CN112990275B - 一种半定量信息融合的高速列车走行部系统故障诊断方法 - Google Patents

一种半定量信息融合的高速列车走行部系统故障诊断方法 Download PDF

Info

Publication number
CN112990275B
CN112990275B CN202110192488.2A CN202110192488A CN112990275B CN 112990275 B CN112990275 B CN 112990275B CN 202110192488 A CN202110192488 A CN 202110192488A CN 112990275 B CN112990275 B CN 112990275B
Authority
CN
China
Prior art keywords
confidence rule
fault
running gear
confidence
rule base
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
CN202110192488.2A
Other languages
English (en)
Other versions
CN112990275A (zh
Inventor
程超
王久赫
王威珺
谢普
邵俊捷
付彩欣
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 CN202110192488.2A priority Critical patent/CN112990275B/zh
Publication of CN112990275A publication Critical patent/CN112990275A/zh
Application granted granted Critical
Publication of CN112990275B publication Critical patent/CN112990275B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种半定量信息融合的高速列车走行部系统故障诊断方法，它属于故障诊断领域。本发明解决了目前研究中没有分析现有知识的可靠性对基于置信规则库的故障诊断过程的影响问题。本发明利用高速列车实际运营中积累的大量知识和监测数据进行建模，无需走行部精确的解析模型，也无需大量走行部异常工况下的监测数据，小样本情况下也能很好的实现诊断功能，便于实际应用；还考虑了置信规则库理论在走行部故障诊断中的难点，即知识不可靠表达下故障诊断难。通过量化知识的不可靠部分，修正置信规则库的知识推理，从而提高故障诊断的效果；同时实现了走行部系统轴向轴承故障诊断和故障分类。本发明可以应用于走行部系统故障诊断。

