CN113253709A - 一种适用于轨道交通车辆健康诊断方法及装置 - Google Patents
一种适用于轨道交通车辆健康诊断方法及装置 Download PDFInfo
- Publication number
- CN113253709A CN113253709A CN202110628926.5A CN202110628926A CN113253709A CN 113253709 A CN113253709 A CN 113253709A CN 202110628926 A CN202110628926 A CN 202110628926A CN 113253709 A CN113253709 A CN 113253709A
- Authority
- CN
- China
- Prior art keywords
- rail transit
- health
- transit vehicle
- data
- vehicle
- 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
- 230000036541 health Effects 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003745 diagnosis Methods 0.000 title claims abstract description 49
- 241001206881 Myrmeleon inconspicuus Species 0.000 claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims description 21
- 238000004519 manufacturing process Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 241000257303 Hymenoptera Species 0.000 claims description 10
- 241000282320 Panthera leo Species 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005295 random walk Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000003862 health status Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 206010039203 Road traffic accident Diseases 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013077 scoring method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种适用于轨道交通车辆健康诊断方法及装置，包括：基于车间服务系统采集轨道交通车辆全生命周期数据并进行预处理，形成标签数据集；利用自适应的蚁狮策略和虚拟建模技术构建数字孪生健康分析模型，输入所述标签数据集至所述数据孪生模型中进行训练；根据贝叶斯判断原则对训练结果进行判断，若满足所述贝叶斯判断原则，则输出模型为车辆数字孪生健康诊断模型；将待诊断的轨道交通车辆数据实时输入所述车辆数字孪生健康诊断模型进行健康诊断，计算输出最终的诊断数据。本发明能够实时准确分析轨道交通车辆健康状态，为用户提供运营决策信息，避免了因车辆健康造成的交通事故的发生，降低了社会威胁性，保障乘客及司机安全。
Description
技术领域
本发明涉及数字孪生信号处理技术和互联网技术领域，尤其涉及一种适用于轨道交通车辆健康诊断方法及装置。
背景技术
随着社会与经济的发展，城市化已成为当今世界发展的重要趋势，在城市化的历程中，不同规模及不同发展阶段的城市产生了不同的交通需求，需要通过相应的交通技术水平及运输工具来加以满足，从许多国际化大都市发展的实践来看，轨道交通以其运量大、速度快的技术优势已成为城市交通结构中不可缺少的组成部分，它较好的解决了大、中城市交通日益增长的供需矛盾问题，并满足了城市化的要求，城市轨道交通随着城市化进程的深入，越来越成为城市客运交通的主体，因此，掌握轨道交通车辆的健康状态对于保障、指导城市轨道交通建设和发展具有重要意义。
