CN113534774B - 一种地铁制动系统的故障预测方法、系统及介质 - Google Patents
一种地铁制动系统的故障预测方法、系统及介质 Download PDFInfo
- Publication number
- CN113534774B CN113534774B CN202110719828.2A CN202110719828A CN113534774B CN 113534774 B CN113534774 B CN 113534774B CN 202110719828 A CN202110719828 A CN 202110719828A CN 113534774 B CN113534774 B CN 113534774B
- Authority
- CN
- China
- Prior art keywords
- electromagnetic valve
- node
- time
- data
- pressure
- 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
- 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
- G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
-
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Valves And Accessory Devices For Braking Systems (AREA)
Abstract
本发明公开了一种地铁制动系统的故障预测方法、系统及介质,该方法采用下列步骤:首先将采集到的地铁制动系统历史维护信息以及运行数据作为原始数据;基于电磁阀的目标与实际压力之间的曲线变化,提取能够判断电磁阀老化程度的特征,并将提取得到的特征与经过随机采样后生成的训练数据集构建一定数目的决策树,以此构建随机森林预测模型;最后,基于每颗决策树分类出的结果,采用多数投票的方法得出最终结果;该方法通过提取能够判断电磁阀的老化程度的特征,挖掘出电磁阀的剩余使用寿命,并把判断电磁阀的剩余使用寿命是否满足PH值作为标准,以此评估制动系统的健康状态,提出对制动系统电磁阀的维修需求。
Description
技术领域
本发明涉及人工智能领域,特别是涉及一种地铁制动系统的故障预测方法、系统及介质。
背景技术
地铁作为一种客容量大、安全、快速、舒适和节能的交通方式,其载运量大、客流集中的特点,决定了城市轨道交通设备安全性和可靠性的极端重要性。轨道交通车辆制动系统是事关列车运营安全的重要系统,必须确保其本身的安全可靠。制动系统的故障的发展是渐变的,制动系统中的关键部件电磁阀的故障是以损耗型故障为主,存在一个性能逐渐劣化的过程。随着电磁阀阀体的逐渐老化,而使制动系统的性能降低直至发生故障。在性能开始劣化至故障发生的临界点之前的这段时间将电磁阀隐患挖掘出来,并采取主动安全措施,是降低事故发生率和减少事故危害的必由之路。同时,隐患挖掘也能为维修决策提供指导,节省维护成本。
发明内容
本发明的目的是针对上述存在的电磁阀老化而导致制动系统故障问题,提供一种地铁制动系统的故障预测方法、系统及介质,该方法能够预测电磁阀的剩余使用寿命,从而解决了由电磁阀老化而引发的地铁制动系统故障问题。
本发明技术方案如下:
一方面,一种地铁制动系统的故障预测方法,包括以下步骤:
步骤1:获取地铁历史制动过程中的电磁阀压力数据,构建样本数据集合;
步骤2:构建地铁制动电磁阀实际压力与目标压力的变化曲线;
依据地铁电磁阀实际压力变化曲线与目标压力变化曲线的跟随性,构建地铁制动电磁阀实际压力与目标压力的变化曲线;
在地铁制动系统实现制动过程中,制动系统的电子控制单元直接控制电磁阀对制动缸充风、排风,从而实现地铁车辆的制动、保压、缓解三个阶段;制动系统制动过程的电磁阀的压力调节与制动力大小受电子制动单元控制,压力调节过程所对应的压力变化曲线也会由于电磁阀的逐渐老化而发生变化,通过实际压力变化曲线与目标压力变化曲线的跟随性能作为评估标准来提取判断电磁阀老化程度的特征,从而挖掘出电磁阀的剩余使用寿命预测;根据制动阶段的制动特性借助于互相关函数来表述两压力变化曲线之间的关系;
步骤3:分阶段对每个样本进行制动特征提取;
利用实际压力与目标压力曲线之间的互相关函数关系,提取制动减速阶段特征:制动电磁阀实际压力与目标压力之间的延迟时间M1、误差E1以及最大相关系数Cc;
提取制动保压阶段特征:调整时间M2与稳态误差E2;
提取制动缓解阶段特征:缓解时间M3;
以制动缓解阶段,从指定压力降至0所需的时间作为缓解时间M3;
步骤4:依据设定的检修时间间隔PH,通过实验仿真平台对制动特征阈值进行设置;
通过设置电磁阀不同老化程度的故障,在电磁阀不同老化程度下,得到随着时间变化的压力曲线与制动特征指标;当电磁阀的老化程度能够刚好满足电磁阀正常工作至下一个检修时,即剩余寿命等于设定检修时间间隔PH值时,基于这个状态下的电磁阀老化程度,得到在设定PH值下,各制动特征阈值;
一般情况下,PH设置为两相邻检修时间点之间的时间段,即地铁车辆制动系统上一次检修到下一次检修的时间周期;
设定特征参数,特征参数与电磁阀的老化程度直接相关;不同的特征参数对应着电磁阀不同的老化程度,从而能得出电磁阀的剩余使用寿命,并且特征参数是根据PH值而设定的,PH值设定为多少,特征参数根据PH值而设置为对应电磁阀老化程度的数值,则特征参数直接对应相关电磁阀的剩余使用寿命,特征参数可以直接通过实验分析得到;当测量值与设定的特征参数比较时,若剩余使用寿命小于PH值,建议更换或维修,反之,表示电磁阀运行正常,可以使用至下一次检修时间点;
以设定缓解时间M3的特征参数设定为例,在制动系统制动过程中,电磁阀的压力缓解时间的长短,直接反映了电磁阀的老化程度;以目标压力缓解时间为基准,实际缓解时间与目标缓解时间的差距越大,表明电磁阀老化程度越严重,电磁阀的剩余使用寿命越短;电磁阀从正常,直至发生故障的时间段中,随着电磁阀的老化,缓解时间也跟着在变化,表示不同的缓解时间直接对应电磁阀的老化程度,电磁阀的老化程度同时直接反映着它自身的剩余使用寿命,基于这个关系,直接将电磁的压力缓解时间与电磁阀的剩余使用寿命相联系;对于缓解时间的参数确定,在实验仿真平台上搭建制动系统,通过设置电磁阀不同老化程度的故障,在电磁阀不同老化程度下,得到随着时间变化的压力曲线与制动缓解时间;当电磁阀的老化程度能够刚好满足电磁阀正常工作至下一个检修时(即剩余寿命等于PH值时),基于这个状态下的电磁阀老化程度,从而得到制动缓解时间M3;