Description

一种半定量信息融合的高速列车走行部系统故障诊断方法
技术领域
本发明属于故障诊断领域，具体涉及一种半定量信息融合的高速列车走行部系统故障诊断方法。
背景技术
随着科学技术的发展与进步，高速铁路的规模以及复杂程度都得到了巨大提高。作为高铁核心的运载工具，高速列车是我国自主创新的成功范例也是高端装备的代表，其安全可靠运行是交通运输发展的根本前提。走行部系统是高速列车核心系统之一，有着支承车体，传递载荷及制动力、牵引力等重要作用，走行部性能优劣直接影响在轨车辆的可靠性与安全性。故障诊断技术是提高系统可靠性、保证列车正常运作、降低事故发生风险的有效措施，现已受到学术界和工业界广泛关注。目前，主流的故障诊断技术主要可分为基于模型、基于数据驱动和半定量信息融合技术。近年来，作为半定量信息融合技术的重要代表之一，基于置信规则库的方法在走行部故障诊断中体现出其独特的优势。主要有以下两点原因：1)随着传感器技术的不断进步，在高速列车运行中可以获得大量的监测数据，但无效数据匮乏，只有少量数据包含系统异常运行状况的信息；2)走行部系统工艺机理复杂，精确的解析方程难以获取，或者需要付出大量的人力物力，且得到的模型可靠性难以保证。基于置信规则库的方法可以有效避免解析模型的获取，且不依靠大量的异常数据，允许其在小样本情况下，有效融合定量数据特征和定性知识，准确完成故障诊断任务的同时，使模型输入输出具有可解释性。
此外，基于置信规则库的诊断方法本质上是一类知识系统，模型的构建通常需要大量准确、可靠的知识。然而，走行部系统是多个子系统的集成，其功能的实现需要各个部件相互协作、共同完成，各部分之间紧密耦合。一旦设备出现故障，故障的表征及功能失效的原因远比表面复杂得多，可能是单个部件的故障，也可能是复合故障，专家仅依据自身的领域经验和相关机理分析，很难给出完全准确可靠的知识。因此，对基于置信规则库的故障诊断技术中现有知识进行可靠性分析非常重要。当前一些主流的研究主要关心模型参数的优化，而没有利用可靠性因子来增强模型的诊断能力。因此，亟需一种新的置信规则库方法及可靠性因子模型实现对走行部系统故障的检测和分类。
发明内容
本发明的目的是为解决目前研究中没有分析现有知识的可靠性对基于置信规则库的故障诊断过程的影响问题，而提出了一种半定量信息融合的高速列车走行部系统故障诊断方法。
本发明为解决上述技术问题所采取的技术方案是：一种半定量信息融合的高速列车走行部系统故障诊断方法，所述方法具体包括以下步骤：
步骤一、采集走行部系统在实际运行时的监测数据，再利用采集的监测数据构造训练数据集，并记录好标签；
初始化置信规则库中的参数向量，建立置信规则库模型；
步骤二、分析置信规则库模型中初始化参数的可靠程度，获得每条置信规则的可靠性因子；
步骤三、将可靠性因子集成于置信规则库模型的证据推理部分中；
步骤四、将训练数据集作为集成了可靠性因子的置信规则库模型的输入，以各故障类型下的正确分类概率作为目标函数，并使用协方差矩阵自适应进化策略优化置信规则库模型，最终获得训练好的置信规则库模型；
步骤五、采集走行部系统在实际运行时的监测数据作为待测数据，并将待测数据输入训练好的置信规则库模型，输出对待测数据的故障诊断结果。
本发明的有益效果是：本发明提出了一种半定量信息融合的高速列车走行部系统故障诊断方法，本发明利用高速列车实际运营中积累的大量知识和监测数据进行建模，无需走行部精确的解析模型，也无需大量走行部异常工况下的监测数据，小样本情况下也能很好的实现诊断功能，便于实际应用；还考虑了置信规则库理论在走行部故障诊断中的难点，即知识不可靠表达下故障诊断难。通过量化知识的不可靠部分，修正置信规则库的知识推理，从而提高故障诊断的效果；同时实现了走行部系统轴向轴承故障诊断和故障分类。
本发明方法对各种类型的故障诊断的正确率均高达90％以上。
附图说明
图1为本发明的一种半定量信息融合的高速列车走行部系统故障诊断方法的流程图；
图2是本发明的一种半定量信息融合的高速列车走行部系统故障诊断方法的离线建模过程的流程示意图；
图3是本发明的一种半定量信息融合的高速列车走行部系统故障诊断方法的在线建模过程的流程示意图；
图4为针对高速列车走行部右侧1轴的热传导故障的故障检测结果示意图；
图5为针对高速列车走行部2轴小齿轮箱电机侧温度故障的故障检测结果示意图；
图6为针对高速列车走行部右2轴轴温超差过大(拖车轮对故障)的故障检测结果示意图。
具体实施方式
具体实施方式一、本实施方式所述的一种半定量信息融合的高速列车走行部系统故障诊断方法，所述方法具体包括以下步骤：
步骤一、采集走行部系统在实际运行时的监测数据，再利用采集的监测数据构造训练数据集，并记录好标签；
初始化置信规则库中的参数向量，建立该训练部分的置信规则库模型；
步骤二、分析置信规则库模型中初始化参数的可靠程度，获得每条置信规则的可靠性因子；
步骤三、利用证据折扣理论将可靠性因子集成于置信规则库模型的证据推理部分中，实现模型推理的优化；
步骤四、将训练数据集作为集成了可靠性因子的置信规则库模型的输入，以各故障类型下的正确分类概率作为目标函数，并使用协方差矩阵自适应进化策略优化该训练数据集的置信规则库模型，最终获得训练好的置信规则库模型；
步骤五、采集走行部系统在实际运行时的监测数据作为待测数据，并将待测数据输入训练好的置信规则库模型，输出对待测数据的故障诊断结果。
步骤五中，需要对待测数据进行均值和峰度特征的提取，提取方法与训练数据集相同。最终通过训练好的置信规则库模型输出待测数据是否存在故障，若存在故障，则同时输出故障的类型。
