率参数采用最大似然算法进行学习,得到模块化贝叶斯网络模型。
优选地,该步骤具体包括以下步骤:
S31、利用贝叶斯信息标准评分函数对各个观测模块的所有图进行评分,然后计算出评分最高的最优图G*n。
BIC评分函数、观测模块最优图的计算公式如下:
S32、优化G*n,将搜索空间限制在通过添加一条边,删除一条边或反转现有边来获得的相邻图上,利用贪心搜索算法确定是否接受相邻图;若是,则更新G*n为相邻图;若否,则继续搜索,直至搜索完所有相邻图为止。
S33、获得最终的G*n后,将所有观测模块的G*n基于关联矩阵Cnk组合成完整的贝叶斯网络结构。基于观测模块得到的G*n包括以下网络节点:
S34、利用最大似然估计方法计算贝叶斯网络结构中各节点间的条件概率参数,所述条件概率参数包括概率密度函数、对数似然函数和条件概率参数。
可选地,概率密度函数的计算公式如下:
式中,θ是参数向量,P(Xtrain|θ)为样本的概率密度函数。
可选地,对数似然函数的计算公式如下:
式中,L(θ)是样本的概率密度函数的对数似然函数。
可选地,条件概率参数的计算公式如下:
步骤S4、实时采集各观测点的传感器数据,利用推理引擎更新模块化贝叶斯网络模型各节点的后验概率,根据各节点的后验概率判断相应的节点是否发生故障。
优选地,该步骤具体包括:
S41、实时采集各观测点的传感器数据,计算相应的特征变量,得到输入证据Xtest。计算特征变量的方法同步骤S1,不做赘述。
S42、已知贝叶斯网络节点为Ai={A1,A2,...,AL},将得到的输入证据Xtest输入到贝叶斯网络模型中,利用信念传播推理引擎进行信度推理,计算传播到第i个节点Ai的信息,并根据该信息计算节点的置信度;完成贝叶斯网络中各节点的置信度更新。
可选地,传播到第i个节点Ai的信息的计算公式如下:
式中,j是Ai的邻域节点的序号,即Aj为Ai的邻域节点,φi(Ai)是节点Ai的局部证据,ψ(Ai,Aj)是邻接节点Ai和Aj的势能量,k是Aj的邻域节点的序号,mjk(Aj)是传播到Aj的信息;进一步计算节点的置信度b(Ai)的公式如下:
式中,z是归一化常数,mij(Ai)是传播到第i个节点Ai的信息。
S43、根据S42得到的置信度,即各个节点的后验概率,设置检测阈值δ判断该节点是否发生故障;当故障节点的后验概率大于或等于δ,则判断该节点发生故障;当故障节点的后验概率小于δ,则判断该节点未发生故障。
优选地,本发明还进一步包括:
步骤S5、当特征变量库D1增加新的特征变量时,若新增变量映射到所述特征变量库D2,则依次更新上述关联矩阵、观测模块、最优图及贝叶斯网络模型;同理,当故障模式变量增加新的变量时,也照样依次更新所述关联矩阵、观测模块、最优图及贝叶斯网络模型。
进一步地,针对上述步骤,本实施例以某型轨道客车牵引系统为例,对本发明的方法进行进一步说明与验证。该型轨道客车牵引系统主要由牵引变压器、牵引变流器(脉冲整流器、中间直流环节、逆变器)等主电路设备以及牵引电机等装置构成。
本实施例考虑的牵引传动系统不同位置的常见传感器故障如表1所示(其将正常状态视为一种特殊的故障类型):
表1:
序号 | 故障类型 | 故障模式代号 |
1 | 正常 | M1 |
2 | 增益故障 | M2 |
3 | 偏差故障 | M3 |
4 | 卡死故障 | M4 |
首先,选取如图2所示的4个观测点的电流传感器测量结果,分别为网侧电流I1、整流器上桥臂输入电流I2、中间直流环节输出电流I3、定子三相电流I4_a、I4_b、I4_c。采样频率为10μs,数据长度为10s的初始数据集。利用特征提取方法将每500个数据样本提取时频域特征,形成特征变量库后利用PCA方法对特征进行降维。然后利用构建的关联矩阵将观测点状态变量、低维数据库的特征变量和故障模式变量划分成4个观测模块 图3(a)是四个观测模块学习到的最优图(图中序号为1-4的节点对应表1的四种故障类型;序号为5的节点为相应观测点的状态变量,0表示正常,1表示故障;其他序号的节点为特征变量,且基于在此过程中各观测点的最优图仍是并行且独立的,因此,不同观测点中不同的特征节点序号所映射的特征变量不同),图结构可随着特征节点的扩展具有可变性,图3(b)是合并后的完整网络结构(图中,节点序号1-4分别表示表1的四种故障类型,节点序号5-8分别以状态0和1表示图2中4个观测点的状态变量;其余则为各观测点降维后的特征变量)。最后,实时采集各观测点的传感器数据对本发明的方法进行验证,图4是针对4种故障模式的故障诊断结果,其中,M0表示不是故障模式库里的故障类型,最终故障诊断准确率为98.1%,且仅存在将正常的M1状态误判为M2和M0的少量误判情况;对实际注入的M2、M3和M4所对应的真实故障的辨别率达100%。藉此,本实施例方法能够利用牵引传动系统多个观测点的信息,通过模块化的思想保障了故障诊断的效率,这种模块化的空间多变量信息融合的方法,能够快速、准确地诊断出牵引传动系统各个位置的故障。
实施例2
本实施例提供了一种基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中方法相对应的步骤。
综上,本发明上述各实施例所分别公开的基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法及系统,考虑了轨道客车牵引系统多个观测点的信息,通过模块化的思想保障了故障诊断的效率,模块化的空间多变量信息融合的方法,能够快速、准确地诊断出牵引传动系统各个位置的故障,且基于观测模块的各节点(包括观测状态节点、特征变量节点和故障模式节点)具有良好的可扩展性和可变性,具有良好的发展潜力。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法,其特征在于,包括:
步骤S1、选取观测点,在各所述观测点部署传感器采集各观测点包含正常状态数据和故障状态的初始数据集;对各观测点单独从相对应的初始数据集中提取时频域特征建立特征变量库D1,并对其进行降维得到特征变量库D2;
步骤S2、将各观测点的状态变量、降维后的特征变量和故障模式变量作为贝叶斯网络模型的输入,建立输入的各特征变量和故障模式变量与观测点状态变量之间的关联矩阵,根据所述关联矩阵将所有输入划分成与观测点数量相等数量的观测模块;
步骤S3、利用结构学习算法学习每个观测模块的最优图,并将各个观测点的最优图合并成一个完整的网络;网络各节点之间的信度条件概率参数采用最大似然算法进行学习,得到模块化贝叶斯网络模型;