步骤5:构建随机森林预测模型;
依据从样本数据集合选取的训练样本数量N,人为设定决策树的数量值K,K为奇数;从容量为N的训练样本数据中采取放回抽样方式随机抽取训练样本,重复K次形成K个容量为N的新训练数据集;
K值是根据训练样本的容量大小而人为设定,它的数值大小与决策树的数目相对应,每颗决策树都会产生一个预测结果,K棵树产生K个分类结果,然后将决策树得到的K个结果进行投票处理(少数服从多数),从而得到最终结果;若K值为偶数,则会出现决策树得出的结果(正常或故障)出现数目持平;针对于输出结果数目持平问题,所以将K值设置为奇数;
利用每个新训练数据集和对应的特征进行树生长,按照节点熵值最小的原则从这g个特征中选出一个特征进行分枝生长,然后分别递归调用上述节点确定的过程构造各个分枝,直到这棵树上的特征都已被使用过,以得到的K个决策树作为随机森林预测模型;
步骤6:基于随机森林预测模型中每颗决策树分类输出的结果,采用多数投票的方法得出最终结果,输出的结果为正常,表示可以使用至下一次检修时间点,输出的结果为故障,表示电磁阀不能使用至下一次检修时间点,建议维护。
即每个决策树首先进行独立类别判断,然后随机森林模型通过投票(少数服从多数)方式最终决定判别结果,正常表示可以使用至下一次检修时间点,故障表示电磁阀不能使用至下一次检修时间点,建议维护。
进一步地,制动电磁阀实际压力与目标压力之间的延迟时间M1、误差E1以及最大相关系数Cc:
其中,m为实际压力曲线和目标压力曲线的互相关函数取最大值时对应的延迟采样点个数;R(m)max为所述互相关函数的最大值;m1为互相关系函数取最大值时对应延迟的采样个数;Δt为采样间隔时间,n为实际压力曲线和目标压力曲线之间所有延迟时间段的采样个数;i为采样点次序,P实际,i+m1为该第(i+m1)个采样点的实际压力;P目标,i为第i个采样点的目标压力;
制动阶段的特征提取,在地铁制动减速阶段,车速从一定速度降为0,目标压力和实际压力均上升至一峰值再下降到0的快速动态变化过程;通过目标压力变化曲线与实际压力变化曲线的跟随性能作为评估标准来提取判断电磁阀老化程度的特征,利用两压力变化曲线跟随性能的特征提取方式,引入互相关函数描述目标与实际压力变化的关系;
互相关函数是描述两个随机信号在任意两个不同时刻的取值之间的相关程度的函数,当它出现极大值时,说明该点输出信号和输入信号的匹配程度最高;基于互相关函数这一特点,在减速阶段采用互相关系数法对目标压力和实际压力之间的关联性进行度量来对减速阶段进行解耦从而提取故障特征,提取出延迟时间M1,误差E1和最大相关系数Cc三个特征;
提取制动保压阶段特征:调整时间M2与稳态误差E2;
以制动电磁阀实际压力与目标压力的误差值第一次达到目标压力值的±5%之内所需的时间为调整时间M2,以制动电磁阀实际压力进入稳态之后的连续10个点计算平均绝对误差作为稳态误差E2;
在保压阶段,压力变化曲线比较平稳,几乎没有变化;基于该阶段压力变化的特点,借鉴控制系统中调整时间和稳态误差的选取及计算方法,从而应用到本发明中用以提取判断电磁阀老化程度的特征,其中,调整时间指的是实际输出收敛至目标值的一定范围(通常为±5%)内的最小时间,稳态误差是实际输出的收敛值与目标值之间的误差;在本阶段,取实际压力与目标压力的误差值第一次达到目标值的±5%之内所需的时间为调整时间M2,取进入稳态之后的所有点计算平均绝对误差作为误差E2;
提取制动缓解阶段特征:缓解时间M3;
以制动缓解阶段,从指定压力降至0所需的时间作为缓解时间M3;
在缓解阶段,压力变化曲线的特点是从缓解阶段的压力值降为0;基于这个阶段的压力曲线变化,选取制动缓解时间作为特征M3,通过实际缓解时间与目标缓解时间对比,实际缓解时间与目标缓解时间相差越大,表示电磁阀老化越严重;通过这个机理来判断电磁阀的老化程度;为了消除缓解初始时刻压力大小对缓解时间的影响选取压力从指定压力值降至0所需的时间为缓解时间M3。
6个特征指标的选取的与常规的老化判断标准存在以下不同:一方面,对于电磁阀常规老化与故障的判断,一般都是通过直观现象来作为判断依据的,它的主要来源为电磁阀的常得电状态,表现类型主要包括2点:①列车发出制动指令后,车载制动装置无法施加正常制动。②列车未发出制动指令,车载制动装置错误地施加制动。电磁阀的动作指令是否正常运行,直接影响制动压力大小的变化,故可通过实时记录压力值实现电磁阀的老化程度与故障诊断功能,而制动指令与电磁阀压力值大小均可通过制动系统实时记录获得,从而实现电磁阀故障诊断功能。另一方面,对于通过使用地铁车辆制动系统的运行数据与判断电磁阀老化与故障的特征作为基础构建随机森林预测模型来预测电磁阀的使用寿命这种方法来说,选取电磁阀老化与故障相关的特征指标进行电磁阀的使用状态预测,实际上就是利用地铁车辆的运行数据挖掘出电磁阀潜在的故障风险,进而对电磁阀是否需要维护进行预测,这种方法能够通过数据挖掘的方式预测电磁阀的使用状态;相比于直观的通过观察电磁阀老化所引发的故障现象,利用数据挖掘的方法预测电磁阀的使用状态更具有提前预测性,能够更好的提升地铁车辆的安全与维护,同时,电磁阀的隐患挖掘也能为维修决策提供指导,节省维护成本;
进一步地,对获取地铁历史制动过程中的原始电磁阀压力数据,使用全样本法进行处理,即从每辆地铁原始电磁阀压力数据集中选取任意数量的样本,构建样本数据集合。
进一步地,若样本数据集合中正负样本不平衡,使用合成少数过采样技术合成样本,构建正负样本平衡的样本数据集合。
防止最终预测结果偏向多数样本阶级,确保预测结果的准确性;
进一步地,随机森林预测模型中每颗决策树分类输出结果的过程如下:将待分类数据导入随机森林预测模型中,待分类数据进一步导入到每棵决策树中;首先,用于根节点处特征的比较,如果待分类数据中对应根节点处的特征值满足根节点的条件,则表示当前用于判断电磁阀老化的特征满足PH值条件,并继续通过根节点连接的二级节点分支进入到二级节点处的节点特征值比较;若待分类数据中所对应的根节点特征值不满足根节点处的特征条件,即分类截止,当前这棵树所对应的输出结果为故障,即表示待分类数据对应的电磁阀不能正常工作至下一阶段的检修时间点;对于待数据满足根节点的特征条件,则输入到二级节点中继续进行与根节点一样的特征值对比分类,与根节点的处理过程一样,将满足节点条件,通过分支继续输入到下一级节点进行节点的特征对比,不满足节点条件的,则分类截止,表示这棵树的分类结果是故障;若满足节点条件,则输入到下一级节点继续进行分类对比,直至到最后节点还满足特征值条件,则输出正常的分类结果,反之,不满足节点条件,则直接输出故障的结果;