现有技术仅能依靠车辆历史数据进行简单的参数分析，得到的结果过于粗略，从而造成过大的误差，随着新一代信息技术的发展，数字孪生技术的应用还不是很成熟，因而在融合使用过程中也存在交大的偏差，为了更好地保障城市发展和用户使用安全，准确的分析轨道交通车辆健康状态是当前急需解决的一大难题。
发明内容
本发明实施例提供一种适用于轨道交通车辆健康诊断方法及装置。
本发明实施例的第一方面，提供一种适用于轨道交通车辆健康诊断方法，可选地，在第一方面的一种可能实现方式中，包括：基于车间服务系统采集轨道交通车辆全生命周期数据并进行预处理，形成标签数据集；利用自适应的蚁狮策略和虚拟建模技术构建数字孪生健康分析模型，输入所述标签数据集至所述数据孪生模型中进行训练；根据贝叶斯判断原则对训练结果进行优化判断，若满足所述贝叶斯判断原则，则输出模型为车辆数字孪生健康诊断模型；将待诊断的轨道交通车辆数据实时输入所述车辆数字孪生健康诊断模型进行健康诊断，计算输出最终的诊断数据。
本发明实施例的第二方面，提供一种适用于轨道交通车辆健康诊断方法，可选地，在第一方面的一种可能实现方式中，所述轨道交通车辆全生命周期数据包括，设计制造周期、运营周期和检修维护周期；所述设计制造周期包括，图纸、文件、软件的版本号和变更信息；所述运营周期包括，运营里程和运营时间信息；所述检修维护包括，所述轨道交通车辆与检修级别和检修承包商的信息。
本发明实施例的第三方面，提供一种适用于轨道交通车辆健康诊断方法，可选地，在第一方面的一种可能实现方式中，还包括，车辆的列、辆、编组号，物料的批次号、序次号、质保期、寿命和供应商信息。
本发明实施例的第四方面，提供一种适用于轨道交通车辆健康诊断方法，可选地，在第一方面的一种可能实现方式中，所述预处理为标准化处理，包括，在Minitab中输入所述轨道交通车辆全生命周期数据；打开界面中的标准化面板；选择需要处理所述轨道交通车辆全生命周期数据的范围，利用Z-score标准化处理，减去均值并除以标准差；指定处理后数据的存放区域，形成标准化的所述标签数据集。
本发明实施例的第五方面，提供一种适用于轨道交通车辆健康诊断方法，可选地，在第一方面的一种可能实现方式中，构建所述数字孪生健康分析模型包括，利用所述虚拟建模技术构建一个与轨道交通车辆相对应的虚拟对象，并将所述标签数据集与所述虚拟对象进行交互，使得物理对象的状态能够实时映射至所述虚拟对象中，并将呈危险状态类型发送至所述车间服务系统中；在所述车间服务系统中对所述数字孪生健康分析模型中的虚拟对象输入操作指令，所述虚拟对象进行仿真模拟，并进行健康分析，判断是否存在风险状态，若不存在则将所述操作指令传输至物理对象，若存在则进行预警，若所述车间服务系统输入的所述操作指令顺序错误，所述虚拟对象会根据错误提供优化，给出正确的操作顺序。
本发明实施例的第六方面，提供一种适用于轨道交通车辆健康诊断方法，可选地，在第一方面的一种可能实现方式中，所述数字孪生健康分析模型利用所述自适应的蚁狮策略计算健康状态数据进行分析，包括，
其中，
为蚂蚁在第t次迭代时围绕轮盘赌所选蚁狮进行随机游走后的位置，
为蚂蚁在第t次迭代时围绕精英蚁狮进行随机游走后的位置，t为当前迭代次数，T为最大迭
代次数，rand为（0,1）间均匀分布的随机数。
本发明实施例的第七方面，提供一种适用于轨道交通车辆健康诊断方法，可选地，
在第一方面的一种可能实现方式中，所述训练包括，初始化所述标签数据集；设置蚁狮寻优
轮盘赌参数，定义若
，则A对应的蚁狮个体参与轮盘赌，否则不参与轮盘
赌；其中，A为参与轮盘赌蚁狮个体的适应度值，P为蚁狮适应度的平均值，rand为（0,1）间均
匀分布的随机数；循环迭代所述蚁狮策略，利用蚂蚁更大概率围绕精英蚁狮游走的原则判
断，若所述精英蚁狮被蚂蚁围绕游走次数较多，则所述精英蚁狮所在区域为健康状态，否则
为危险状态。
本发明实施例的第八方面，提供一种适用于轨道交通车辆健康诊断方法，可选地，在第一方面的一种可能实现方式中，所述车辆数字孪生健康诊断模型包括，
其中，
：第i个精英蚁狮所在区域中被正确识别围绕游走的距离权值个数，
：
第i个蚁狮区域中识别游走的距离权值个数；所述车辆数字孪生健康诊断模型利用所述贝
叶斯判断原则进行优化训练，包括，将轨道交通车辆全生命周期数据状态值作为训练样本
进行全局优化健康状态诊断的学习参数，得到距离权值量元的条件概率分布；微调参数初
始值，循环迭代n次； 将待测轨道交通车辆数据状态值代入所述车辆数字孪生健康诊断模
型中进行分析计算，得到所述待测轨道交通车辆数据的距离权值概率分布；若所述距离权
值概率分布大于等于0.5，则所述优化训练结束；若所述距离权值概率分布小于0.5，则所述
优化训练继续进行；若所述蚁狮区域内距离权值越大，则健康状态值越多，所述待测轨道交
通车辆越健康；若所述蚁狮区域内距离权值越小，则健康状态值越少，所述待测轨道交通车