步骤S4、实时采集各观测点的传感器数据,利用推理引擎更新模块化贝叶斯网络模型各节点的后验概率,根据各节点的后验概率判断相应的节点是否发生故障。
2.根据权利要求1所述的方法,其特征在于,当所述特征变量库D1增加新的特征变量时,若新增变量映射到所述特征变量库D2,则依次更新所述关联矩阵、观测模块、最优图及贝叶斯网络模型;或者
当所述故障模式变量增加新的变量时,则依次更新所述关联矩阵、观测模块、最优图及贝叶斯网络模型。
3.根据权利要求1或2所述的方法,其特征在于,所述步骤S1具体包括:
S11:根据牵引系统的传感器分布,确定观测点的个数N;采集牵引系统历史正常状态数据及故障状态数据组成初始数据集,包括由恒定采样率为fs的电流传感器采集的电流瞬时值In,i=1,2,...,N;其中,将三相电流传感器作为一个观测点,该观测点包括a、b和c相定子电流瞬时值In_a、In_b和In_c;
S12:利用特征提取方法提取观测点In的第m个特征变量Fnm,n=1,2,...,N,m=1,2,...,M,建立特征变量库D1;
S13:利用降维算法将特征变量库D1里的特征映射到低维的特征变量库D2,计算过程如下:
对第n个观测点的特征Fnm进行去均值处理:
式中,μ为均值计算函数,Fnm是D1中观测点In的第m个特征;
计算主成分:
计算并提取D1中累计贡献率大于等于σ的前J个主成分作为D2的特征变量,计算公式为:
5.根据权利要求3所述的方法,其特征在于,所述步骤S3具体包括以下步骤:
S31、利用贝叶斯信息标准评分函数对各个观测模块的所有图进行评分,然后计算出评分最高的最优图G*n;
S32、优化G*n,将搜索空间限制在通过添加一条边,删除一条边或反转现有边来获得的相邻图上,利用贪心搜索算法确定是否接受相邻图;若是,则更新G*n为相邻图;若否,则继续搜索,直至搜索完所有相邻图为止;
S33、获得最终的G*n后,将所有观测模块的G*n基于关联矩阵Cnk组合成完整的贝叶斯网络结构,基于观测模块得到的G*n包括以下网络节点:
与所有故障模式Mz一一对应的故障节点;
与所有观测点一一对应的观测点状态节点;
S34、利用最大似然估计方法计算贝叶斯网络结构中各节点间的条件概率参数,所述条件概率参数包括概率密度函数、对数似然函数和条件概率参数。
6.根据权利要求5所述的方法,其特征在于,所述步骤S4具体包括:
S41、实时采集各观测点的传感器数据,计算相应的特征变量,得到输入证据Xtest;
S42、已知贝叶斯网络节点为Ai={A1,A2,...,AL},将得到的输入证据Xtest输入到贝叶斯网络模型中,利用信念传播推理引擎进行信度推理,计算传播到第i个节点Ai的信息,并根据该信息计算节点的置信度;完成贝叶斯网络中各节点的置信度更新;
S43、根据S42得到的置信度,即各个节点的后验概率,设置检测阈值δ判断该节点是否发生故障;当故障节点的后验概率大于或等于δ,则判断该节点发生故障;当故障节点的后验概率小于δ,则判断该节点未发生故障。
7.一种基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至6任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110022093.8A CN112749744B (zh) | 2021-01-08 | 2021-01-08 | 基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110022093.8A CN112749744B (zh) | 2021-01-08 | 2021-01-08 | 基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749744A true CN112749744A (zh) | 2021-05-04 |
CN112749744B CN112749744B (zh) | 2022-10-21 |
Family
ID=75650305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110022093.8A Active CN112749744B (zh) | 2021-01-08 | 2021-01-08 | 基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749744B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114647992A (zh) * | 2022-03-10 | 2022-06-21 | 北京航空航天大学 | 一种基于改进贝叶斯算法的固液火箭发动机故障诊断方法 |
CN114996258A (zh) * | 2022-06-23 | 2022-09-02 | 中铁第四勘察设计院集团有限公司 | 一种基于数据仓库的接触网故障诊断方法 |
CN117874643A (zh) * | 2024-01-08 | 2024-04-12 | 兰州理工大学 | 基于小数据集的转子故障贝叶斯网络诊断方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048133A (zh) * | 2012-12-03 | 2013-04-17 | 陕西科技大学 | 一种基于贝叶斯网络的滚动轴承故障诊断方法 |
EP3407151A1 (en) * | 2017-05-24 | 2018-11-28 | Tata Consultancy Services Limited | Systems and methods for cognitive control of data acquisition for efficient fault diagnosis |
-
2021
- 2021-01-08 CN CN202110022093.8A patent/CN112749744B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048133A (zh) * | 2012-12-03 | 2013-04-17 | 陕西科技大学 | 一种基于贝叶斯网络的滚动轴承故障诊断方法 |
EP3407151A1 (en) * | 2017-05-24 | 2018-11-28 | Tata Consultancy Services Limited | Systems and methods for cognitive control of data acquisition for efficient fault diagnosis |