本实施方式的方法既可以应用于单一故障的检测，也可以应用于多故障类型的检测。当应用于单一故障的检测时，比如对于走行部系统右侧1轴的热传导故障，采集的监测数据包括正常情况下的数据以及走行部系统右侧1轴的热传导故障下的数据。当应用于多故障的检测时，对于每种故障类型，均应对应采集一组监测数据，每组监测数据中，除了包含正常数据以外，仅包含对应故障下的数据。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤一中，采集走行部系统在实际运行时的监测数据，再利用采集的监测数据构造训练数据集，其具体过程为：
采集高速列车走行部系统在实际运行时的N1个时刻的监测数据，其中，每个时刻的监测数据为走行部系统中不同部件的温度数据；再将N1个时刻信息、采集的监测数据以及对应标签存储为二维数据矩阵X1，二维数据矩阵X1的第1列为N1个时刻信息，第2列为每个时刻采集的温度数据，第3列为每个时刻对应的标签(标记为是否故障以及哪种类型的故障)；
对二维数据矩阵X1的第2列中第1行至第n1行的温度数据进行均值和峰度特征的提取，再对二维数据矩阵X1的第2列中第n1+1行至第2n1行的温度数据进行均值和峰度特征的提取，以此类推，直至对二维数据矩阵X1的第2列中的温度数据全部处理完成后，将提取的均值和峰度特征存储为二维数据矩阵X2，二维数据矩阵X2的第1列为均值特征，第2列为峰度特征，第3列为对应的标签，将二维数据矩阵X2作为训练数据集。
本实施方式中，n1的取值为15，将第1个时刻至第15个时刻的均值特征、峰度特征和标签存储为二维数据矩阵X2的第一行，二维数据矩阵X2的第一行第一列为第1个时刻至第15个时刻的监测数据的均值特征，第一行第二列为第1个时刻至第15个时刻的监测数据的峰度特征，第一行第三列为第1个时刻至第15个时刻的监测数据的标签，同理，进行其它数据的存储。
具体实施方式三：本实施方式与具体实施方式二不同的是，所述步骤一中，初始化置信规则库中的参数向量，建立置信规则库模型，其具体过程为：
初始化置信规则库中的参数向量，选择式(1)所示的第k条置信规则Rk作为所建立初始置信规则库模型的知识表达：
Figure BDA0002945576000000041
其中，xm表示输入的第m个数值型观测值，
Figure BDA0002945576000000042
表示第k条置信规则下第m个输入参考值，m＝1,2,…,M，M为输入的数值型观测值的总个数，
Figure BDA0002945576000000043
是第k条置信规则下相对于第n个故障类型Dn的置信度，n＝1,2，…，N，N为故障类型的总个数，θk是第k条置信规则的规则权重，δm为第m个输入参考值的权重，rk是可靠性因子。
另外，当满足
Figure BDA0002945576000000044
说明第k条规则是完整的，否则是不完整的。
具体实施方式四：本实施方式与具体实施方式三不同的是，所述步骤二中，分析置信规则库模型中初始化参数的可靠程度，获得每条置信规则的可靠性因子；其具体实现过程为：
采用式(2)和式(3)计算置信规则间的相似性测度和可靠性因子：
Figure BDA0002945576000000051
Figure BDA0002945576000000052
表示初始库中的第i条置信规则向量，
Figure BDA0002945576000000053
表示初始库中的第j条置信规则向量，上角标T代表转置；
Figure BDA0002945576000000054
其中，S(·,·)表示任意两个置信规则向量间的相似性测度，j＝1,2，…，L，L代表置信规则的总条数，rk表示第k条置信规则的可靠性因子。
具体实施方式五：本实施方式与具体实施方式四不同的是，所述步骤三中，将可靠性因子集成于置信规则库模型的证据推理部分中，其具体过程为：
Figure BDA0002945576000000055
其中，ωk表示第k条置信规则的激活权重，
Figure BDA0002945576000000056
是经可靠性因子rk修正后的权重值，具有更强的推理能力；
再将
Figure BDA0002945576000000057
集成于式(7)和式(8)所示的推理中：
Figure BDA0002945576000000058
Figure BDA0002945576000000059
其中，
Figure BDA00029455760000000510
为第n个故障类型的置信度。
具体实施方式六：本实施方式与具体实施方式五不同的是，所述步骤四的具体过程为：
步骤四一、对训练数据集运行置信规则库模型，获取置信规则库模型的初始期望输出；其具体过程为：
将训练数据集X2代入置信规则库模型中，利用信息转换方法将X2映射为同一维度，即
Figure BDA0002945576000000061
其中，
Figure BDA0002945576000000062
为X2对应的信息转换后的数据特征，
Figure BDA0002945576000000063
表示第m个前提属性的观测数据，1≤m≤M，
Figure BDA0002945576000000064
和
Figure BDA0002945576000000065
分别表示在第k条置信规则和第k+1条置信规则中第m个前提属性的引用值，k＝1,2,…,L，通过
Figure BDA0002945576000000066
建立起
Figure BDA0002945576000000067
和
Figure BDA0002945576000000068
之间的相似程度；
采用式(10)来计算第k条置信规则的匹配度χk：
Figure BDA0002945576000000069
其中，