辆越危险。
本发明实施例的第九方面，提供一种适用于轨道交通车辆健康诊断装置，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行本发明第一方面及第一方面各种可能涉及的所述方法。
本发明实施例的第十方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能涉及的所述方法。
本发明提供的一种适用于轨道交通车辆健康诊断方法及装置，能够实时准确分析轨道交通车辆健康状态，为用户提供运营决策信息，避免了因车辆健康造成的交通事故的发生，降低了社会威胁性，保障乘客及司机安全。
附图说明
图1为本发明一个实施例所述的一种适用于轨道交通车辆健康诊断方法及装置的流程示意图；
图2为本发明一个实施例所述的一种适用于轨道交通车辆健康诊断方法及装置的车间服务系统框架示意图；
图3为本发明一个实施例所述的一种适用于轨道交通车辆健康诊断方法及装置的数字孪生框架示意图；
图4为本发明一个实施例所述的一种适用于轨道交通车辆健康诊断方法及装置的准确度对比曲线示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
参照图1，为本发明的第一个实施例，提供了一种适用于轨道交通车辆健康诊断方法，包括：
S1：基于车间服务系统采集轨道交通车辆全生命周期数据并进行预处理，形成标签数据集。其中需要说明的是，轨道交通车辆全生命周期数据包括：
设计制造周期、运营周期和检修维护周期，车辆的列、辆、编组号，物料的批次号、序次号、质保期、寿命和供应商信息；
设计制造周期包括，图纸、文件、软件的版本号和变更信息；
运营周期包括，运营里程和运营时间信息；
检修维护包括，轨道交通车辆与检修级别和检修承包商的信息。
具体的，预处理为标准化处理，包括：
在Minitab中输入轨道交通车辆全生命周期数据；
打开界面中的标准化面板；
选择需要处理轨道交通车辆全生命周期数据的范围，利用Z-score标准化处理，减去均值并除以标准差；
指定处理后数据的存放区域，形成标准化的标签数据集。
S2：利用自适应的蚁狮策略和虚拟建模技术构建数字孪生健康分析模型，输入标签数据集至数据孪生模型中进行训练。本步骤需要说明的是，构建数字孪生健康分析模型包括：
利用虚拟建模技术构建一个与轨道交通车辆相对应的虚拟对象，并将标签数据集与虚拟对象进行交互，使得物理对象的状态能够实时映射至虚拟对象中，并将呈危险状态类型发送至车间服务系统中；
在车间服务系统中对数字孪生健康分析模型中的虚拟对象输入操作指令，虚拟对象进行仿真模拟，并进行健康分析，判断是否存在风险状态，若不存在则将操作指令传输至物理对象，若存在则进行预警，若车间服务系统输入的操作指令顺序错误，虚拟对象会根据错误提供优化，给出正确的操作顺序。
进一步的，数字孪生健康分析模型利用自适应的蚁狮策略计算健康状态数据进行分析，包括：
其中，
为蚂蚁在第t次迭代时围绕轮盘赌所选蚁狮进行随机游走后的位置，
为蚂蚁在第t次迭代时围绕精英蚁狮进行随机游走后的位置，t为当前迭代次数，T为最大迭
代次数，rand为（0,1）间均匀分布的随机数。
具体的，训练包括：
初始化标签数据集；
设置蚁狮寻优轮盘赌参数，定义若
，则A对应的蚁狮个体参与轮
盘赌，否则不参与轮盘赌；
其中，A为参与轮盘赌蚁狮个体的适应度值，P为蚁狮适应度的平均值，rand为（0,1）间均匀分布的随机数；
循环迭代蚁狮策略，利用蚂蚁更大概率围绕精英蚁狮游走的原则判断，若精英蚁狮被蚂蚁围绕游走次数较多，则精英蚁狮所在区域为健康状态，否则为危险状态。
再进一步的是，数字孪生健康分析模型利用自适应的蚁狮策略计算健康状态数据进行分析的部分运行代码如下所示：
S3：根据贝叶斯判断原则对训练结果进行优化判断，若满足贝叶斯判断原则，则输出模型为车辆数字孪生健康诊断模型。其中还需要说明的是，车辆数字孪生健康诊断模型包括：
其中，
：第i个精英蚁狮所在区域中被正确识别围绕游走的距离权值个数，
：
第i个蚁狮区域中识别游走的距离权值个数；
车辆数字孪生健康诊断模型利用贝叶斯判断原则进行优化训练，包括，
将轨道交通车辆全生命周期数据状态值作为训练样本进行全局优化健康状态诊断的学习参数，得到距离权值量元的条件概率分布；
微调参数初始值，循环迭代n次；
将待测轨道交通车辆数据状态值代入车辆数字孪生健康诊断模型中进行分析计算，得到待测轨道交通车辆数据的距离权值概率分布；
若距离权值概率分布大于等于0.5，则优化训练结束；
若距离权值概率分布小于0.5，则优化训练继续进行。
S4：将待诊断的轨道交通车辆数据实时输入车辆数字孪生健康诊断模型进行健康诊断，计算输出最终的诊断数据。本步骤还需要说明的是：