Non-Patent Citations (2)
Title |
---|
PEIXI PENG ET AL.: "Robust multiple cameras pedestrian detection with multi-view Bayesian network", 《PATTERN RECOGNITION》 * |
张国恒等: "基于贝叶斯网络的牵引逆变器开路故障多特征融合诊断方法", 《铁道科学与工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114647992A (zh) * | 2022-03-10 | 2022-06-21 | 北京航空航天大学 | 一种基于改进贝叶斯算法的固液火箭发动机故障诊断方法 |
CN114996258A (zh) * | 2022-06-23 | 2022-09-02 | 中铁第四勘察设计院集团有限公司 | 一种基于数据仓库的接触网故障诊断方法 |
CN117874643A (zh) * | 2024-01-08 | 2024-04-12 | 兰州理工大学 | 基于小数据集的转子故障贝叶斯网络诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112749744B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112749744B (zh) | 基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法及系统 | |
US20200285900A1 (en) | Power electronic circuit fault diagnosis method based on optimizing deep belief network | |
JP2020119605A (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
Fassois et al. | Time-series methods for fault detection and identification in vibrating structures | |
JP5299267B2 (ja) | 診断装置 | |
Tornil-Sin et al. | Robust fault diagnosis of nonlinear systems using interval constraint satisfaction and analytical redundancy relations | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
US20120016824A1 (en) | Method for computer-assisted analyzing of a technical system | |
CN111241673A (zh) | 用于噪声环境工业设备的健康状态预测方法 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN109359662B (zh) | 面向百万千瓦超超临界机组的非平稳分析与因果诊断方法 | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
Huang et al. | A transferable capsule network for decoupling compound fault of machinery | |
Zhao et al. | A capsnet-based fault diagnosis method for a digital twin of a wind turbine gearbox | |
Li et al. | Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks | |
Mondal et al. | Sequential Modeling and Knowledge Source Integration for Identifying the Structure of a Bayesian Network for Multistage Process Monitoring and Diagnosis | |
Lee et al. | Damage localization for bridges using probabilistic neural networks | |
CN114154266B (zh) | 基于偏秩相关的流因果结构学习的燃气轮机故障预测方法 | |
CN113887452B (zh) | 基于相关性矩阵的故障诊断优化方法 | |
Bigoni | Numerical methods for structural anomaly detection using model order reduction and data-driven techniques | |
CN110309586B (zh) | 基于ma-dbn的gis分解气体含量预测方法 | |
Dash et al. | A Comparison of Model-Based and Machine Learning Techniques for Fault Diagnosis | |
Sayar et al. | Real-time prediction of electricity distribution network status using artificial neural network model: A case study in Salihli (Manisa, Turkey) | |
Ying et al. | Stacked supervised auto-encoder with deep learning framework for nonlinear process monitoring and fault detection |
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 |