K棵决策树,输出K个分类结果,使用投票的方法,将结果数目多的一方作为最终结果,从而确定电磁阀能否正常工作至下一次检修时间。
单棵决策树的构成过程如下:
原始数样本经过处理,得到了N个训练样本集,以及通过特征提取,得到了6个特征,基于N个训练样本与6个特征构建决策树(6个特征表示的是总特征集合,但是在进行每棵决策树的构成时,利用的是对总特征集进行随机不放回的抽取,以此形成一棵树的特征集,每棵决策树的特征集合所包含的个数可能是不一样的);对于一颗决策树的生成描述:一棵决策树就是由节点以及节点分裂的分支组成,与二叉树类似;决策树从根节点开始分裂,每个节点都能分裂成两个分支,一个分支连接着下一级节点,表示通过了该节点的条件,则继续通向下一个节点进行节点特征的对比分类;另一个分支则代表不满足该节点条件,从而表示分类到此截止,表示这棵决策树的分类结果是故障;对于一棵决策树的生成,首先,确定根节点(分类树的第一个分类节点,也就是6个特征中的一个),确定根节点的标准是熵值;将训练数据导入,然后分别从随机抽取的特征集(特征个数小于6的集合,将此作为一个决策树的特征集合)中抽取特征作为根节点,经过根节点分类之后,经过熵值计算,熵值越小,表示分类效果越好,所以把起始分类效果最好的特征作为决策树的根节点;确定完根节点之后,就是决策树二级节点的确定,也是基于熵值来完成的;对于二级节点的确定,与根节点类似,分别抽取特征集合中的特征作为二级节点对数据进行分类,计算出各自的熵值,将熵值最小的特征作为二级节点,同理,对于三级节点以及其他节点的确定,与上述根节点与二级节点一样,直至这颗决策树所对应的特征集合中的特征全部使用
H(X)代表熵值计算公式,s代表节点能分类几个结果,pi代表分类结果为正常时的概率。
另一方面,一种地铁制动系统的故障预测系统,包括:
样本构建单元:获取地铁历史制动过程中的电磁阀压力数据,构建样本数据集合;
压力变化曲线构建单元:用于依据地铁电磁阀实际压力变化曲线与目标压力变化曲线的跟随性,构建地铁制动电磁阀实际压力与目标压力的变化曲线;
特征提取单元:基于实际与理论压力变化曲线在不同阶段的变化差异,分阶段对每个样本进行制动特征提取;
制动减速阶段特征:制动电磁阀实际压力与目标压力之间的延迟时间M1、误差E1以及最大相关系数Cc;制动保压阶段特征:调整时间M2与稳态误差E2;制动缓解阶段特征:缓解时间M3;
制动特征阈值设置单元:依据设定的检修时间间隔PH,通过实验仿真平台对制动特征阈值进行设置;
随机森林预测模型构建单元:依据从样本数据集合选取的训练样本数量N,人为设定决策树的数量值K,K为奇数;从容量为N的训练样本数据中采取放回抽样方式随机抽取训练样本,重复K次形成K个容量为N的新训练数据集;
利用每个新训练数据集和对应的特征进行树生长,按照节点熵值最小的原则从这g个特征中选出一个特征进行分枝生长,然后分别递归调用上述节点确定的过程构造各个分枝,直到这棵树上的特征都已被使用过,以得到的K个决策树作为随机森林预测模型;
分类单元:基于随机森林预测模型中每颗决策树分类输出的结果,采用多数投票的方法得出最终结果,输出的结果为正常,表示可以使用至下一次检修时间点,输出的结果为故障,表示电磁阀不能使用至下一次检修时间点,建议维护。
进一步地,所述制动减速阶段特征:制动电磁阀实际压力与目标压力之间的延迟时间M1、误差E1以及最大相关系数Cc;
其中,m为实际压力曲线和目标压力曲线的互相关函数取最大值时对应的延迟采样点个数;R(m)max为所述互相关函数的最大值;m1为互相关系函数取最大值时对应延迟的采样个数;Δt为采样间隔时间,n为实际压力曲线和目标压力曲线之间所有延迟时间段的采样个数;i为采样点次序,P实际,i+m1为该第(i+m1)个采样点的实际压力;P目标,i为第i个采样点的目标压力;
所述制动保压阶段特征:调整时间M2与稳态误差E2;
以制动电磁阀实际压力与目标压力的误差值第一次达到目标压力值的±5%之内所需的时间为调整时间M2,以制动电磁阀实际压力进入稳态之后的连续10个点计算平均绝对误差作为稳态误差E2;
所述制动缓解阶段特征:缓解时间M3;
以制动缓解阶段,从指定压力降至0所需的时间作为缓解时间M3;
进一步地,通过设置电磁阀不同老化程度的故障,在电磁阀不同老化程度下,得到随着时间变化的压力曲线与制动特征指标;当电磁阀的老化程度能够刚好满足电磁阀正常工作至下一个检修时,即剩余寿命等于设定检修时间间隔PH值时,基于这个状态下的电磁阀老化程度,得到在设定PH值下,各制动特征阈值。
进一步地,随机森林预测模型中每颗决策树分类输出结果的过程如下:将待分类数据导入随机森林预测模型中,待分类数据进一步导入到每棵决策树中;首先,用于根节点处特征的比较,如果待分类数据中对应根节点处的特征值满足根节点的条件,则表示当前用于判断电磁阀老化的特征满足PH值条件,并继续通过根节点连接的二级节点分支进入到二级节点处的节点特征值比较;若待分类数据中所对应的根节点特征值不满足根节点处的特征条件,即分类截止,当前这棵树所对应的输出结果为故障,即表示待分类数据对应的电磁阀不能正常工作至下一阶段的检修时间点;对于待数据满足根节点的特征条件,则输入到二级节点中继续进行与根节点一样的特征值对比分类,与根节点的处理过程一样,将满足节点条件,通过分支继续输入到下一级节点进行节点的特征对比,不满足节点条件的,则分类截止,表示这棵树的分类结果是故障;若满足节点条件,则输入到下一级节点继续进行分类对比,直至到最后节点还满足特征值条件,则输出正常的分类结果,反之,不满足节点条件,则直接输出故障的结果;
K棵决策树,输出K个分类结果,使用投票的方法,将结果数目多的一方作为最终结果,从而确定电磁阀能否正常工作至下一次检修时间。
再一方面,一种可读存储介质,包括计算机程序指令,所述计算机程序指令被处理终端执行时使所述处理终端执行上述的一种地铁制动系统的故障预测方法。
有益效果