若蚁狮区域内距离权值越大，则健康状态值越多，待测轨道交通车辆越健康；
若蚁狮区域内距离权值越小，则健康状态值越少，待测轨道交通车辆越危险。
优选的，为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择以传统的互联网车辆评分方法与采用本发明方法进行对比测试，以科学论证的手段对比试验结果，验证本发明方法所具有的真实效果。
传统的互联网车辆评分方法不能实时诊断轨道交通车辆的健康状态，存在较大误差，影响用户运营安全和使用体验，为验证本发明方法相对于传统方法具有较高的诊断准确度和实时性，本实施例中将采用传统的互联网车辆评分方法和本发明方法分别对仿真车辆的健康状态进行实时测量对比。
测试环境：（1）软件开发平台涉及树莓派微型计算机和 PC 电脑平台，开发软件包括 Visual Studio 2013、Eclipse、Notepad++。
（2）使用的实验数据为：某城市内的所有统计在线轨道交通车辆，例如，市郊铁路、地下铁道、轻轨交通、独轨铁路和有轨电车。
（3）实验测试方法为每连续三个时刻（1分钟为一个时刻）为一组数据，每个循环测试两组。
（4）先对传统方法提供的评分方法做性能测试，在对本发明方法进行健康诊断测试，分别将传统方法与本发明方法的运行程序进行编码，导入MATLB软件中进行仿真模拟测试。
参照图4，实线为本发明方法输出的曲线，虚线为传统方法输出的曲线，根据图4的示意，能够直观的看出，实线与虚线随着时间的增加，呈现不同的走势，实线相较于虚线，在前期一直呈稳定的上升趋势，虽然后期有所下滑，但是波动不大，且一直在虚线的上方，并保持一定的距离，而虚线则呈现较大的波动趋势，不稳定，由此，实线的状态识别精准度一直大于虚线，即验证了本发明方法所具有的真实效果。
参照图2，数字孪生车间（digital twin shop-floor, DTS）包括，物理车间（physical shop-floor, PS）、虚拟车间（virtual shop-floor, VS）、车间服务系统（shop-floor service system, SSS）、车间孪生数据（shop-floor digital twin data, SDTD）和连接（connection, CN）。
不难理解的是，PS是车间客观存在的生产设备、人员、产品、物料等实体的集合，主要负责接收SSS下达的生产任务，并严格按照VS仿真优化后的预定义的生产指令，执行生产活动并完成生产任务，PS的设备、人员、产品、物料等生产要素的实时状态数据可通过各类传感器进行有效采集，由于这些数据来自不同数据源，存在数据结构不同、接口不同、语义各异问题；VS是PS的忠实完全数字化镜像，从几何、物理、行为、规则多个层面对PS进行描述与刻画，主要负责对PS的生产资源与生产活动进行仿真、评估及优化，并对实际生产过程进行实时监测、预测与调控，VS中包括人员、设备、工具等单个生产要素的单元级模型，由多个生产要素单元级模型构成的系统级产线模型，以及包括多个系统级产线模型及模型间交互与耦合关系的复杂系统级车间模型；SDTD是PS、VS、SSS相关数据、领域知识，以及通过数据融合产生的衍生数据的集合，是PS、VS、SSS运行交互与迭代优化的驱动，融合数据是SDTD的重要组成部分，是通过特定的规则将来自物理和信息空间的数据聚合在一起得到的，其中，物理空间的数据主要指PS相关数据，这些数据是物理实体产生的真实数据；信息空间的数据主要指VS相关数据和SSS相关数据，这些数据不是从物理空间直接采集得到的，而是在物理数据的基础上，利用信息空间模型仿真、算法推演、系统衍生等过程得到的，是对物理数据的补充；SSS是数据驱动的各类服务功能的集合或总称，它将DTS运行过程中所需数据、模型、算法、仿真、结果进行服务化封装，形成支持DTS管控与优化的功能性与业务性服务；CN实现DTS各部分的互联互通，它包括PS和SDTD的连接（CN_PD）、PS和VS的连接（CN_PV）、PS和SSS的连接（CN_PS）、VS和SDTD的连接（CN_VD）、VS和SSS的连接（CN_VS）、SSS和SDTD的连接（CN_SD）。
参照图3，为本实施例提供的一种适用于轨道交通车辆健康诊断装置，其包括数字孪生模块，根据图3的示意，本实施例需要说明的是，操作员通过平台控制中心（即车间服务系统）获取轨道交通车辆相关数据并传输给执行机构（算法中心）扫描真实的物理对象，结合映射技术，输入实时采集的车辆当前数据完成虚拟建模，即得到一个虚拟对象，且由平台控制中心进行控制。
本实施例还需要说明的是，一种适用于轨道交通车辆健康诊断装置还包括存储器、处理器以及计算机程序，计算机程序存储在存储器中，处理器运行计算机程序执行一种适用于轨道交通车辆健康诊断方法。