Figure BDA00029455760000000610
且
Figure BDA00029455760000000611
Yk是第k条置信规则中属性的个数；
采用式(11)计算第k条置信规则的激活权重：
Figure BDA00029455760000000612
当权重ωk被激活后，采用式(7)和式(8)获取每类故障的置信度
Figure BDA00029455760000000613
并根据式(12)得到置信规则库模型的初始期望输出；
Figure BDA00029455760000000614
其中，集合U用于存储每类故障的置信度
Figure BDA00029455760000000615
和故障类型Dn数据对，将最大的置信度值所对应的故障类型作为置信规则库模型的初始期望输出；
步骤四二、基于式(12)所给出的初始期望输出，以各故障类型下的正确分类概率作为目标函数，利用协方差矩阵自适应策略对初始化的参数向量进行优化后，获得训练好的置信规则库模型。
具体实施方式七：本实施方式与具体实施方式六不同的是，所述目标函数的表达式为：
Figure BDA0002945576000000071
其中，Φ(η)为目标函数，γ为故障分类的总样本，γc为正确分类的样本数；
目标函数Φ(·)需满足式(6)中的条件：
Figure BDA0002945576000000072
其中，min(·)表示目标函数的最小值。
具体实施方式八：本实施方式与具体实施方式七不同的是，所述采集列车走行部系统在实际运行时的N1个时刻的监测数据，在N1个时刻的监测数据中，包括走行部系统正常运行(无故障运行)下的N1/2个时刻监测数据以及走行部系统异常运行(故障运行)下的N1/2个时刻监测数据。
下面结合附图和具体实例对本发明的具体实施方式做进一步分析和说明：
如图1所示，一种半定量信息融合的高速列车走行部系统故障诊断方法，包括：
步骤一(S110)，采集走行部系统在实际运行时的一段监测数据作为训练数据集，同时记录好标签，并结合现有知识建立该训练部分的置信规则库模型；
步骤一中，走行部系统的监测数据不仅包含传感器监测数据，还包含对应的标签信息，并初始化置信规则库中的参数向量；选择式(1)所示的第k条规则作为所建立初始置信规则库的知识表达：
Figure BDA0002945576000000073
其中，x表示输入的数值型观测值，
Figure BDA0002945576000000074
表示第k条规则下第m个输入参考值，
Figure BDA0002945576000000075
是第k条规则下相对于第n个故障模式Dn的置信度，θk是第k条规则的规则权重，δm为第m个输入参考值的权重，rk是可靠性因子；另外，当满足
Figure BDA0002945576000000076
说明第k条规则是完整的，否则是不完整的。
步骤二(S120)，基于证据相似性测度方法分析初始置信规则库中待优化参数的可靠程度，或称量化初始化参数的可靠性；
步骤二具体为：
采用式(2)和式(3)计算置信规则间的相似性测度和可靠性因子：
Figure BDA0002945576000000081
Figure BDA0002945576000000082
其中，
Figure BDA0002945576000000083
和
Figure BDA0002945576000000084
分别表示初始库中的第i条和第j条规则向量，S(·,·)表示任意两个向量间的相似性测度，rk表示第k条规则的可靠性因子。
步骤三(S130)，利用证据折扣理论将可靠性因子集成于置信规则库的证据推理部分中，实现模型推理的优化；
步骤三具体为：采用式(4)中所呈现的证据折扣模型将可靠性因子集成于初始库的知识推理中：
Figure BDA0002945576000000085
其中，ωk表示第k条规则的激活权重，
Figure BDA0002945576000000086
是经可靠性因子rk修正后的权重值，具有更强的推理能力。
步骤四(S140)，以各故障类型下的正确分类概率作为目标函数，并使用协方差矩阵自适应进化策略优化该训练数据集的置信规则库模型；
步骤四中，以式(5)作为待优化的目标函数，并利用协方差矩阵自适应策略对步骤一中初始化参数进行优化：
Figure BDA0002945576000000087
其中，待优化的参数向量为
Figure BDA0002945576000000088
γ为故障分类的总样本，γc为正确分类的样本数，且目标函数Φ(·)还需满足式(6)中的条件：
Figure BDA0002945576000000089
其中，min(·)表示目标函数的最小值，通过上式对初始置信规则库进行训练，可有效提高其建模精度。
步骤五(S150)，采集走行部系统在实际运行时的监测数据作为测试数据集，并记录好测试数据集的标签，测试数据中的测量变量与步骤一中的训练数据的测量变量应保持一致；
步骤六(S160)，计算测试数据集的故障诊断指标(即各故障类型对应的置信度)，并与步骤五中的相对应的标签进行比较，对所述测试数据集进行故障分析；
步骤七(S170)，若步骤六中故障分析的结果为有故障发生，则对照故障诊断指标所展示的模型进一步分析其故障类型，实现故障分类(选取出置信度值最大的故障类型)。
如图2所示，为离线建模过程的详细步骤流程示意图，包括：
(1)步骤S210，采集高速列车走行部在实际运行时不同部件的温度数据，提取这组数据的均值和峰度，以这两组独立数据作为训练数据集并记录其标签。具体地，将采集得到的训练数据储存为二维数据矩阵
Figure BDA0002945576000000091