本发明技术方案提供了一种地铁制动系统的故障预测方法、系统及介质,该方法采用下列步骤:首先将采集到的地铁制动系统历史维护信息以及运行数据作为原始数据来源,并使用两种数据预处理方法对原始数据进行数据处理,再将处理后的数据集按照一定比例划分成训练数据集与测试数据集;基于实际与理论变化曲线之间的关系,得到能够判断电磁阀老化程度的特征,并将提取得到的特征与经过随机采样后生成的训练数据集构建一定数目的决策树,以此构建随机森林预测模型;最后,基于每颗决策树分类出的结果(正常或故障),采用多数投票的方法得出最终结果;该方法通过提取能够判断电磁阀的老化程度的特征,挖掘出电磁阀的剩余使用寿命,并把判断电磁阀的剩余使用寿命是否满足PH值作为标准,以此评估制动系统的健康状态,提出对制动系统电磁阀的维修需求。
附图说明
图1为本发明实例所述方法中随机森林预测模型的构建示意图。
具体实施方式
下面将结合附图和实例对本发明做进一步地说明。
一方面,一种地铁制动系统的故障预测方法,包括以下步骤:
步骤1:获取地铁历史制动过程中的电磁阀压力数据,构建样本数据集合;
步骤2:构建地铁制动电磁阀实际压力与目标压力变化曲线;
依据地铁电磁阀实际压力变化曲线与目标压力变化曲线的跟随性,构建地铁制动电磁阀实际压力与目标压力的变化曲线;
在地铁制动系统实现制动过程中,制动系统的电子控制单元直接控制电磁阀对制动缸充风、排风,从而实现地铁车辆的制动、保压、缓解三个阶段;制动系统制动过程的电磁阀的压力调节与制动力大小受电子制动单元控制,压力调节过程所对应的压力变化曲线也会由于电磁阀的逐渐老化而发生变化,通过实际压力变化曲线与目标压力变化曲线的跟随性能作为评估标准来提取判断电磁阀老化程度的特征,从而挖掘出电磁阀的剩余使用寿命预测;
步骤3:分阶段对每个样本进行制动特征提取;
提取制动减速阶段特征:制动电磁阀实际压力与目标压力之间的延迟时间M1、误差E1以及最大相关系数Cc;
提取制动保压阶段特征:调整时间M2与稳态误差E2;
提取制动缓解阶段特征:缓解时间M3;
以制动缓解阶段,从指定压力降至0所需的时间作为缓解时间M3;
步骤4:依据设定的检修时间间隔PH,通过实验仿真平台对制动特征阈值进行设置;
通过设置电磁阀不同老化程度的故障,在电磁阀不同老化程度下,得到随着时间变化的压力曲线与制动特征指标;当电磁阀的老化程度能够刚好满足电磁阀正常工作至下一个检修时,即剩余寿命等于设定检修时间间隔PH值时,基于这个状态下的电磁阀老化程度,得到在设定PH值下,各制动特征阈值;
一般情况下,PH设置为两相邻检修时间点之间的时间段,即地铁车辆制动系统上一次检修到下一次检修的时间周期;
设定特征参数,特征参数与电磁阀的老化程度直接相关;不同的特征参数对应着电磁阀不同的老化程度,从而能得出电磁阀的剩余使用寿命,并且特征参数是根据PH值而设定的,PH值设定为多少,特征参数根据PH值而设置为对应电磁阀老化程度的数值,则特征参数直接对应相关电磁阀的剩余使用寿命,特征参数可以直接通过实验分析得到;当测量值与设定的特征参数比较时,若剩余使用寿命小于PH值,建议更换或维修,反之,表示电磁阀运行正常,可以使用至下一次检修时间点;
以设定缓解时间M3的特征参数设定为例,在制动系统制动过程中,电磁阀的压力缓解时间的长短,直接反映了电磁阀的老化程度;以目标压力缓解时间为基准,实际缓解时间与目标缓解时间的差距越大,表明电磁阀老化程度越严重,电磁阀的剩余使用寿命越短;电磁阀从正常,直至发生故障的时间段中,随着电磁阀的老化,缓解时间也跟着在变化,表示不同的缓解时间直接对应电磁阀的老化程度,电磁阀的老化程度同时直接反映着它自身的剩余使用寿命,基于这个关系,直接将电磁的压力缓解时间与电磁阀的剩余使用寿命相联系;对于缓解时间的参数确定,在实验仿真平台上搭建制动系统,通过设置电磁阀不同老化程度的故障,在电磁阀不同老化程度下,得到随着时间变化的压力曲线与制动缓解时间;当电磁阀的老化程度能够刚好满足电磁阀正常工作至下一个检修时(即剩余寿命等于PH值时),基于这个状态下的电磁阀老化程度,从而得到制动缓解时间M3;
步骤5:构建随机森林预测模型;
依据从样本数据集合选取的训练样本数量N,人为设定决策树的数量值K,K为奇数;从容量为N的训练样本数据中采取放回抽样方式随机抽取训练样本,重复K次形成K个容量为N的新训练数据集;
K值是根据训练样本的容量大小而人为设定,它的数值大小与决策树的数目相对应,每颗决策树都会产生一个预测结果,K棵树产生K个分类结果,然后将决策树得到的K个结果进行投票处理(少数服从多数),从而得到最终结果;若K值为偶数,则会出现决策树得出的结果(正常或故障)出现数目持平;针对于输出结果数目持平问题,所以将K值设置为奇数;
利用每个新训练数据集和对应的特征进行树生长,按照节点熵值最小的原则从这g个特征中选出一个特征进行分枝生长,然后分别递归调用上述节点确定的过程构造各个分枝,直到这棵树上的特征都已被使用过,以得到的K个决策树作为随机森林预测模型;
步骤6:基于随机森林预测模型中每颗决策树分类输出的结果,采用多数投票的方法得出最终结果,输出的结果为正常,表示可以使用至下一次检修时间点,输出的结果为故障,表示电磁阀不能使用至下一次检修时间点,建议维护。
即每个决策树首先进行独立类别判断,然后随机森林模型通过投票(少数服从多数)方式最终决定判别结果,正常表示可以使用至下一次检修时间点,故障表示电磁阀不能使用至下一次检修时间点,建议维护。
制动电磁阀实际压力与目标压力之间的延迟时间M1、误差E1以及最大相关系数Cc:
其中,m为实际压力曲线和目标压力曲线的互相关函数取最大值时对应的延迟采样点个数;R(m)max为所述互相关函数的最大值;m1为互相关系函数取最大值时对应延迟的采样个数;Δt为采样间隔时间,n为实际压力曲线和目标压力曲线之间所有延迟时间段的采样个数;i为采样点次序,P实际,i+m1为该第(i+m1)个采样点的实际压力;P目标,i为第i个采样点的目标压力;
制动阶段的特征提取,在地铁制动减速阶段,车速从一定速度降为0,目标压力和实际压力均上升至一峰值再下降到0的快速动态变化过程;通过目标压力变化曲线与实际压力变化曲线的跟随性能作为评估标准来提取判断电磁阀老化程度的特征,利用两压力变化曲线跟随性能的特征提取方式,引入互相关函数描述目标与实际压力变化的关系;