本实施例还提供一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质，通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质，计算机存储介质可以是通用或专用计算机能够存取的任何可用介质；例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。
当然，可读存储介质也可以是处理器的组成部分，处理器和可读存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称：ASIC)中，另外，该ASIC可以位于用户设备中，当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中，可读存储介质可以是只读存储器（ROM）、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中，设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述设备的实施例中，应理解，处理器可以是中央处理单元（英文：CentralProcessing Unit，简称：CPU），还可以是其他通用处理器、数字信号处理器（英文：DigitalSignal Processor，简称：DSP）、专用集成电路（英文：Application Specific IntegratedCircuit，简称：ASIC），通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器，结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种适用于轨道交通车辆健康诊断方法，其特征在于，包括：
基于车间服务系统采集轨道交通车辆全生命周期数据并进行预处理，形成标签数据集；
利用自适应的蚁狮策略和虚拟建模技术构建数字孪生健康分析模型，输入所述标签数据集至所述数据孪生模型中进行训练；
根据贝叶斯判断原则对训练结果进行优化判断，若满足所述贝叶斯判断原则，则输出模型为车辆数字孪生健康诊断模型；
将待诊断的轨道交通车辆数据实时输入所述车辆数字孪生健康诊断模型进行健康诊断，计算输出最终的诊断数据。
2.根据权利要求1所述的适用于轨道交通车辆健康诊断方法，其特征在于：所述轨道交通车辆全生命周期数据包括，设计制造周期、运营周期和检修维护周期；
所述设计制造周期包括，图纸、文件、软件的版本号和变更信息；
所述运营周期包括，运营里程和运营时间信息；
所述检修维护包括，所述轨道交通车辆与检修级别和检修承包商的信息。
3.根据权利要求2所述的适用于轨道交通车辆健康诊断方法，其特征在于：还包括，车辆的列、辆、编组号，物料的批次号、序次号、质保期、寿命和供应商信息。
4.根据权利要求2或3所述的适用于轨道交通车辆健康诊断方法，其特征在于：所述预处理为标准化处理，包括，
在Minitab中输入所述轨道交通车辆全生命周期数据；
打开界面中的标准化面板；
选择需要处理所述轨道交通车辆全生命周期数据的范围，利用Z-score标准化处理，减去均值并除以标准差；
指定处理后数据的存放区域，形成标准化的所述标签数据集。
5.根据权利要求4所述的适用于轨道交通车辆健康诊断方法，其特征在于：构建所述数字孪生健康分析模型包括，
利用所述虚拟建模技术构建一个与轨道交通车辆相对应的虚拟对象，并将所述标签数据集与所述虚拟对象进行交互，使得物理对象的状态能够实时映射至所述虚拟对象中，并将呈危险状态类型发送至所述车间服务系统中；
在所述车间服务系统中对所述数字孪生健康分析模型中的虚拟对象输入操作指令，所述虚拟对象进行仿真模拟，并进行健康分析，判断是否存在风险状态，若不存在则将所述操作指令传输至物理对象，若存在则进行预警，若所述车间服务系统输入的所述操作指令顺序错误，所述虚拟对象会根据错误提供优化，给出正确的操作顺序。
6.根据权利要求5所述的适用于轨道交通车辆健康诊断方法，其特征在于：所述数字孪生健康分析模型利用所述自适应的蚁狮策略计算健康状态数据进行分析，包括，
其中，
为蚂蚁在第t次迭代时围绕轮盘赌所选蚁狮进行随机游走后的位置，
为蚂
蚁在第t次迭代时围绕精英蚁狮进行随机游走后的位置，t为当前迭代次数，T为最大迭代次
数，rand为（0,1）间均匀分布的随机数。
7.根据权利要求6所述的适用于轨道交通车辆健康诊断方法，其特征在于：所述训练包括，
初始化所述标签数据集；
设置蚁狮寻优轮盘赌参数，定义若
，则A对应的蚁狮个体参与轮盘