其中每一列分别是N1个时刻信息、温度数据及对应标签。然后，每间隔15个点对第二列的温度数据进行均值和峰度等的特征提取，并将其存储为二维的数据矩阵
Figure BDA0002945576000000092
其中每行代表一个样本，前M列代表一个特征变量，第M+1列代表对应的标签。
(2)步骤S220，利用证据相似性测度方法量化初始库中的可靠性因子并优化初始库的推理。具体地，将模型参数
Figure BDA0002945576000000093
初始化后，采用式(2)和式(3)计算置信规则间的相似性测度和可靠性因子：
Figure BDA0002945576000000094
Figure BDA0002945576000000095
其中，
Figure BDA0002945576000000096
和
Figure BDA0002945576000000097
分别表示初始库中的第i条和第j条规则向量，S(·,·)表示任意两个向量间的相似性测度，rk表示第k条规则的可靠性因子。然后采用式(4)中所呈现的证据折扣模型将可靠性因子集成于初始库的知识推理中：
Figure BDA0002945576000000098
其中，ωk表示第k条规则的激活权重，
Figure BDA0002945576000000099
是经可靠性因子rk修正后的权重值，具有更强的推理能力。最后集成于式(7)和式(8)所示的推理中：
Figure BDA0002945576000000101
Figure BDA0002945576000000102
注：这两个参数在后续步骤中均会用到。
(3)步骤S230，对特征提取后的训练数据集运行置信规则库模型，获取置信规则库模型的初始期望输出。具体地，将步骤S210中的
Figure BDA0002945576000000103
代入置信规则库中，利用信息转换方法将
Figure BDA0002945576000000104
映射为同一维度，即
Figure BDA0002945576000000105
其中
Figure BDA0002945576000000106
表示第m个前提属性的观测数据，
Figure BDA0002945576000000107
和
Figure BDA0002945576000000108
分别表示在第k条规则和第k+1条规则中第m个前提属性的参考等级，
Figure BDA0002945576000000109
表示第m个前提属性包含的规则数。
然后，采用式(10)来计算第k条规则的匹配度计算：
Figure BDA00029455760000001010
其中，
Figure BDA00029455760000001011
和
Figure BDA00029455760000001012
Yk是第k条规则中属性的个数。
采用式(11)计算第k条规则的激活权重：
Figure BDA00029455760000001013
当权重ωk被激活后，可采用式(7)和式(8)，得到式(12)并获取每类故障的置信度
Figure BDA0002945576000000111
Figure BDA0002945576000000112
其中，根据U中
Figure BDA0002945576000000113
且1≤u≤N来判断该故障属于第Du类故障。
(4)步骤S240，基于初始库的期望输出，利用协方差矩阵自适应进化策略进行置信规则库的参数训练，得到优化后的置信规则库模型。具体地，基于式(12)所给出的期望输出，以式(5)作为待优化的目标函数，并利用协方差矩阵自适应策略对步骤S220中初始化参数进行优化：
Figure BDA0002945576000000114
其中，待优化的参数向量为
Figure BDA0002945576000000115
γ为故障分类的总样本，γc为正确分类的样本数，且目标函数Φ(·)还需满足式(6)中的条件：
Figure BDA0002945576000000116
其中，min(·)表示目标函数的最小值，通过上式对初始置信规则库进行训练，即可得到离线训练后的置信规则库模型。
如图3所示为本发明实例的在线诊断过程的详细步骤流程示意图，具体实现步骤如下所述。
(1)步骤S310，采集高速列车在实际运行时监测数据作为测试数据集，并记录其标签，其中提取的特征变量与离线建模过程中训练数据集中的特征变量相对应。记测试数据为Xt∈R3，其中每一列分别是系统运行时刻信息、温度数据及对应标签。同步骤S210，每间隔15个点对第二列的温度数据进行均值和峰度等的特征提取，并将其存储为二维的数据矩阵
Figure BDA0002945576000000117
其中每行代表一个样本，前M列代表一个特征变量，第M+1列代表对应的标签。
(2)步骤S320，将测试数据中的特征变量输入离线建模好的置信规则库模型，并将获得的期望输出与S310记录的标签相比较，对测试数据进行故障分析。
若故障分析的结果为有故障，则根据式(12)和标签信息实现走行部系统的故障诊断和分类。
Figure BDA0002945576000000121
其中，根据U中
Figure BDA0002945576000000122
且1≤u≤N来判断该故障属于第Du类故障。
以下借助Matlab工具，针对高速列车走行部系统常用的仿真验证平台，即走行部模拟运行试验台，静态和动态参数设置试验台的案例对本发明进行说明，结合附图展示本发明的效果。
(1)产生训练数据集和对应标签，并对训练数据集，并结合现有知识建立该训练部分的置信规则库模型。