互相关函数是描述两个随机信号在任意两个不同时刻的取值之间的相关程度的函数,当它出现极大值时,说明该点输出信号和输入信号的匹配程度最高;基于互相关函数这一特点,在减速阶段采用互相关系数法对目标压力和实际压力之间的关联性进行度量来对减速阶段进行解耦从而提取故障特征,提取出延迟时间M1,误差E1和最大相关系数Cc三个特征;
提取制动保压阶段特征:调整时间M2与稳态误差E2;
以制动电磁阀实际压力与目标压力的误差值第一次达到目标压力值的±5%之内所需的时间为调整时间M2,以制动电磁阀实际压力进入稳态之后的连续10个点计算平均绝对误差作为稳态误差E2;
在保压阶段,压力变化曲线比较平稳,几乎没有变化;基于该阶段压力变化的特点,借鉴控制系统中调整时间和稳态误差的选取及计算方法,从而应用到本发明中用以提取判断电磁阀老化程度的特征,其中,调整时间指的是实际输出收敛至目标值的一定范围(通常为±5%)内的最小时间,稳态误差是实际输出的收敛值与目标值之间的误差;在本阶段,取实际压力与目标压力的误差值第一次达到目标值的±5%之内所需的时间为调整时间M2,取进入稳态之后的所有点计算平均绝对误差作为误差E2;
提取制动缓解阶段特征:缓解时间M3;
以制动缓解阶段,从指定压力降至0所需的时间作为缓解时间M3;
在缓解阶段,压力变化曲线的特点是从缓解阶段的压力值降为0;基于这个阶段的压力曲线变化,选取制动缓解时间作为特征M3,通过实际缓解时间与目标缓解时间对比,实际缓解时间与目标缓解时间相差越大,表示电磁阀老化越严重;通过这个机理来判断电磁阀的老化程度;为了消除缓解初始时刻压力大小对缓解时间的影响选取压力从指定压力值降至0所需的时间为缓解时间M3。
6个特征指标的选取的与常规的老化判断标准存在以下不同:一方面,对于电磁阀常规老化与故障的判断,一般都是通过直观现象来作为判断依据的,它的主要来源为电磁阀的常得电状态,表现类型主要包括2点:①列车发出制动指令后,车载制动装置无法施加正常制动。②列车未发出制动指令,车载制动装置错误地施加制动。电磁阀的动作指令是否正常运行,直接影响制动压力大小的变化,故可通过实时记录压力值实现电磁阀的老化程度与故障诊断功能,而制动指令与电磁阀压力值大小均可通过制动系统实时记录获得,从而实现电磁阀故障诊断功能。另一方面,对于通过使用地铁车辆制动系统的运行数据与判断电磁阀老化与故障的特征作为基础构建随机森林预测模型来预测电磁阀的使用寿命这种方法来说,选取电磁阀老化与故障相关的特征指标进行电磁阀的使用状态预测,实际上就是利用地铁车辆的运行数据挖掘出电磁阀潜在的故障风险,进而对电磁阀是否需要维护进行预测,这种方法能够通过数据挖掘的方式预测电磁阀的使用状态;相比于直观的通过观察电磁阀老化所引发的故障现象,利用数据挖掘的方法预测电磁阀的使用状态更具有提前预测性,能够更好的提升地铁车辆的安全与维护,同时,电磁阀的隐患挖掘也能为维修决策提供指导,节省维护成本;
进一步地,对获取地铁历史制动过程中的原始电磁阀压力数据,使用全样本法进行处理,即从每辆地铁原始电磁阀压力数据集中选取任意数量的样本,构建样本数据集合。
若样本数据集合中正负样本不平衡,使用合成少数过采样技术合成样本,构建正负样本平衡的样本数据集合。
防止最终预测结果偏向多数样本阶级,确保预测结果的准确性;
随机森林预测模型中每颗决策树分类输出结果的过程如下:将待分类数据导入随机森林预测模型中,待分类数据进一步导入到每棵决策树中;首先,用于根节点处特征的比较,如果待分类数据中对应根节点处的特征值满足根节点的条件,则表示当前用于判断电磁阀老化的特征满足PH值条件,并继续通过根节点连接的二级节点分支进入到二级节点处的节点特征值比较;若待分类数据中所对应的根节点特征值不满足根节点处的特征条件,即分类截止,当前这棵树所对应的输出结果为故障,即表示待分类数据对应的电磁阀不能正常工作至下一阶段的检修时间点;对于待数据满足根节点的特征条件,则输入到二级节点中继续进行与根节点一样的特征值对比分类,与根节点的处理过程一样,将满足节点条件,通过分支继续输入到下一级节点进行节点的特征对比,不满足节点条件的,则分类截止,表示这棵树的分类结果是故障;若满足节点条件,则输入到下一级节点继续进行分类对比,直至到最后节点还满足特征值条件,则输出正常的分类结果,反之,不满足节点条件,则直接输出故障的结果;
K棵决策树,输出K个分类结果,使用投票的方法,将结果数目多的一方作为最终结果,从而确定电磁阀能否正常工作至下一次检修时间。
单棵决策树的构成过程如下:
原始数样本经过处理,得到了N个训练样本集,以及通过特征提取,得到了6个特征,基于N个训练样本与6个特征构建决策树(6个特征表示的是总特征集合,但是在进行每棵决策树的构成时,利用的是对总特征集进行随机不放回的抽取,以此形成一棵树的特征集,每棵决策树的特征集合所包含的个数可能是不一样的);对于一颗决策树的生成描述:一棵决策树就是由节点以及节点分裂的分支组成,与二叉树类似;决策树从根节点开始分裂,每个节点都能分裂成两个分支,一个分支连接着下一级节点,表示通过了该节点的条件,则继续通向下一个节点进行节点特征的对比分类;另一个分支则代表不满足该节点条件,从而表示分类到此截止,表示这棵决策树的分类结果是故障;对于一棵决策树的生成,首先,确定根节点(分类树的第一个分类节点,也就是6个特征中的一个),确定根节点的标准是熵值;将训练数据导入,然后分别从随机抽取的特征集(特征个数小于6的集合,将此作为一个决策树的特征集合)中抽取特征作为根节点,经过根节点分类之后,经过熵值计算,熵值越小,表示分类效果越好,所以把起始分类效果最好的特征作为决策树的根节点;确定完根节点之后,就是决策树二级节点的确定,也是基于熵值来完成的;对于二级节点的确定,与根节点类似,分别抽取特征集合中的特征作为二级节点对数据进行分类,计算出各自的熵值,将熵值最小的特征作为二级节点,同理,对于三级节点以及其他节点的确定,与上述根节点与二级节点一样,直至这颗决策树所对应的特征集合中的特征全部使用
H(X)代表熵值计算公式,s代表节点能分类几个结果,pi代表分类结果为正常时的概率。
另一方面,一种地铁制动系统的故障预测系统,包括:
样本构建单元:获取地铁历史制动过程中的电磁阀压力数据,构建样本数据集合;
压力变化曲线构建单元:用于依据地铁电磁阀实际压力变化曲线与目标压力变化曲线的跟随性,构建地铁制动电磁阀实际压力与目标压力的变化曲线;
依据地铁电磁阀实际压力变化曲线与目标压力变化曲线的跟随性,利用实际压力和目标压力在任意两个不同时刻的取值之间的互相关函数R(m);