赌，否则不参与轮盘赌；
其中，A为参与轮盘赌蚁狮个体的适应度值，P为蚁狮适应度的平均值，rand为（0,1）间均匀分布的随机数；
循环迭代所述蚁狮策略，利用蚂蚁更大概率围绕精英蚁狮游走的原则判断，若所述精英蚁狮被蚂蚁围绕游走次数较多，则所述精英蚁狮所在区域为健康状态，否则为危险状态。
8.根据权利要求7所述的适用于轨道交通车辆健康诊断方法，其特征在于：所述车辆数字孪生健康诊断模型包括，
其中，
：第i个精英蚁狮所在区域中被正确识别围绕游走的距离权值个数，
：第i个
蚁狮区域中识别游走的距离权值个数；
所述车辆数字孪生健康诊断模型利用所述贝叶斯判断原则进行优化训练，包括，
将轨道交通车辆全生命周期数据状态值作为训练样本进行全局优化健康状态诊断的学习参数，得到距离权值量元的条件概率分布；
微调参数初始值，循环迭代n次；
将待测轨道交通车辆数据状态值代入所述车辆数字孪生健康诊断模型中进行分析计算，得到所述待测轨道交通车辆数据的距离权值概率分布；
若所述距离权值概率分布大于等于0.5，则所述优化训练结束；
若所述距离权值概率分布小于0.5，则所述优化训练继续进行；
若所述蚁狮区域内距离权值越大，则健康状态值越多，所述待测轨道交通车辆越健康；
若所述蚁狮区域内距离权值越小，则健康状态值越少，所述待测轨道交通车辆越危险。
9.一种适用于轨道交通车辆健康诊断装置，其特征在于，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行权利要求1至8任一所述的方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1至8任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110628926.5A CN113253709B (zh) | 2021-06-07 | 2021-06-07 | 一种适用于轨道交通车辆健康诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110628926.5A CN113253709B (zh) | 2021-06-07 | 2021-06-07 | 一种适用于轨道交通车辆健康诊断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113253709A true CN113253709A (zh) | 2021-08-13 |
| CN113253709B CN113253709B (zh) | 2021-09-21 |
Family
ID=77186586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110628926.5A Active CN113253709B (zh) | 2021-06-07 | 2021-06-07 | 一种适用于轨道交通车辆健康诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113253709B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113523500A (zh) * | 2021-08-17 | 2021-10-22 | 江苏中车数字科技有限公司 | 轨道车辆焊接智能控制系统及方法 |
| CN114329760A (zh) * | 2021-11-26 | 2022-04-12 | 北京交通大学 | 一种基于数字孪生的车载锂离子电池建模及故障诊断方法 |
| CN115952693A (zh) * | 2023-03-13 | 2023-04-11 | 中国重汽集团济南动力有限公司 | 基于大数据的变速箱载荷谱转化方法、装置、设备、介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650074A (zh) * | 2016-12-14 | 2017-05-10 | 桂林电子科技大学 | 一种基于遗传蚁群融合算法的数字微流控芯片灾难性故障测试方法 |
| CN107274038A (zh) * | 2017-07-31 | 2017-10-20 | 上海电力学院 | 一种基于蚁狮优化的lssvm年用电量预测方法 |
| CN109145464A (zh) * | 2018-08-28 | 2019-01-04 | 暨南大学 | 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法 |
| CN109767036A (zh) * | 2018-12-28 | 2019-05-17 | 北京航空航天大学 | 基于自适应蚁狮优化的支持向量机故障预测方法 |
| CN110006649A (zh) * | 2018-12-24 | 2019-07-12 | 湖南科技大学 | 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法 |
| CN111581850A (zh) * | 2020-05-27 | 2020-08-25 | 北京理工大学 | 一种应用数字孪生技术的全周期动力电池管理系统 |
| CN112114214A (zh) * | 2020-09-08 | 2020-12-22 | 贵州电网有限责任公司 | 一种变压器故障诊断方法 |
| CN112904220A (zh) * | 2020-12-30 | 2021-06-04 | 厦门大学 | 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质 |
| CN112909937A (zh) * | 2021-02-05 | 2021-06-04 | 北京千驷驭电气有限公司 | 一种轨道交通牵引供电系统的多模态数字孪生仿真方法和装置 |
-
2021
- 2021-06-07 CN CN202110628926.5A patent/CN113253709B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650074A (zh) * | 2016-12-14 | 2017-05-10 | 桂林电子科技大学 | 一种基于遗传蚁群融合算法的数字微流控芯片灾难性故障测试方法 |
| CN107274038A (zh) * | 2017-07-31 | 2017-10-20 | 上海电力学院 | 一种基于蚁狮优化的lssvm年用电量预测方法 |
| CN109145464A (zh) * | 2018-08-28 | 2019-01-04 | 暨南大学 | 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法 |
| CN110006649A (zh) * | 2018-12-24 | 2019-07-12 | 湖南科技大学 | 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法 |
| CN109767036A (zh) * | 2018-12-28 | 2019-05-17 | 北京航空航天大学 | 基于自适应蚁狮优化的支持向量机故障预测方法 |
| CN111581850A (zh) * | 2020-05-27 | 2020-08-25 | 北京理工大学 | 一种应用数字孪生技术的全周期动力电池管理系统 |
| CN112114214A (zh) * | 2020-09-08 | 2020-12-22 | 贵州电网有限责任公司 | 一种变压器故障诊断方法 |
| CN112904220A (zh) * | 2020-12-30 | 2021-06-04 | 厦门大学 | 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质 |
| CN112909937A (zh) * | 2021-02-05 | 2021-06-04 | 北京千驷驭电气有限公司 | 一种轨道交通牵引供电系统的多模态数字孪生仿真方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 无: "数字孪生车间的概念、运行机制及关键技术", 《智造网》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113523500A (zh) * | 2021-08-17 | 2021-10-22 | 江苏中车数字科技有限公司 | 轨道车辆焊接智能控制系统及方法 |
| CN113523500B (zh) * | 2021-08-17 | 2022-05-06 | 江苏中车数字科技有限公司 | 轨道车辆焊接智能控制系统及方法 |
| CN114329760A (zh) * | 2021-11-26 | 2022-04-12 | 北京交通大学 | 一种基于数字孪生的车载锂离子电池建模及故障诊断方法 |
| CN115952693A (zh) * | 2023-03-13 | 2023-04-11 | 中国重汽集团济南动力有限公司 | 基于大数据的变速箱载荷谱转化方法、装置、设备、介质 |