本示例采用走行部模拟运行仿真模型，并与三种走行部中的常见故障为例，说明如下。故障类型1：走行部系统右侧1轴的热传导故障；故障类型2：走行部系统2轴小齿轮箱电机侧温度故障；故障类型3：走行部系统2轴轴温超差过大——拖车轮对故障。每种故障类型的数据采集均包含两段，且由走行部系统的温度数据反映。以故障类型1为例，故障类型2和3的过程同故障类型1所示(三种故障情况分开收集。注：故障发生位置不同，均属于单一故障)。在无故障运行下收集的1200个样本，在故障运行下收集的1200个样本，共收集2400个样本，并存储在二维数据矩阵
Figure BDA0002945576000000123
其中每一列分别是N1个时刻信息、温度数据及对应标签，且N1＝2400。然后，每间隔15个点对第二列的温度数据进行均值和峰度的特征提取，并将其存储为二维的数据矩阵
Figure BDA0002945576000000124
其中每行代表一个样本，前M列代表一个特征变量，第M+1列代表对应的标签，其中M＝2，N2＝160。
(2)基于现有知识，初始化置信规则库中的参数向量
Figure BDA0002945576000000125
其中故障类型1：θk＝[1,1,1,1,1,1,1,1]T，δm＝[1,1]T，
Figure BDA0002945576000000126
k＝8，n＝2，m＝2，两个属性参考值分别为A1＝[27.5,45,80,101]和A2＝[1,16.5]；故障类型2：θk＝[1,1,1,1,1,1,1,1]T，δm＝[1,1]T，
Figure BDA0002945576000000127
k＝8，n＝2，m＝2，两个属性参考值分别为A1＝[32.5,60,85,101]和A2＝[1,13.5]；故障类型3：θk＝[1,1,1,1,1,1,1,1]T，δm＝[1,1]T，
Figure BDA0002945576000000128
k＝8，n＝2，m＝2，两个属性参考值分别为A1＝[32,60,85,115]和A2＝[1,16.5]。
基于上述知识，构建初始置信规则库，并利用证据相似性测度方法量化初始库中的可靠性因子，其中，故障类型1：rk＝[0,0,0.9167,0,1,0,0,0]T；故障类型2：rk＝[1,1,0,0,0.9231,0,0.4942,0]T；故障类型3：rk＝[0.9140,0.2143,0,0,1,0,0,0]T，并将其集成于置信规则库的知识推理中。
(3)基于特征提取后的训练数据集运行置信规则库模型，获取置信规则库模型的初始期望输出。
基于表达式(9)计算每个数据特征信息转化后的
Figure BDA0002945576000000131
然后，基于表达式(10)将转化后的每个数据计算第k条规则的匹配度计算χk，并基于表达式(11)计算第k条规则的激活权重。当权重ωk被激活后，可采用表达式(7)和式(8)，得到式(12)并获取每类故障的置信度
Figure BDA0002945576000000132
(4)基于初始库的期望输出，利用协方差矩阵自适应进化策略进行置信规则库的参数训练，得到优化后的置信规则库模型。
基于式(12)所给出的期望输出，以式(5)作为待优化的目标函数，并利用协方差矩阵自适应策略对步骤S220初始化参数进行优化。
优化后的参数如下，故障类型1：θk＝[0.8836,0.3181,0.5280,0.8171,1,1,1,0.6364]T，
Figure BDA0002945576000000133
δm＝[0.9182,1]T；
故障类型2：θk＝[1,1,1,0.7076,1,1,1,1]T，δm＝[1,0.9816]T，
Figure BDA0002945576000000134
故障类型3：θk＝[0.6237,1,0.5537,1,1,1,1,1]T，δm＝[0.7404,1]T，
Figure BDA0002945576000000135
(5)采集高速列车在实际运行时监测数据作为测试数据集，并记录其标签。
值得注意的是，其中提取的特征变量与离线建模过程中训练数据集中的特征变量相对应。在无故障运行下收集的300个样本，在故障运行下收集的300个样本，共收集600个样本，并存储在二维数据矩阵Xt∈R3，其中每一列分别是系统运行时刻信息、温度数据及对应标签。同步骤(1)，每间隔15个点对第二列的温度数据进行均值和峰度等的特征提取，并将其存储为二维的数据矩阵
Figure BDA0002945576000000141
其中每行代表一个样本，前M列代表一个特征变量，第M+1列代表对应的标签，其中M＝2，N3＝40。
(6)将测试数据中的特征变量输入离线建模好的置信规则库模型，并将获得的期望输出与步骤(5)记录的标签相比较，对测试数据进行故障分析。
具体地，在本实例中，我们分别产生了三组测试数据集，并在走行部系统上分别施加右侧1轴的热传导故障、2轴小齿轮箱电机侧温度故障、2轴轮对故障。每组测试数据包含两部分，前20个为无故障运行的样本，标签为1，后20个是对应故障运行下的样本，标签为2。
(7)若故障分析的结果为有故障，则根据根据式(12)和标签信息实现走行部系统的故障诊断和分类。
图4、图5、图6分别展示了第一组、第二组和第三组测试数据集的故障检测和分类结果，第一组的故障分类正确率高达100％，第二组的故障分类正确率为90％，第三组的故障分类正确率为92.25％。通过对结果的定量分析，我们发现，考虑了可靠性因子的置信规则库模型对走行部系统的故障较为敏感，其中对走行部轴上的热传导故障具有较好的检测能力，其他类型的故障诊断正确率高达90％以上，具有较好的效果，与事实结论相符。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (7)

1.一种半定量信息融合的高速列车走行部系统故障诊断方法，其特征在于，所述方法具体包括以下步骤：
步骤一、采集走行部系统在实际运行时的监测数据，再利用采集的监测数据构造训练数据集，并记录好标签；
初始化置信规则库中的参数向量，建立置信规则库模型；
步骤二、分析置信规则库模型中初始化参数的可靠程度，获得每条置信规则的可靠性因子；
所述步骤二的具体实现过程为：
采用式(3)计算可靠性因子：
Figure FDA0003702439160000011
其中，S(·,·)表示任意两个置信规则向量间的相似性测度，Rk代表第k条置信规则，Rj代表第j条置信规则，j＝1,2，…，L，L代表置信规则的总条数，rk表示第k条置信规则的可靠性因子；
步骤三、将可靠性因子集成于置信规则库模型的证据推理部分中；
步骤四、将训练数据集作为集成了可靠性因子的置信规则库模型的输入，以各故障类型下的正确分类概率作为目标函数，并使用协方差矩阵自适应进化策略优化置信规则库模型，最终获得训练好的置信规则库模型；
步骤五、采集走行部系统在实际运行时的监测数据作为待测数据，并将待测数据输入训练好的置信规则库模型，输出对待测数据的故障诊断结果。
2.根据权利要求1所述的一种半定量信息融合的高速列车走行部系统故障诊断方法，其特征在于，所述步骤一中，采集走行部系统在实际运行时的监测数据，再利用采集的监测数据构造训练数据集，其具体过程为：
采集列车走行部系统在实际运行时的N1个时刻的监测数据，其中，每个时刻的监测数据为走行部系统中不同部件的温度数据；再将N1个时刻信息、采集的监测数据以及对应标签存储为二维数据矩阵X1，二维数据矩阵X1的第1列为N1个时刻信息，第2列为每个时刻采集的温度数据，第3列为每个时刻对应的标签；
对二维数据矩阵X1的第2列中第1行至第n1行的温度数据进行均值和峰度特征的提取，再对二维数据矩阵X1的第2列中第n1+1行至第2n1行的温度数据进行均值和峰度特征的提取，以此类推，直至对二维数据矩阵X1的第2列中的温度数据全部处理完成后，将提取的均值和峰度特征存储为二维数据矩阵X2，二维数据矩阵X2的第1列为均值特征，第2列为峰度特征，第3列为对应的标签，将二维数据矩阵X2作为训练数据集。
3.根据权利要求2所述的一种半定量信息融合的高速列车走行部系统故障诊断方法，其特征在于，所述步骤一中，初始化置信规则库中的参数向量，建立置信规则库模型，其具体过程为：
初始化置信规则库中的参数向量，选择式(1)所示的第k条置信规则Rk作为所建立置信规则库模型的知识表达：
Figure FDA0003702439160000021
其中，xm表示输入的第m个前提属性，
Figure FDA0003702439160000022
表示第k条置信规则下第m个前提属性的输入参考值，m＝1,2,…,M，M为输入的前提属性的总个数，
Figure FDA0003702439160000023
是第k条置信规则下相对于第n个故障类型Dn的置信度，n＝1,2，…，N，N为故障类型的总个数，θk是第k条置信规则的规则权重，δm为第m个前提属性的输入参考值的权重，rk是可靠性因子。
4.根据权利要求3所述的一种半定量信息融合的高速列车走行部系统故障诊断方法，其特征在于，所述步骤三中，将可靠性因子集成于置信规则库模型的证据推理部分中，其具体过程为：
Figure FDA0003702439160000024
其中，ωk表示第k条置信规则的激活权重，
Figure FDA0003702439160000025
是经可靠性因子rk修正后的权重值；
再将
Figure FDA0003702439160000026
集成于式(7)和式(8)所示的推理中：
Figure FDA0003702439160000027
Figure FDA0003702439160000031
其中，
Figure FDA0003702439160000032
为第n个故障类型的置信度。
5.根据权利要求4所述的一种半定量信息融合的高速列车走行部系统故障诊断方法，其特征在于，所述步骤四的具体过程为：
步骤四一、对训练数据集运行置信规则库模型，获取置信规则库模型的初始期望输出；其具体过程为：
将训练数据集X2代入置信规则库模型中，利用信息转换方法将X2映射为同一维度，即
Figure FDA0003702439160000033
其中，
Figure FDA0003702439160000034
为X2对应的信息转换后的数据特征，
Figure FDA0003702439160000035
表示第m个前提属性的观测数据，1≤m≤M，
Figure FDA0003702439160000036
和
Figure FDA0003702439160000037
分别表示在第k条置信规则和第k+1条置信规则中第m个前提属性的引用值，k＝1,2,…,L，通过
Figure FDA0003702439160000038
建立起
Figure FDA0003702439160000039
和
Figure FDA00037024391600000310
之间的相似程度；
采用式(10)来计算第k条置信规则的匹配度χk：
Figure FDA00037024391600000311
其中，
Figure FDA00037024391600000312
且
Figure FDA00037024391600000313
采用式(11)计算第k条置信规则的激活权重：
Figure FDA00037024391600000314
当权重ωk被激活后，采用式(7)和式(8)获取每类故障的置信度
Figure FDA00037024391600000315
并根据式(12)得到置信规则库模型的初始期望输出；
Figure FDA0003702439160000041
其中，集合U用于存储每类故障的置信度
Figure FDA0003702439160000042
和故障类型Dn数据对，将最大的置信度值所对应的故障类型作为置信规则库模型的初始期望输出；
步骤四二、基于式(12)所给出的初始期望输出，以各故障类型下的正确分类概率作为目标函数，利用协方差矩阵自适应策略对初始化的参数向量进行优化后，获得训练好的置信规则库模型。
6.根据权利要求5所述的一种半定量信息融合的高速列车走行部系统故障诊断方法，其特征在于，所述目标函数的表达式为：
Figure FDA0003702439160000043
其中，Φ(η)为目标函数，γ为故障分类的总样本，γc为正确分类的样本数；
目标函数Φ(·)需满足式(6)中的条件：
Figure FDA0003702439160000044
其中，min(·)表示目标函数的最小值。
7.根据权利要求6所述的一种半定量信息融合的高速列车走行部系统故障诊断方法，其特征在于，所述采集列车走行部系统在实际运行时的N1个时刻的监测数据，在N1个时刻的监测数据中，包括走行部系统正常运行下的N1/2个时刻监测数据以及走行部系统异常运行下的N1/2个时刻监测数据。
CN202110192488.2A 2021-02-20 2021-02-20 一种半定量信息融合的高速列车走行部系统故障诊断方法 Active CN112990275B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110192488.2A CN112990275B (zh) 2021-02-20 2021-02-20 一种半定量信息融合的高速列车走行部系统故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110192488.2A CN112990275B (zh) 2021-02-20 2021-02-20 一种半定量信息融合的高速列车走行部系统故障诊断方法

Publications (2)

Publication Number Publication Date
CN112990275A CN112990275A (zh) 2021-06-18
CN112990275B true CN112990275B (zh) 2022-08-26

Family

ID=76393737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110192488.2A Active CN112990275B (zh) 2021-02-20 2021-02-20 一种半定量信息融合的高速列车走行部系统故障诊断方法

Country Status (1)

Country Link
CN (1) CN112990275B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114863192A (zh) * 2022-07-06 2022-08-05 武汉工程大学 基于图片-照片融合的动车组走行部异常识别方法及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109491816A (zh) * 2018-10-19 2019-03-19 中国船舶重工集团公司第七六研究所 基于知识的故障诊断方法
CN111580506A (zh) * 2020-06-03 2020-08-25 南京理工大学 基于信息融合的工业过程故障诊断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175282B (zh) * 2011-01-24 2012-07-25 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
CN109117353B (zh) * 2018-08-20 2019-12-20 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
CN112288291A (zh) * 2020-11-03 2021-01-29 集美大学 一种基于改进cream的船舶引航员人因可靠性预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109491816A (zh) * 2018-10-19 2019-03-19 中国船舶重工集团公司第七六研究所 基于知识的故障诊断方法
CN111580506A (zh) * 2020-06-03 2020-08-25 南京理工大学 基于信息融合的工业过程故障诊断方法

Also Published As

Publication number Publication date
CN112990275A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
US11586913B2 (en) Power equipment fault detecting and positioning method of artificial intelligence inference fusion
CN110704801B (zh) 桥梁集群结构运营安全智能监测与快速检测成套方法
CN111207938B (zh) 一种铁道车辆故障检测方法
Li et al. WavCapsNet: An interpretable intelligent compound fault diagnosis method by backward tracking
CN113128561A (zh) 一种机床轴承故障诊断方法
CN107941537A (zh) 一种机械设备健康状态评估方法
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
CN104596780B (zh) 一种动车组制动系统传感器故障的诊断方法
CN110705812A (zh) 一种基于模糊神经网络的工业故障分析系统
CN103827653B (zh) 检测异常的发生的方法、设备及计算机程序
CN103471865A (zh) 基于线性判别法的列车悬挂系统故障分离方法
CN111638034B (zh) 基于深度学习的应变天平温度梯度误差补偿方法及系统
CN111860839A (zh) 基于多信号融合及Adam优化算法的岸桥故障监测方法
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
CN112990275B (zh) 一种半定量信息融合的高速列车走行部系统故障诊断方法
CN110991471A (zh) 一种高速列车牵引系统故障诊断方法
CN112395684A (zh) 一种高速列车走行部系统智能故障诊断方法
CN113837071A (zh) 基于多尺度权重选择对抗网络的部分迁移故障诊断方法
CN116502526A (zh) 基于改进pso-grnn神经网络称重传感器故障诊断方法
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
CN113465924A (zh) 一种基于改进bp神经网络的轴承故障诊断方法及系统
Dash et al. A Comparison of Model-Based and Machine Learning Techniques for Fault Diagnosis
CN113033600B (zh) 基于改进d-s证据融合的转子不对中状态识别方法
CN118245852B (zh) 基于图引导关系学习的高速列车悬挂系统故障诊断方法
Wang et al. Complex equipment diagnostic reasoning based on neural network algorithm

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