特征提取单元:基于实际与理论压力变化曲线之间的差异及不同阶段的制动特性,分阶段对每个样本进行制动特征提取;
制动减速阶段特征:制动电磁阀实际压力与目标压力之间的延迟时间M1、误差E1以及最大相关系数Cc;制动保压阶段特征:调整时间M2与稳态误差E2;制动缓解阶段特征:缓解时间M3;
制动特征阈值设置单元:依据设定的检修时间间隔PH,通过实验仿真平台对制动特征阈值进行设置;
随机森林预测模型构建单元:依据从样本数据集合选取的训练样本数量N,人为设定决策树的数量值K,K为奇数;从容量为N的训练样本数据中采取放回抽样方式随机抽取训练样本,重复K次形成K个容量为N的新训练数据集;
利用每个新训练数据集和对应的特征进行树生长,按照节点熵值最小的原则从这g个特征中选出一个特征进行分枝生长,然后分别递归调用上述节点确定的过程构造各个分枝,直到这棵树上的特征都已被使用过,以得到的K个决策树作为随机森林预测模型;
分类单元:基于随机森林预测模型中每颗决策树分类输出的结果,采用多数投票的方法得出最终结果,输出的结果为正常,表示可以使用至下一次检修时间点,输出的结果为故障,表示电磁阀不能使用至下一次检修时间点,建议维护。
本发明实施例还提供一种可读存储介质,包括计算机程序指令,所述计算机程序指令被处理终端执行时使所述处理终端执行上述的一种地铁制动系统的故障预测方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种地铁制动系统的故障预测方法,其特征在于,包括以下步骤:
步骤1:获取地铁历史制动过程中的电磁阀压力数据,构建样本数据集合;
步骤2:构建地铁制动电磁阀实际压力与目标压力的变化曲线;
依据地铁电磁阀实际压力变化曲线与目标压力变化曲线的跟随性,构建地铁制动电磁阀实际压力与目标压力的变化曲线;
步骤3:分阶段对每个样本进行制动特征提取;
利用实际压力与目标压力曲线之间的互相关函数关系,提取制动减速阶段特征:制动电磁阀实际压力与目标压力之间的延迟时间M1、误差E1以及最大相关系数Cc;
提取制动保压阶段特征:调整时间M2与稳态误差E2;
提取制动缓解阶段特征:缓解时间M3;
步骤4:依据设定的检修时间间隔PH,通过实验仿真平台对制动特征阈值进行设置;
通过设置电磁阀不同老化程度的故障,在电磁阀不同老化程度下,得到随着时间变化的压力曲线与制动特征指标;当电磁阀的老化程度能够刚好满足电磁阀正常工作至下一个检修时,即剩余寿命等于设定检修时间间隔PH值时,基于这个状态下的电磁阀老化程度,得到在设定PH值下,各制动特征阈值;
步骤5:构建随机森林预测模型;
依据从样本数据集合选取的训练样本数量N,人为设定决策树的数量值K,K为奇数;从容量为N的训练样本数据中采取放回抽样方式随机抽取训练样本,重复K次形成K个容量为N的新训练数据集;
利用每个新训练数据集和对应的特征进行树生长,按照节点熵值最小的原则从g个特征中选出一个特征进行分枝生长,然后分别递归调用上述节点确定的过程构造各个分枝,直到这棵树上的特征都已被使用过,以得到的K个决策树作为随机森林预测模型;
步骤6:基于随机森林预测模型中每颗决策树分类输出的结果,采用多数投票的方法得出最终结果,输出的结果为正常,表示可以使用至下一次检修时间点,输出的结果为故障,表示电磁阀不能使用至下一次检修时间点,建议维护。
2.根据权利要求1所述的方法,其特征在于,
所述制动减速阶段特征包括制动电磁阀实际压力与目标压力之间的延迟时间M1、误差E1以及最大相关系数Cc;
其中,m为实际压力曲线和目标压力曲线的互相关函数取最大值时对应的延迟采样点个数;R(m)max为所述互相关函数的最大值;m1为互相关系函数取最大值时对应延迟的采样个数;Δt为采样间隔时间,n为实际压力曲线和目标压力曲线之间所有延迟时间段的采样个数;i为采样点次序,为该第(i+m1)个采样点的实际压力;P目标,i为第i个采样点的目标压力;
所述制动保压阶段特征包括调整时间M2与稳态误差E2;
以制动电磁阀实际压力与目标压力的误差值第一次达到目标压力值的±5%之内所需的时间为调整时间M2,以制动电磁阀实际压力进入稳态之后的连续10个点计算平均绝对误差作为稳态误差E2;
所述制动缓解阶段特征包括缓解时间M3;
以制动缓解阶段,从指定压力降至0所需的时间作为缓解时间M3。
3.根据权利要求1所述的方法,其特征在于,对获取地铁历史制动过程中的原始电磁阀压力数据,使用全样本法进行处理,即从每辆地铁原始电磁阀压力数据集中选取任意数量的样本,构建样本数据集合。
4.根据权利要求1所述的方法,其特征在于,若样本数据集合中正负样本不平衡,使用合成少数过采样技术合成样本,构建正负样本平衡的样本数据集合。
5.根据权利要求1所述的方法,其特征在于,随机森林预测模型中每颗决策树分类输出结果的过程如下:将待分类数据导入随机森林预测模型中,待分类数据进一步导入到每棵决策树中;首先,用于根节点处特征的比较,如果待分类数据中对应根节点处的特征值满足根节点的条件,则表示当前用于判断电磁阀老化的特征满足PH值条件,并继续通过根节点连接的二级节点分支进入到二级节点处的节点特征值比较;若待分类数据中所对应的根节点特征值不满足根节点处的特征条件,即分类截止,当前这棵树所对应的输出结果为故障,即表示待分类数据对应的电磁阀不能正常工作至下一阶段的检修时间点;对于待数据满足根节点的特征条件,则输入到二级节点中继续进行与根节点一样的特征值对比分类,与根节点的处理过程一样,将满足节点条件,通过分支继续输入到下一级节点进行节点的特征对比,不满足节点条件的,则分类截止,表示这棵树的分类结果是故障;若满足节点条件,则输入到下一级节点继续进行分类对比,直至到最后节点还满足特征值条件,则输出正常的分类结果,反之,不满足节点条件,则直接输出故障的结果;
K棵决策树,输出K个分类结果,使用投票的方法,将结果数目多的一方作为最终结果,从而确定电磁阀能否正常工作至下一次检修时间。
6.一种地铁制动系统的故障预测系统,其特征在于,包括:
样本构建单元:获取地铁历史制动过程中的电磁阀压力数据,构建样本数据集合;
压力变化曲线构建单元:用于依据地铁电磁阀实际压力变化曲线与目标压力变化曲线的跟随性,构建地铁制动电磁阀实际压力与目标压力的变化曲线;
特征提取单元:基于实际与目标压力变化曲线,分阶段对每个样本进行制动特征提取;