| CN115952693B (zh) * | 2023-03-13 | 2023-08-04 | 中国重汽集团济南动力有限公司 | 基于大数据的变速箱载荷谱转化方法、装置、设备、介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113253709B (zh) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113253709B (zh) | 一种适用于轨道交通车辆健康诊断方法及装置 | |
| US9576250B2 (en) | Method and system for simulating users in the context of a parking lot based on the automatic learning of a user choice decision function from historical data considering multiple user behavior profiles | |
| CN104798043B (zh) | 一种数据处理方法和计算机系统 | |
| CN109782730A (zh) | 用于自主系统性能和评级的方法和装置 | |
| CN116341901B (zh) | 一种滑坡面域-单体危险性预警的一体化评价方法 | |
| Haq et al. | Many-objective reinforcement learning for online testing of dnn-enabled systems | |
| CN109726764A (zh) | 一种模型选择方法、装置、设备和介质 | |
| WO2017071369A1 (zh) | 一种预测用户离网的方法和设备 | |
| CN114548494B (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN116539994A (zh) | 基于多源时间序列数据的变电站主设备运行状态检测方法 | |
| CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
| CN113743461B (zh) | 无人机集群健康度评估方法及装置 | |
| CN118016279A (zh) | 基于人工智能的多模态技术在乳腺癌领域的分析诊疗平台 | |
| CN108268840A (zh) | 一种人脸跟踪方法及装置 | |
| Liu et al. | Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method | |
| CN114066438A (zh) | 基于模型的监控数据展示方法、装置、设备和存储介质 | |
| JP2019101681A (ja) | 見積り取得装置、見積り取得方法およびプログラム | |
| KR102406375B1 (ko) | 원천 기술의 평가 방법을 포함하는 전자 장치 | |
| Wang et al. | An empirical classification-based framework for the safety criticality assessment of energy production systems, in presence of inconsistent data | |
| CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
| CN111582647A (zh) | 用户数据处理方法、装置及电子设备 | |
| US20230409926A1 (en) | Index for risk of non-adherence in geographic region with patient-level projection | |
| CN115864644A (zh) | 一种继电保护装置状态评价方法、系统、设备及介质 | |
| WO2022222230A1 (zh) | 基于机器学习的指标预测方法、装置、设备及存储介质 | |
| Zhang et al. | Structural Vibration Data Anomaly Detection Based on Multiple Feature Information Using CNN‐LSTM Model |
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 |