制动减速阶段特征:制动电磁阀实际压力与目标压力之间的延迟时间M1、误差E1以及最大相关系数Cc;制动保压阶段特征:调整时间M2与稳态误差E2;制动缓解阶段特征:缓解时间M3;
制动特征阈值设置单元:依据设定的检修时间间隔PH,通过实验仿真平台对制动特征阈值进行设置;
随机森林预测模型构建单元:依据从样本数据集合选取的训练样本数量N,人为设定决策树的数量值K,K为奇数;从容量为N的训练样本数据中采取放回抽样方式随机抽取训练样本,重复K次形成K个容量为N的新训练数据集;
利用每个新训练数据集和对应的特征进行树生长,按照节点熵值最小的原则从g个特征中选出一个特征进行分枝生长,然后分别递归调用上述节点确定的过程构造各个分枝,直到这棵树上的特征都已被使用过,以得到的K个决策树作为随机森林预测模型;
分类单元:基于随机森林预测模型中每颗决策树分类输出的结果,采用多数投票的方法得出最终结果,输出的结果为正常,表示可以使用至下一次检修时间点,输出的结果为故障,表示电磁阀不能使用至下一次检修时间点,建议维护。
7.根据权利要求6所述的系统,其特征在于,所述制动减速阶段特征:制动电磁阀实际压力与目标压力之间的延迟时间M1、误差E1以及最大相关系数Cc;
其中,m为实际压力曲线和目标压力曲线的互相关函数取最大值时对应的延迟采样点个数;R(m)max为所述互相关函数的最大值;m1为互相关系函数取最大值时对应延迟的采样个数;Δt为采样间隔时间,n为实际压力曲线和目标压力曲线之间所有延迟时间段的采样个数;i为采样点次序,为该第(i+m1)个采样点的实际压力;P目标,i为第i个采样点的目标压力;
所述制动保压阶段特征:调整时间M2与稳态误差E2;
以制动电磁阀实际压力与目标压力的误差值第一次达到目标压力值的±5%之内所需的时间为调整时间M2,以制动电磁阀实际压力进入稳态之后的连续10个点计算平均绝对误差作为稳态误差E2;
所述制动缓解阶段特征:缓解时间M3;
以制动缓解阶段,从指定压力降至0所需的时间作为缓解时间M3。
8.根据权利要求6所述的系统,其特征在于,通过设置电磁阀不同老化程度的故障,在电磁阀不同老化程度下,得到随着时间变化的压力曲线与制动特征指标;当电磁阀的老化程度能够刚好满足电磁阀正常工作至下一个检修时,即剩余寿命等于设定检修时间间隔PH值时,基于这个状态下的电磁阀老化程度,得到在设定PH值下,各制动特征阈值。
9.根据权利要求6所述的系统,其特征在于,随机森林预测模型中每颗决策树分类输出结果的过程如下:将待分类数据导入随机森林预测模型中,待分类数据进一步导入到每棵决策树中;首先,用于根节点处特征的比较,如果待分类数据中对应根节点处的特征值满足根节点的条件,则表示当前用于判断电磁阀老化的特征满足PH值条件,并继续通过根节点连接的二级节点分支进入到二级节点处的节点特征值比较;若待分类数据中所对应的根节点特征值不满足根节点处的特征条件,即分类截止,当前这棵树所对应的输出结果为故障,即表示待分类数据对应的电磁阀不能正常工作至下一阶段的检修时间点;对于待数据满足根节点的特征条件,则输入到二级节点中继续进行与根节点一样的特征值对比分类,与根节点的处理过程一样,将满足节点条件,通过分支继续输入到下一级节点进行节点的特征对比,不满足节点条件的,则分类截止,表示这棵树的分类结果是故障;若满足节点条件,则输入到下一级节点继续进行分类对比,直至到最后节点还满足特征值条件,则输出正常的分类结果,反之,不满足节点条件,则直接输出故障的结果;
K棵决策树,输出K个分类结果,使用投票的方法,将结果数目多的一方作为最终结果,从而确定电磁阀能否正常工作至下一次检修时间。
10.一种可读存储介质,包括计算机程序指令,其特征在于:所述计算机程序指令被处理终端执行时使所述处理终端执行权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719828.2A CN113534774B (zh) | 2021-06-28 | 2021-06-28 | 一种地铁制动系统的故障预测方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719828.2A CN113534774B (zh) | 2021-06-28 | 2021-06-28 | 一种地铁制动系统的故障预测方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113534774A CN113534774A (zh) | 2021-10-22 |
CN113534774B true CN113534774B (zh) | 2022-07-01 |
Family
ID=78096992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110719828.2A Active CN113534774B (zh) | 2021-06-28 | 2021-06-28 | 一种地铁制动系统的故障预测方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113534774B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104571073A (zh) * | 2013-10-24 | 2015-04-29 | 同济大学 | 针对列车制动系统的隐患和故障特征提取方法 |
CN108398934A (zh) * | 2018-02-05 | 2018-08-14 | 常州高清信息技术有限公司 | 一种用于轨道交通的设备故障监控的系统 |
CN109375610A (zh) * | 2018-10-19 | 2019-02-22 | 中车青岛四方车辆研究所有限公司 | 城轨车辆架控制动控制单元试验系统及试验方法 |
CN110033135A (zh) * | 2019-04-15 | 2019-07-19 | 北京交通大学 | 多变量时间序列特征加强的列车制动系统故障预测方法 |
CN111272452A (zh) * | 2020-03-03 | 2020-06-12 | 上海应用技术大学 | 高速列车制动试验台网络安全检测系统 |
CN112208506A (zh) * | 2020-09-23 | 2021-01-12 | 西南交通大学 | 用于铁路货车空气制动装置的智能故障检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109844666B (zh) * | 2016-10-12 | 2023-04-04 | 哈曼国际工业有限公司 | 用于车内预测性故障检测的系统和方法 |
-
2021
- 2021-06-28 CN CN202110719828.2A patent/CN113534774B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104571073A (zh) * | 2013-10-24 | 2015-04-29 | 同济大学 | 针对列车制动系统的隐患和故障特征提取方法 |
CN108398934A (zh) * | 2018-02-05 | 2018-08-14 | 常州高清信息技术有限公司 | 一种用于轨道交通的设备故障监控的系统 |
CN109375610A (zh) * | 2018-10-19 | 2019-02-22 | 中车青岛四方车辆研究所有限公司 | 城轨车辆架控制动控制单元试验系统及试验方法 |
CN110033135A (zh) * | 2019-04-15 | 2019-07-19 | 北京交通大学 | 多变量时间序列特征加强的列车制动系统故障预测方法 |
CN111272452A (zh) * | 2020-03-03 | 2020-06-12 | 上海应用技术大学 | 高速列车制动试验台网络安全检测系统 |
CN112208506A (zh) * | 2020-09-23 | 2021-01-12 | 西南交通大学 | 用于铁路货车空气制动装置的智能故障检测方法 |
Non-Patent Citations (3)
Title |
---|
Brake Fault Identification and Fault-Tolerant Directional Stability Control of Heavy Road Vehicles;RADHIKA RAVEENDRAN .etc;《IEEE Access》;20200925;全文 * |
基于多变量时间序列特征加强的列车制动系统故障预测;党心悦;《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》;20191215(第12期);A002-226:P1-65 * |
基于随机森林算法的城市轨道列车车门故障诊断方法研究;陈苏雨;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20210315(第03期);C033-344:P1-63 * |
Also Published As
Publication number | Publication date |
---|---|
CN113534774A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
CN113807570B (zh) | 基于XGBoost的水库大坝风险等级评估方法及系统 | |
CN110501160B (zh) | 列车轴承故障预警方法、装置、系统和存储介质 | |
CN107229017B (zh) | 一种风力发电机组变桨蓄电池异常故障预测方法 | |
CN111563524A (zh) | 一种多站融合系统运行态势异常监测和告警合并方法 | |
CN109213121A (zh) | 一种风机制动系统卡缸故障诊断方法 | |
CN112036581B (zh) | 交通工具空调系统的性能检测方法及装置、存储介质、终端 | |
KR20210150808A (ko) | 브레이크 마찰재의 마찰계수 결정을 위한 장치 및 방법 | |
CN111353640B (zh) | 一种组合法风速预测模型构建方法 | |
CN111191832A (zh) | 一种台风灾害配电网杆塔故障预测方法及系统 | |
CN111717753A (zh) | 基于多维故障特征的自适应电梯故障预警系统及方法 | |
CN113657217A (zh) | 一种基于改进的bp神经网络的混凝土状态识别模型 | |
CN115980826A (zh) | 一种基于加权的元启发式组合模型的岩爆烈度预测方法 | |
CN113534774B (zh) | 一种地铁制动系统的故障预测方法、系统及介质 | |
CN115479949A (zh) | 一种基于大数据的桥梁安全监测预警方法及系统 | |
Zeng et al. | Rail break prediction and cause analysis using imbalanced in-service train data | |
CN111881988B (zh) | 基于少数类过采样方法的异质不平衡数据故障检测方法 | |
CN112464578B (zh) | 一种用于剩余使用寿命预测退化数据的扩增方法 | |
Li et al. | Modeling and verification of heavy-duty truck drivers’ car-following characteristics | |
Wang et al. | Remaining Life Prediction for High-speed Rail Bearing Considering Hybrid Data-model-driven Approach | |
CN113340627B (zh) | 空气防滑试验方法、装置及轨道交通车辆 | |
CN114964781B (zh) | 一种列车轴承故障智能诊断方法 | |
KR20210016912A (ko) | 치주염 진행 정도 예측 방법 및 치주염 진행 정도 예측 장치 | |
Kesici et al. | Cost sensitive class-weighting approach for transient instability prediction using convolutional neural networks | |
CN112434725B (zh) | 一种部署到html5的模型压缩方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |