CN114604299A - 故障预测模型的建立方法、列车系统故障预测方法和装置 - Google Patents
故障预测模型的建立方法、列车系统故障预测方法和装置 Download PDFInfo
- Publication number
- CN114604299A CN114604299A CN202210320826.0A CN202210320826A CN114604299A CN 114604299 A CN114604299 A CN 114604299A CN 202210320826 A CN202210320826 A CN 202210320826A CN 114604299 A CN114604299 A CN 114604299A
- Authority
- CN
- China
- Prior art keywords
- index
- train system
- data
- correlation
- fault
- 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
Images
Classifications
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了故障预测模型的建立方法、列车故障预测方法和装置,该方法包括:获取当前列车系统的本地样本运行数据和相关样本运行数据;对本地样本运行数据进行指标提取,得到关键指标数据;根据相关样本运行数据中的初级相关指标与当前列车系统的空间相关性,确定相关指标数据;其中,初级相关指标用于表征能够导致列车系统出现故障的指标;利用关键指标数据和相关指标数据,训练得到故障预测模型。本方案能够提高对列车故障进行预测时的准确性。
Description
技术领域
本发明涉及轨道交通技术领域,特别涉及故障预测模型的建立方法、列车故障预测方法和装置。
背景技术
随着科学技术和经济的发展,轨道交通已经成为了人们日常生活和国家经济发展中必不可少的交通工具,当然,随之而来的是轨道交通的安全运营也越来越受到人们的关注。在轨道交通的运营中,列车关键系统或部件的性能直接关系到车辆运行的安全性和可靠性。因此,及时对故障进行预测是保证列车安全的关键。
目前,在对列车的某一故障进行预测时,通常利用该故障所属的部件或系统的数据来进行预测。然而,列车的系统或部件具有复杂性,而且会受到不确定的环境干扰。比如,不同部件或不同系统之间会相互影响。也就是说,列车的故障不仅是某一个系统或部件所确定的,而且会受到其他系统或部件的干扰和影响,这导致对列车故障进行预测时的准确性较低。
发明内容
本发明提供了故障预测模型的建立方法、列车故障预测方法和装置,能够提高对列车故障进行预测时的准确性。
第一方面,本发明实施例提供了一种故障预测模型的建立方法,包括:
获取当前列车系统的本地样本运行数据和相关样本运行数据;
对所述本地样本运行数据进行指标提取,得到关键指标数据;
根据所述相关样本运行数据中的初级相关指标与所述当前列车系统的空间相关性,确定相关指标数据;其中,所述初级相关指标用于表征能够导致列车系统出现故障的指标;
利用所述关键指标数据和所述相关指标数据,训练得到所述故障预测模型。
在一种可能的实现方式中,所述相关样本运行数据包括如下中的至少一项:在与所述当前列车系统相距预设距离范围之内的系统的运行数据、以及与当前列车系统所属的列车为同一线路的列车系统的数据。
在一种可能的实现方式中,所述对所述本地样本运行数据进行指标提取得到关键指标数据的步骤,包括:
获取第一故障指标集合;其中,所述第一故障指标集合中包括至少一个对应列车故障的故障指标;
从所述本地样本运行数据中提取所述第一故障指标集合中所包括的至少一个故障指标,得到所述关键指标数据;
和/或,
所述初级相关指标的确定方法,包括:
获取第二故障指标集合;其中,所述第二故障指标集合中包括至少一个对应列车故障的故障指标;
从所述相关样本运行数据中提取所述第二故障指标集合中所包括的至少一个故障指标,得到所述初级相关指标数据。
在一种可能的实现方式中,所述根据所述相关样本运行数据中的初级相关指标与所述当前列车系统的空间相关性确定相关指标数据的步骤,包括:
根据所述初级相关指标与所述当前列车系统的空间相关性,得到空间相关矩阵;
根据所述空间相关矩阵中的各个空间相关值,确定所述相关指标数据。
在一种可能的实现方式中,所述根据所述初级相关指标与所述当前列车系统的空间相关性得到空间相关矩阵的步骤,包括:
确定所述初级相关指标与所述当前列车系统之间的空间距离;
确定所述初级相关指标与所述当前列车系统之间的差异;
根据所述空间距离和所述差异,对所述初级相关指标与所述当前列车系统之间的相关程度进行缩放,得到所述空间相关矩阵。
在一种可能的实现方式中,所述确定所述初级相关指标与所述当前列车系统之间的空间距离的步骤,包括:
获取所述初级相关指标与所述当前列车系统之间的依赖性;
计算所述初级相关指标与所述当前列车系统的物理距离;
根据所述依赖性和所述物理距离,确定所述初级相关指标与所述当前列车系统之间的空间距离。
在一种可能的实现方式中,所述计算所述初级相关指标与所述当前列车系统的物理距离的步骤,包括:
获取预先构建的列车网络层级结构;其中,所述列车网络层级结构中包括至少两个位于不同层级的列车网络参量,且每一个列车网络参量都对应一个节点,相邻两个层级的任意两个节点相连接;每一个列车参量所属的层级根据其本身所包含的参量层级数确定。
根据所述列车网络层级结构,确定所述初级相关指标所在节点到所述当前列车系统所在节点需要的最短步长;其中,相邻两个节点之间的步长为1。
在一种可能的实现方式中,所述列车网络层级结构包括至少五个层级的列车网络参量;且,
第一层级包括列车网络节点;第二层级包括至少一个列车线路节点;第三层级包括至少一个列车编号节点;第四层级包括至少一个列车系统节点;第五层级包括至少一个列车指标节点。
在一种可能的实现方式中,所述根据所述依赖性和所述物理距离,确定所述初级相关指标与所述当前列车系统之间的空间距离的步骤,包括:
利用如下计算式计算初级相关指标与当前列车系统之间的空间距离:
D=(1-T)*F
其中,D用于表征所述空间距离对应的矩阵,T用于表征由当前列车系统对各个初级相关指标的依赖值所构成的依赖矩阵,F用于表征由各个初级相关指标与当前列车系统之间的物理距离值所构成的物理距离矩阵。
在一种可能的实现方式中,所述确定所述初级相关指标与所述当前列车系统之间的差异,包括:
利用皮尔逊相关法、斯皮尔曼相关法和欧几里得距离法中的至少一个确定所述初级相关指标与当前列车系统之间的差异。
在一种可能的实现方式中,所述根据所述空间距离和所述差异,对所述所述初级相关指标与所述当前列车系统之间的相关程度进行缩放得到所述空间相关矩阵的步骤,包括:
利用如下计算式,得到所述空间相关矩阵:
S=Normalize(exp(-D*R))
其中,S用于表征所述空间相关矩阵,D用于表征所述空间距离对应的矩阵,R用于表征由所述差异的值构成的相异矩阵,Normalize(.x)用于表征对x进行归一化计算。
在一种可能的实现方式中,所述根据所述空间相关矩阵中的各个空间相关值确定所述相关指标数据的步骤,包括:
将所述空间相关值中大于预先设定的相关指标阈值的空间相关值,确定为所述相关指标数据。
在一种可能的实现方式中,所述利用所述关键指标数据和所述相关指标数据训练得到所述故障预测模型的步骤,包括:
对所述关键指标数据和所述相关指标数据进行特征处理,得到融合特征;
将所述融合特征输入深度神经网络模型进行训练,得到空间预测模型;
将所述关键指标数据和所述相关指标数据所对应的指标时间序列输入长短时记忆模型,得到时间预测模型;
根据所述空间预测模型和所述时间预测模型,得到所述故障预测模型。
在一种可能的实现方式中,所述对所述关键指标数据和所述相关指标数据进行特征处理得到融合特征的步骤,包括:
对所述关键指标数据进行性能特征提取,得到关键指标特征;
对所述相关指标数据进行性能特征提取,得到相关指标特征;
对所述关键指标特征进行筛选,得到至少一个目标关键指标特征;其中,所述目标关键指标特征为相应特征值会在当前列车系统发生故障时发生变化的特征;
对所述相关指标特征进行筛选,得到至少一个目标相关指标特征;其中,所述目标相关指标特征为相应特征值会在当前列车系统发生故障时发生变化的特征;
将由所述至少一个目标关键指标特征构成的矩阵和由所述至少一个相关指标特征构成的矩阵进行合并,得到所述融合特征。
在一种可能的实现方式中,所述根据所述空间预测模型和所述时间预测模型得到所述故障预测模型的步骤,包括:
计算所述空间预测模型和所述时间预测模型的加权平均值,得到所述故障预测模型。
第二方面,本发明实施例还提供了一种列车系统的故障预测方法,包括:
获取当前列车系统的本地运行数据和相关运行数据;其中,所述相关运行数据为该当前列车系统之外的其他至少一个列车系统的运行数据;
将所述本地运行数据和所述相关运行数据,输入到利用如第一方面中任一所述的故障预测模型的建立方法所建立的故障预测模型中,得到当前列车系统的故障预测结果。
第三方面,本发明实施例还提供了一种故障预测模型的建立装置,包括:
一个运行数据获取模块,配置为获取当前列车系统的本地样本运行数据和相关样本运行数据;
一个指标提取模块,配置为对所述运行数据获取模块得到的所述本地样本运行数据进行指标提取,得到关键指标数据;
一个相关指标数据确定模块,配置为根据所述运行数据获取模块得到的所述相关样本运行数据中的初级相关指标与所述当前列车系统的空间相关性,确定相关指标数据;其中,所述初级相关指标用于表征能够导致列车系统出现故障的指标;
一个模型训练模块,配置为利用所述指标提取模块得到的所述关键指标数据和所述相关指标数据确定模块得到的所述相关指标数据,训练得到所述故障预测模型。
第四方面,本发明实施例还提供了一种列车系统的故障预测装置,包括:
一个预测运行数据获取模块,配置为获取当前列车系统的本地运行数据和相关运行数据;其中,所述相关运行数据为该当前列车系统之外的其他至少一个列车系统的运行数据;
一个故障预测模块,配置为将所述预测运行数据获取模块获取到的所述本地运行数据和所述相关运行数据,输入到利用如第三方面中所述的故障预测模型的建立装置所建立的故障预测模型中,得到当前列车系统的故障预测结果。
第五方面,本发明实施例还提供了一种计算设备,包括:至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行第一方面和第二方面中任一所述的方法。
第六方面,本发明实施例还提供了一种计算机可读介质,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行第一方面和第二方面中任一所述的方法。
第七方面,本发明实施例还提供了一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现第一方面和第二方面中任一所述的方法。
由上述技术方案可知,在训练用于对列车系统的故障进行预测的故障预测模型时,首先考虑获取当前列车系统的本地样本运行数据和相关样本运行数据,然后对该本地样本运行数据进行指标提取得到关键指标数据。进一步,根据相关样本运行数据中的初级相关指标与当前列车系统的空间相关性确定相关指标数据,进而可以利用该相关指标数据和关键指标数据训练得到故障预测模型。由此可见,本方案不仅考虑了当前列车系统本身的数据,而且考虑到了与该当前列车系统具有空间相关性的指标数据,如此能够充分将能够对当前列车系统产生影响的因素考虑到其中,从而该故障预测模型能够提高对列车系统的故障进行预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以基于这些附图获得其他的附图。
图1是本发明一个实施例提供的一种故障预测模型的建立方法的流程图;
图2是本发明一个实施例提供的一种关键指标数据的确定方法的流程图;
图3是本发明一个实施例提供的一种相关指标数据的确定方法的流程图;
图4是本发明一个实施例提供的一种相关矩阵确定方法的流程图;
图5是本发明一个实施例提供的一种空间距离的确定方法的流程图;
图6是本发明一个实施例提供的一种列车网络层级结构示意图;
图7是本发明一个实施例提供的另一种故障预测模型的建立方法的流程图;
图8是本发明一个实施例提供的一种特征处理的方法的流程图;
图9是本发明一个实施例提供的一种列车系统的故障预测方法的流程图;
图10是本发明一个实施例提供的一种故障预测模型的建立装置的示意图;
图11是本发明一个实施例提供的一种列车系统的故障预测装置的示意图;
图12是本发明一个实施例提供的一种计算设备的示意图。
附图标记列表
101:获取当前列车系统的本地样本运行数据和相关样本运行数据
102:对本地样本运行数据进行指标提取,得到关键指标数据
103:根据相关样本运行数据中的初级相关指标与当前列车系统的空间相关性,确定相关指标数据;其中,初级相关指标用于表征能够导致列车系统出现故障的指标
104:利用关键指标数据和相关指标数据,训练得到故障预测模型
201:获取第一故障指标集合;其中,第一故障指标集合中包括至少一个对应列车故障的故障指标
202:从本地样本运行数据中提取第一故障指标集合中所包括的至少一个故障指标,得到关键指标数据
301:根据初级相关指标与当前列车系统的空间相关性,得到空间相关矩阵
302:根据空间相关矩阵中的各个空间相关值,确定相关指标数据
401:确定初级相关指标与当前列车系统之间的空间距离
402:确定初级相关指标与当前列车系统之间的差异
403:根据空间距离和差异,对初级相关指标与当前列车系统之间的相关程度进行缩放,得到空间相关矩阵
501:获取初级相关指标与当前列车系统之间的依赖性
502:计算初级相关指标与当前列车系统的物理距离
503:根据依赖性和物理距离,确定初级相关指标与当前列车系统之间的空间距离
A:列车网络 B:列车线路 C:列车编号
D:列车系统 E:列车指标
701:对关键指标数据和相关指标数据进行特征处理,得到融合特征
702:将融合特征输入深度神经网络模型进行训练,得到空间预测模型
703:将关键指标数据和相关指标数据所对应的指标时间序列输入长短时记忆模型,得到时间预测模型
801:对关键指标数据进行性能特征提取,得到关键指标特征
802:对相关指标数据进行性能特征提取,得到相关指标特征
803:对关键指标特征进行筛选,得到至少一个目标关键指标特征;其中,目标关键指标特征为相应特征值会在当前列车系统发生故障时发生变化的特征
804:对相关指标特征进行筛选,得到至少一个目标相关指标特征
805:将由至少一个目标关键指标特征构成的矩阵和由至少一个相关指标特征构成的矩阵进行合并,得到融合特征
901:获取当前列车系统的本地运行数据和相关运行数据
902:将本地运行数据和相关运行数据,输入到利用如上述任一的故障预测模型的建立方法所建立的故障预测模型中,得到当前列车系统的故障预测结果
1001:运行数据获取模块 1002:指标提取模块
1003:相关指标数据确定模块 1004:模型训练模块
1101:预测运行数据获取模块 1102:故障预测模块
120:存储器 1202:处理器 1200:计算设备
100:故障预测模型的建立方法
900:列车系统的故障预测方法
1000:故障预测模型的建立装置
1100:列车系统的故障预测装置
具体实施方式
如前所述,随着科学技术和经济的发展,轨道交通已经成为了人们日常生活和国家经济发展中必不可少的交通工具。当然,随之而来的是轨道交通的安全也越来越受到人们的关注。在轨道交通领域中,诸如转向架、牵引电机、轮毂之类的列车关键系统或部件的性能直接关系到车辆运行的安全性和可靠性。比如,如果转向架发生故障往往会导致列车的各部位振动加剧、性能下降,甚至发生脱轨和翻车的情况。因此,及时的故障预测是列车安全运营的关键。
目前,在列车的故障检测领域中,采用了深度学习中的图像应用和目标识别对列车故障进行检测或预测。比如,利用长短时记忆LSTM网络,通过恒定速度的振动数据对转向架的已知故障进行检测。再比如,通过卷积神经网络CNN对高速列车的转向架故障进行诊断。然而,列车的系统或部件具有复杂性,而且会受到不确定的环境干扰。比如,不同部件或不同系统之间会相互影响。也就是说,列车的故障不仅是某一个系统或部件所确定的,而且会受到其他系统或部件的干扰和影响。而现有的故障检测或故障预测方法主要集中在目标系统或部件的指标上,没有充分考虑来自其他系统或部件的空间影响,导致对列车故障的预测准确性较低。
基于此,本发明考虑不仅对当前列车系统的运行数据进行关注,而且同时对该当前列车系统之外的其他列车系统的运行数据进行关注,充分将其他系统的空间影响考虑在内,以此提高对列车进行故障预测的准确性。
如图1所示,本发明提供了一种故障预测模型的建立方法100,该方法可以包括如下步骤:
步骤101:获取当前列车系统的本地样本运行数据和相关样本运行数据;
步骤102:对本地样本运行数据进行指标提取,得到关键指标数据;
步骤103:根据相关样本运行数据中的初级相关指标与当前列车系统的空间相关性,确定相关指标数据;其中,初级相关指标用于表征能够导致列车系统出现故障的指标;
步骤104:利用关键指标数据和相关指标数据,训练得到故障预测模型。
本发明实施例中,在训练用于对列车系统的故障进行预测的故障预测模型时,首先考虑获取当前列车系统的本地样本运行数据和相关样本运行数据,然后对该本地样本运行数据进行指标提取得到关键指标数据。进一步,根据相关样本运行数据中的初级相关指标与当前列车系统的空间相关性确定相关指标数据,进而可以利用该相关指标数据和关键指标数据训练得到故障预测模型。由此可见,本方案不仅考虑了当前列车系统本身的数据,而且考虑到了与该当前列车系统具有空间相关性的指标数据,如此能够充分将能够对当前列车系统产生影响的因素考虑到其中,从而该故障预测模型能够提高对列车系统的故障进行预测的准确性。
下面结合具体实施例对图1中的各个步骤进行说明。
在步骤101中,获取当前列车系统的本地样本运行数据和相关样本运行数据。
在本步骤中,需要获取列车系统的本地样本运行数据和相关样本运行数据。比如,该本地样本运行数据可以包括当前列车系统的操作数据、当前列车系统的过程数据、当前列车系统的运行数据、当前列车运行的环境数据、传感器数据等。再比如,该相关样本运行数据可以包括当前列车的其他系统的数据,以及其他列车上的数据。比如,可以包括在于当前列车系统相距预设距离范围之内的系统的运行数、以及与当前列车系统所属的列车为同一线路的列车系统的数据。
在步骤102中,对本地样本运行数据进行指标提取,得到关键指标数据。
本步骤中,当获取到本地样本运行数据之后,考虑从该本地样本运行数据中提取出能够造成列车故障的指标数据。比如,如图2所示,步骤102可以包括如下步骤:
步骤201:获取第一故障指标集合;其中,第一故障指标集合中包括至少一个对应列车故障的故障指标;
步骤202:从本地样本运行数据中提取第一故障指标集合中所包括的至少一个故障指标,得到关键指标数据;
本实施例中,在对故障指标进行提取得到关键指标数据时,首先考虑获取第一故障指标集合,该故障指标集合中应包括至少一个对应列车故障的故障指标,然后从本地样本运行数据中提取出该第一故障指标集合中所包含的故障指标,从而得到关键指标数据。比如,该故障指标可以是电机温度、电机转速、齿轮转矩等。
容易理解的是,对于相关样本运行数据来说也应执行相同的操作,比如在确定步骤103中的初级相关指标时,可以通过如下方式确定:
获取第二故障指标集合;其中,第二故障指标集合中包括至少一个对应列车故障的故障指标;
从相关样本运行数据中提取第二故障指标集合中所包括的至少一个故障指标,得到初级相关指标数据。
在一种可能的实现方式中,第一故障指标集合和第二故障指标集合可以预先根据专家知识确定。根据专家知识,预先确定出能够对列车故障产生影响的故障指标,将各个故障指标所构成的集合确定为第一故障指标集合或第二故障指标集合。容易理解的是,第一故障指标集合和第二故障指标集合可能相同,也可能不同。
在步骤103中,根据相关样本运行数据中的初级相关指标与当前列车系统的空间相关性,确定相关指标数据。
本步骤中,考虑依据相关样本运行数据中能够导致列车系统出现故障的初级相关指标与当前列车系统之间的空间相关性来确定相关指标数据,即将样本运行数据中对当前列车系统的影响程度更高的指标数据确定为相关指标数据。如图3所示,在一种可能的实现方式中,步骤103可以通过如下步骤实现:
步骤301:根据初级相关指标与当前列车系统的空间相关性,得到空间相关矩阵;
步骤302:根据空间相关矩阵中的各个空间相关值,确定相关指标数据。
本实施例中,在根据初级相关指标和当前列车系统的空间相关性确定相关指标数据时,可以首先根据初级相关指标与当前列车系统的空间相关性得到空间相关矩阵,然后再根据该空间相关矩阵中各个空间相关值得到相关指标数据。
在车辆运行过程中,所研究系统的健康状况是复杂和动态的不仅反映在目标系统内部的指标上,而且与这列列车的附近或远处的系统相关,甚至与运行条件相似的其他列车的类似系统相关。因此考虑建立空间相关矩阵来标识每个指标与目标系统之间的相关性。
对步骤301进行说明。
如图4所示,步骤301在根据初级相关指标与当前列车系统的空间相关性得到空间相关矩阵时,可以通过如下步骤实现:
步骤401:确定初级相关指标与当前列车系统之间的空间距离;
步骤402:确定初级相关指标与当前列车系统之间的差异;
步骤403:根据空间距离和差异,对初级相关指标与当前列车系统之间的相关程度进行缩放,得到空间相关矩阵。
本实施例中,在确定空间相关矩阵时,首先考虑确定初级相关指标与当前列车系统之间的空间距离,然后确定初级相关指标与当前列车系统之间的差异性。进一步,可以根据空间距离和差异性,对初级相关指标与当前列车系统之间的相关程度进行缩放,进而得到空间相关矩阵。如此通过对初级相关指标与当前列车系统之间的相关程度进行缩放,能够显化两者之间的相关程度,使得相关性高的更加明显,相关性低的更加不明显。通过放大初级相关指标与当前列车系统之间的相关程度,能够更好的挖掘出能够对当前列车系统产生影响的相关指标数据。
对步骤401进行说明。
如图5所示,步骤401在确定初级相关指标与当前列车系统之间的空间距离时,可以通过如下步骤实现:
步骤501:获取初级相关指标与当前列车系统之间的依赖性;
步骤502:计算初级相关指标与当前列车系统的物理距离;
步骤503:根据依赖性和物理距离,确定初级相关指标与当前列车系统之间的空间距离。
本实施例中,在确定空间距离时,首先考虑获取初级相关指标与当前列车系统之间的依赖性,然后计算初级相关指标与当前列车系统的物理距离,进而可以通过两者之间的依赖性和物理距离,确定出初级相关指标与当前列车系统之间的空间距离。
步骤501在确定初级相关指标与当前列车系统之间的依赖性时,可以通过专家知识来确定。比如,牵引系统的性能不仅由牵引系统内部的指标决定,而且也被供电系统所影响,如缩放仪、高压箱(HVB)等。然而,与上述供电系统相比,乘客信息系统(PIS)的影响非常小。
在确定初级相关指标与当前列车系统之间的空间距离时,确定初级相关指标与当前列车系统之间的物理距离是至关重要的。在一种可能的实现方式中,步骤502在确定物理距离时可以通过如下方式实现:
首先,获取预先构建的列车网络层级结构;获取预先构建的列车网络层级结构;其中,列车网络层级结构中包括至少两个位于不同层级的列车网络参量,且每一个列车网络参量都对应一个节点,相邻两个层级的任意两个节点相连接;每一个列车参量所属的层级根据其本身所包含的参量层级数确定。
然后,根据列车网络层级结构,确定初级相关指标所在节点到当前列车系统所在节点需要的最短步长;其中,相邻两个节点之间的步长为1。
如此,通过构建出列车网络层级结构,即可根据初级相关指标所在节点与当前列车系统所在节点之间有多少步长即可准确的确定出物理距离。比如,如图6所示的列车网络层级结构示意图,在一个可能的实现方式中,列车网络层级结构可以包括至少五个层级的列车网络参量,并且第一层级包括列车网络节点A,第二层级包括至少一个列车线路节点B,第三层级包括至少一个列车编号节点C,第四层级包括至少一个列车系统节点D,第五层级包括至少一个列车指标节点E。显然,上述五个列车网络参量所属的层级从高到低依次为:列车网络>列车线路>列车编号>列车系统>列车指标。也就是说,一个列车网络节点下面可以包括一个或多个列车线路节点,比如,该列车网络为整个列车领域所构成的列车网;而每一个列车线路节点线面可以包括具有不同列车编号的列车,比如列车线路可以包括从A城市到B城市的Line1,还可以包括从C城市到D城市的Line2;而每一个列车编号下面可以进一步包括一个或多个列车系统节点,比如,该列车编号可以为K123次列车,G321次列车等;每一个系统节点下面可以包括一个或多个指标节点,比如,该系统可以包括电机系统、转向架系统、供电系统等,该指标可以包括电机系统下的电机温度、电机转速,以及转向架系统下的转向架温度、齿轮转矩等。
基于图6所示的示意图,假设E1所在节点为电机温度,D2所在节点为当前列车的转向架系统,那么计算电机温度指标和当前列车系统之间的距离,即计算E1到D2之间的距离。显然,从节点E1到C1之间需要两个步长,即物理距离为2。而C1到D2之间需要一个步长,即物理距离为1。如此得到E1到D2之间的物理距离为3。
在一种可能的实现方式中,步骤503在确定初级相关指标与当前列车系统之间的空间距离时,可以利用如下计算式来得到:
D=(1-T)*F
其中,D用于表征空间距离对应的矩阵,T用于表征由当前列车系统对各个初级相关指标的依赖值所构成的依赖矩阵,F用于表征由各个初级相关指标与当前列车系统之间的物理距离值所构成的物理距离矩阵。
在本实施例中,T表征的是由当前列车系统对各个初级相关指标的依赖值所构成的依赖矩阵。容易理解的是,当前列车系统对初级相关指标的依赖性越高,那么说明该初级相关指标和当前列车系统之间的距离越小。因此,本实施例中,通过利用物理距离F与(1-T)作乘积即可得到空间距离矩阵。
对步骤402进行说明。
本步骤中在确定初级相关指标与当前列车系统之间的差异时,可以考虑利用皮尔逊相关法Pearson correlation、斯皮尔曼相关法Spearman correlation和欧几里得距离法Euclidean distance中的至少一个确定初级相关指标与当前列车系统之间的差异。比如,可以计算各个初级相关指标与当前列车系统的各个关键指标之间的加权平均差值得到。
对步骤403进行说明。
本步骤中,在根据初级相关指标与当前列车系统之间的空间距离和差异得到空间相关矩阵时,考虑利用指数衰减来缩放初级相关指标和当前列车系统之间的相关程度。在一种可能的实现方式中,步骤403可以通过如下计算式来计算空间相关矩阵。
S=Normalize(exp(-D*R))
其中,S用于表征空间相关矩阵,D用于表征空间距离对应的矩阵,R用于表征由差异的值构成的相异矩阵,Normalize(.x)用于表征对x进行归一化计算。
在本实施例中,通过空间相关矩阵来测量各初级相关指标与当前列车系统之间的相关性。即该初级相关指标与当前列车系统的距离越远或相似性越小,那么S矩阵中对应该初级相关指标的相关值越小。如此,该矩阵包括空间物理信息和空间指标相似性,更重视了物理上彼此接近且值相关或相似的指标,利用指数衰减函数来描述空间相关性,能够得到更接近或更相关的环境指标、或来自周围系统或列车的指标的更优值。
对步骤302进行说明。
在根据空间矩阵中的各个空间相关值确定相关指标数据时,可以考虑将空间相关值中大于预先设定的相关指标阈值的空间相关值确定为相关指标数据。比如,可以对空间相关矩阵S中对应每个指标的空间相关值进行排序,并从其中过滤出对故障预测更相关的指标,以建立相关指标集,得到相关指标数据。
在步骤104中,利用关键指标数据和相关指标数据,训练得到故障预测模型。
在本步骤中,考虑到当前列车系统不仅与各指标之间具有空间依赖性,而且指标之间还具有时间依赖性。因此,在训练模型时,不仅在空间层对模型进行训练,同时在时间层也进行模型训练。比如,如图7所示,步骤104可以包括如下步骤:
步骤701:对关键指标数据和相关指标数据进行特征处理,得到融合特征;
步骤702:将融合特征输入深度神经网络模型进行训练,得到空间预测模型;
步骤703:将关键指标数据和相关指标数据所对应的指标时间序列输入长短时记忆模型,得到时间预测模型;
步骤704:根据空间预测模型和时间预测模型,得到故障预测模型。
本实施例中,在训练得到故障预测模型时,考虑向对关键指标数据和相关指标数据进行特征处理得到融合特征,然后将该融合特征输入到深度神经网络模型DNN中进行训练,得到空间预测模型。另外,还可将关键指标数据和相关指标数据所对应的指标时间序列输入到长短时记忆模型LSTM中得到时间预测模型。进一步,可以根据该空间预测模型和时间预测模型得到故障预测模型。由此可见,本方案不仅考虑了空间层面上相关指标对当前列车系统的影响,而且考虑指标数据本身的时间依赖性。如此同时对空间依赖性和时间依赖性进行考虑,能够在提高利用该故障预测模型进行故障预测的准确性。
步骤701在对关键指标数据和相关指标数据进行特征处理时,可以包括对数据进行指标特征的提取、特征筛选以及特征融合等处理。比如,在一种可能的实现方式中,如图8所示,步骤701可以包括如下步骤:
步骤801:对关键指标数据进行性能特征提取,得到关键指标特征;
步骤802:对相关指标数据进行性能特征提取,得到相关指标特征;
步骤803:对关键指标特征进行筛选,得到至少一个目标关键指标特征;其中,目标关键指标特征为相应特征值会在当前列车系统发生故障时发生变化的特征;
步骤804:对相关指标特征进行筛选,得到至少一个目标相关指标特征;其中,目标相关指标特征为相应特征值会在当前列车系统发生故障时发生变化的特征;
步骤805:将由至少一个目标关键指标特征构成的矩阵和由至少一个相关指标特征构成的矩阵进行合并,得到融合特征。
本实施例在对指标数据进行特征处理时,先考虑分别对关键指标数据和相关指标数据进行特征提取,分别得到关键指标特征和相关指标特征。然后再分别对关键指标特征和相关指标特征进行筛选,筛选出对在列车系统发生故障时具有显著变化的特征。进一步通过将关键指标特征和相关指标特征进行融合得到融合特征。
由此可见,本方案中通过特征提取和特征筛选,可能更精确的将引起当前列车系统发生故障的特征筛选出来,如此构建出的模型对故障预测更加有效。而且可以减少数据处理量,提升模型训练效率以及模型预测的执行效率。此外,在进行模型训练时,进一步将关键指标特征和相关指标特征进行了融合,该方式也有助于通过空间依赖性来提高故障预测的准确性。
在将目标关键指标特征和目标相关指标特征进行融合时,可以考虑将目标关键指标特征所对应的矩阵和目标相关指标特征所对应的矩阵进行合并。比如,将两个矩阵通过增加行的方式合并为一个融合特征矩阵。
在步骤704根据空间预测模型和时间预测模型的得到故障预测模型时,该故障预测模型结合了LSTM模型和DNN模型。LSTM模型能够捕捉每个预测值的时间依赖性。与当前列车系统最相关的相关指标数据作为预测指标提供给了LSTM模型,从而提高了预测精度。同时,将指标的空间信息和空间相关性输入到了DNN模型中,并与LSTM进行集成,以在预定义的未来窗口中预测当前列车系统的故障类型和概率。
需要指出的是,在进行故障预测时,可以考虑利用时间预测模型对故障进行预测,也可以考虑利用空间预测模型对故障进行预测,还可以同时基于时间预测模型和空间预测模型对故障进行预测。在一种可能的实现方式中,步骤704可以通过计算空间预测模型和时间预测模型的加权平均值得到故障预测模型。
比如,空间预测模型的输出为h_s,时间预测模型的输出为h_t,那么故障预测模型可以为y_t=a*h_s+b*h_t,其中,a和b分别为空间预测分量和时间预测分量所占的权重,在一种可能的实现方式中,a=b=0.5。
如图9所示,本发明实施例还提供了一种列车系统的故障预测方法900,该方法可以包括如下步骤:
步骤901:获取当前列车系统的本地运行数据和相关运行数据;其中,相关运行数据为该当前列车系统之外的其他至少一个列车系统的运行数据;
步骤902:将本地运行数据和相关运行数据,输入到利用如上述任一的故障预测模型的建立方法所建立的故障预测模型中,得到当前列车系统的故障预测结果。
本发明实施例中,由于故障预测模型是考虑了相关指标和系统之间的空间依赖性和时间依赖性得到的,因此利用该故障预测模型进行故障预测时能够提高准确性。
如图10所示,本发明实施例提供了一种故障预测模型的建立装置1000,该装置可以包括:
一个运行数据获取模块1001,配置为获取当前列车系统的本地样本运行数据和相关样本运行数据;
一个指标提取模块1002,配置为对运行数据获取模块1001得到的本地样本运行数据进行指标提取,得到关键指标数据;
一个相关指标数据确定模块1003,配置为根据运行数据获取模块1001得到的相关样本运行数据中的初级相关指标与当前列车系统的空间相关性,确定相关指标数据;其中,初级相关指标用于表征能够导致列车系统出现故障的指标;
一个模型训练模块1004,配置为利用指标提取模块1002得到的关键指标数据和相关指标数据确定模块1003得到的相关指标数据,训练得到故障预测模型。
在一种可能的实现方式中,运行数据获取模块1001获取到的相关样本运行数据包括如下中的至少一项:在与当前列车系统相距预设距离范围之内的系统的运行数据、以及与当前列车系统所属的列车为同一线路的列车系统的数据。
在一种可能的实现方式中,指标提取模块1002在对本地样本运行数据进行指标提取得到关键指标数据时,配置为执行如下操作:
获取第一故障指标集合;其中,第一故障指标集合中包括至少一个对应列车故障的故障指标;
从本地样本运行数据中提取第一故障指标集合中所包括的至少一个故障指标,得到关键指标数据;
在一种可能的实现方式中,还可以包括相关指标提取模块1002,该相关指标提取模块1002在确定初级相关指标时,配置为执行如下操作:
获取第二故障指标集合;其中,第二故障指标集合中包括至少一个对应列车故障的故障指标;
从相关样本运行数据中提取第二故障指标集合中所包括的至少一个故障指标,得到初级相关指标数据。
在一种可能的实现方式中,相关指标数据确定模块1003在根据相关样本运行数据中的初级相关指标与当前列车系统的空间相关性确定相关指标数据时,配置为执行如下操作:
根据初级相关指标与当前列车系统的空间相关性,得到空间相关矩阵;
根据空间相关矩阵中的各个空间相关值,确定相关指标数据。
在一种可能的实现方式中,相关指标数据确定模块1003在根据初级相关指标与当前列车系统的空间相关性得到空间相关矩阵时,配置为执行如下操作:
确定初级相关指标与当前列车系统之间的空间距离;
确定初级相关指标与当前列车系统之间的差异;
根据空间距离和差异,对初级相关指标与当前列车系统之间的相关程度进行缩放,得到空间相关矩阵。
在一种可能的实现方式中,相关指标数据确定模块1003在确定初级相关指标与当前列车系统之间的空间距离时,配置成执行如下操作:
获取初级相关指标与当前列车系统之间的依赖性;
计算初级相关指标与当前列车系统的物理距离;
根据依赖性和物理距离,确定初级相关指标与当前列车系统之间的空间距离。
在一种可能的实现方式中,相关指标数据确定模块1003在计算初级相关指标与当前列车系统的物理距离时,配置成执行如下操作:
获取预先构建的列车网络层级结构;其中,列车网络层级结构中包括至少两个位于不同层级的列车网络参量,且每一个列车网络参量都对应一个节点,相邻两个层级的任意两个节点相连接;每一个列车参量所属的层级根据其本身所包含的参量层级数确定。
根据列车网络层级结构,确定初级相关指标所在节点到当前列车系统所在节点需要的最短步长;其中,相邻两个节点之间的步长为1。
在一种可能的实现方式中,相关指标数据确定模块1003获取到的列车网络层级结构包括至少五个层级的列车网络参量;且,
第一层级包括列车网络节点;第二层级包括至少一个列车线路节点;第三层级包括至少一个列车编号节点;第四层级包括至少一个列车系统节点;第五层级包括至少一个列车指标节点。
在一种可能的实现方式中,相关指标数据确定模块1003在根据依赖性和物理距离确定初级相关指标与当前列车系统之间的空间距离时,配置成执行如下操作:
利用如下计算式计算初级相关指标与当前列车系统之间的空间距离:
D=(1-T)*F
其中,D用于表征空间距离对应的矩阵,T用于表征由当前列车系统对各个初级相关指标的依赖值所构成的依赖矩阵,F用于表征由各个初级相关指标与当前列车系统之间的物理距离值所构成的物理距离矩阵。
在一种可能的实现方式中,相关指标数据确定模块1003在确定初级相关指标与当前列车系统之间的差异时,配置成执行如下操作:
利用皮尔逊相关法、斯皮尔曼相关法和欧几里得相关法中的至少一个确定初级相关指标与当前列车系统之间的差异。
在一种可能的实现方式中,相关指标数据确定模块1003在根据空间距离和差异,对初级相关指标与当前列车系统之间的相关程度进行缩放得到空间相关矩阵时,配置成执行如下操作:
利用如下计算式,得到空间相关矩阵:
S=Normalize(exp(-D*R))
其中,S用于表征空间相关矩阵,D用于表征空间距离对应的矩阵,R用于表征由差异的值构成的相异矩阵,Normalize(.x)用于表征对x进行归一化计算。
在一种可能的实现方式中,相关指标数据确定模块1003在根据空间相关矩阵中的各个空间相关值确定相关指标数据时,配置成执行如下操作:
将空间相关值中大于预先设定的相关指标阈值的空间相关值,确定为相关指标数据。
在一种可能的实现方式中,模型训练模块1004在利用关键指标数据和相关指标数据训练得到故障预测模型时,配置成执行如下操作:
对关键指标数据和相关指标数据进行特征处理,得到融合特征;
将融合特征输入深度神经网络模型进行训练,得到空间预测模型;
将关键指标数据和相关指标数据所对应的指标时间序列输入长短时记忆模型,得到时间预测模型;
根据空间预测模型和时间预测模型,得到故障预测模型。
在一种可能的实现方式中,模型训练模块1004在对关键指标数据和相关指标数据进行特征处理得到融合特征时,配置成执行如下操作:
对关键指标数据进行性能特征提取,得到关键指标特征;
对相关指标数据进行性能特征提取,得到相关指标特征;
对关键指标特征进行筛选,得到至少一个目标关键指标特征;其中,目标关键指标特征为相应特征值会在当前列车系统发生故障时发生变化的特征;
对相关指标特征进行筛选,得到至少一个目标相关指标特征;其中,目标相关指标特征为相应特征值会在当前列车系统发生故障时发生变化的特征;
将由至少一个目标关键指标特征构成的矩阵和由至少一个相关指标特征构成的矩阵进行合并,得到融合特征。
在一种可能的实现方式中,模型训练模块1004在根据空间预测模型和时间预测模型得到故障预测模型时,配置成执行如下操作:
计算空间预测模型和时间预测模型的加权平均值,得到故障预测模型。
如图11所示,本发明实施例还提供了一种列车系统的故障预测装置1100,该装置可以包括:
一个预测运行数据获取模块1101,配置为获取当前列车系统的本地运行数据和相关运行数据;其中,相关运行数据为该当前列车系统之外的其他至少一个列车系统的运行数据;
一个故障预测模块1102,配置为将预测运行数据获取模块1001获取到的本地运行数据和相关运行数据,输入到利用如上述任一的故障预测模型的建立装置所建立的故障预测模型中,得到当前列车系统的故障预测结果。
如图12所示,本发明一个实施例还提供了计算设备1200,包括:至少一个存储器1201和至少一个处理器1202;
至少一个存储器1201,用于存储机器可读程序;
至少一个处理器1202,与至少一个存储器1201耦合,用于调用机器可读程序,执行上述任一实施例提供的故障预测模型的建立方法100和列车系统的故障预测方法900。
本发明还提供了一种计算机可读介质,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行上述任一实施例提供的故障预测模型的建立方法100和列车系统的故障预测方法900。本发明还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一所述的故障预测模型的建立方法100和列车系统的故障预测方法900。具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,上述各流程和各系统结构图中不是所有的步骤和模块都是必须的,可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的,可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构,也可以是逻辑结构,即,有些模块可能由同一物理实体实现,或者,有些模块可能分由多个物理实体实现,或者,可以由多个独立设备中的某些部件共同实现。其中,上述装置实施例与方法实施例基于同一发明构思。
以上各实施例中,硬件模块可以通过机械方式或电气方式实现。例如,一个硬件模块可以包括永久性专用的电路或逻辑(如专门的处理器,FPGA或ASIC)来完成相应操作。硬件模块还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器),可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
上文通过附图和优选实施例对本发明进行了详细展示和说明,然而本发明不限于这些已揭示的实施例,基与上述多个实施例本领域技术人员可以知晓,可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例,这些实施例也在本发明的保护范围之内。
Claims (21)
1.故障预测模型的建立方法,其特征在于,包括:
获取当前列车系统的本地样本运行数据和相关样本运行数据;
对所述本地样本运行数据进行指标提取,得到关键指标数据;
根据所述相关样本运行数据中的初级相关指标与所述当前列车系统的空间相关性,确定相关指标数据;其中,所述初级相关指标用于表征能够导致列车系统出现故障的指标;
利用所述关键指标数据和所述相关指标数据,训练得到所述故障预测模型。
2.根据权利要求1所述的方法,其特征在于,所述相关样本运行数据包括如下中的至少一项:在与所述当前列车系统相距预设距离范围之内的系统的运行数据、以及与当前列车系统所属的列车为同一线路的列车系统的数据。
3.根据权利要求1所述的方法,其特征在于,
所述对所述本地样本运行数据进行指标提取得到关键指标数据的步骤,包括:
获取第一故障指标集合;其中,所述第一故障指标集合中包括至少一个对应列车故障的故障指标;
从所述本地样本运行数据中提取所述第一故障指标集合中所包括的至少一个故障指标,得到所述关键指标数据;
和/或,
所述初级相关指标的确定方法,包括:
获取第二故障指标集合;其中,所述第二故障指标集合中包括至少一个对应列车故障的故障指标;
从所述相关样本运行数据中提取所述第二故障指标集合中所包括的至少一个故障指标,得到所述初级相关指标数据。
4.根据权利要求1所述的方法,其特征在于,所述根据所述相关样本运行数据中的初级相关指标与所述当前列车系统的空间相关性确定相关指标数据的步骤,包括:
根据所述初级相关指标与所述当前列车系统的空间相关性,得到空间相关矩阵;
根据所述空间相关矩阵中的各个空间相关值,确定所述相关指标数据。
5.根据权利要求4所述的方法,其特征在于,所述根据所述初级相关指标与所述当前列车系统的空间相关性得到空间相关矩阵的步骤,包括:
确定所述初级相关指标与所述当前列车系统之间的空间距离;
确定所述初级相关指标与所述当前列车系统之间的差异;
根据所述空间距离和所述差异,对所述初级相关指标与所述当前列车系统之间的相关程度进行缩放,得到所述空间相关矩阵。
6.根据权利要求5所述的方法,其特征在于,所述确定所述初级相关指标与所述当前列车系统之间的空间距离的步骤,包括:
获取所述初级相关指标与所述当前列车系统之间的依赖性;
计算所述初级相关指标与所述当前列车系统的物理距离;
根据所述依赖性和所述物理距离,确定所述初级相关指标与所述当前列车系统之间的空间距离。
7.根据权利要求6所述的方法,其特征在于,所述计算所述初级相关指标与所述当前列车系统的物理距离的步骤,包括:
获取预先构建的列车网络层级结构;其中,所述列车网络层级结构中包括至少两个位于不同层级的列车网络参量,且每一个列车网络参量都对应一个节点,相邻两个层级的任意两个节点相连接;每一个列车参量所属的层级根据其本身所包含的参量层级数确定;
根据所述列车网络层级结构,确定所述初级相关指标所在节点到所述当前列车系统所在节点需要的最短步长;其中,相邻两个节点之间的步长为1。
8.根据权利要求7所述的方法,其特征在于,所述列车网络层级结构包括至少五个层级的列车网络参量;且,
第一层级包括列车网络节点;第二层级包括至少一个列车线路节点;第三层级包括至少一个列车编号节点;第四层级包括至少一个列车系统节点;第五层级包括至少一个列车指标节点。
9.根据权利要求6所述的方法,其特征在于,所述根据所述依赖性和所述物理距离,确定所述初级相关指标与所述当前列车系统之间的空间距离的步骤,包括:
利用如下计算式计算初级相关指标与当前列车系统之间的空间距离:
D=(1-T)*F
其中,D用于表征所述空间距离对应的矩阵,T用于表征由当前列车系统对各个初级相关指标的依赖值所构成的依赖矩阵,F用于表征由各个初级相关指标与当前列车系统之间的物理距离值所构成的物理距离矩阵。
10.根据权利要求5所述的方法,其特征在于,所述确定所述初级相关指标与所述当前列车系统之间的差异,包括:
利用皮尔逊相关法、斯皮尔曼相关法和欧几里得距离法中的至少一个确定所述初级相关指标与当前列车系统之间的差异。
11.根据权利要求5所述的方法,其特征在于,所述根据所述空间距离和所述差异,对所述所述初级相关指标与所述当前列车系统之间的相关程度进行缩放得到所述空间相关矩阵的步骤,包括:
利用如下计算式,得到所述空间相关矩阵:
S=Normalize(exp(-D*R))
其中,S用于表征所述空间相关矩阵,D用于表征所述空间距离对应的矩阵,R用于表征由所述差异的值构成的相异矩阵,Normalize(.x)用于表征对x进行归一化计算。
12.根据权利要求4所述的方法,其特征在于,所述根据所述空间相关矩阵中的各个空间相关值确定所述相关指标数据的步骤,包括:
将所述空间相关值中大于预先设定的相关指标阈值的空间相关值,确定为所述相关指标数据。
13.根据权利要求1所述的方法,其特征在于,所述利用所述关键指标数据和所述相关指标数据训练得到所述故障预测模型的步骤,包括:
对所述关键指标数据和所述相关指标数据进行特征处理,得到融合特征;
将所述融合特征输入深度神经网络模型进行训练,得到空间预测模型;
将所述关键指标数据和所述相关指标数据所对应的指标时间序列输入长短时记忆模型,得到时间预测模型;
根据所述空间预测模型和所述时间预测模型,得到所述故障预测模型。
14.根据权利要求13所述的方法,其特征在于,所述对所述关键指标数据和所述相关指标数据进行特征处理得到融合特征的步骤,包括:
对所述关键指标数据进行性能特征提取,得到关键指标特征;
对所述相关指标数据进行性能特征提取,得到相关指标特征;
对所述关键指标特征进行筛选,得到至少一个目标关键指标特征;其中,所述目标关键指标特征为相应特征值会在当前列车系统发生故障时发生变化的特征;
对所述相关指标特征进行筛选,得到至少一个目标相关指标特征;其中,所述目标相关指标特征为相应特征值会在当前列车系统发生故障时发生变化的特征;
将由所述至少一个目标关键指标特征构成的矩阵和由所述至少一个相关指标特征构成的矩阵进行合并,得到所述融合特征。
15.根据权利要求13所述的方法,其特征在于,所述根据所述空间预测模型和所述时间预测模型得到所述故障预测模型的步骤,包括:
计算所述空间预测模型和所述时间预测模型的加权平均值,得到所述故障预测模型。
16.列车系统的故障预测方法,其特征在于,包括:
获取当前列车系统的本地运行数据和相关运行数据;其中,所述相关运行数据为该当前列车系统之外的其他至少一个列车系统的运行数据;
将所述本地运行数据和所述相关运行数据,输入到利用如权利要求1至15中任一所述的故障预测模型的建立方法所建立的故障预测模型中,得到当前列车系统的故障预测结果。
17.故障预测模型的建立装置,其特征在于,包括:
一个运行数据获取模块,配置为获取当前列车系统的本地样本运行数据和相关样本运行数据;
一个指标提取模块,配置为对所述运行数据获取模块得到的所述本地样本运行数据进行指标提取,得到关键指标数据;
一个相关指标数据确定模块,配置为根据所述运行数据获取模块得到的所述相关样本运行数据中的初级相关指标与所述当前列车系统的空间相关性,确定相关指标数据;其中,所述初级相关指标用于表征能够导致列车系统出现故障的指标;
一个模型训练模块,配置为利用所述指标提取模块得到的所述关键指标数据和所述相关指标数据确定模块得到的所述相关指标数据,训练得到所述故障预测模型。
18.列车系统的故障预测装置,其特征在于,包括:
一个预测运行数据获取模块,配置为获取当前列车系统的本地运行数据和相关运行数据;其中,所述相关运行数据为该当前列车系统之外的其他至少一个列车系统的运行数据;
一个故障预测模块,配置为将所述预测运行数据获取模块获取到的所述本地运行数据和所述相关运行数据,输入到利用如权利要求17所述的故障预测模型的建立装置所建立的故障预测模型中,得到当前列车系统的故障预测结果。
19.计算设备,其特征在于,包括:至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行权利要求1至16中任一所述的方法。
20.计算机可读介质,其特征在于,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行权利要求1至16中任一所述的方法。
21.计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至16中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210320826.0A CN114604299B (zh) | 2022-03-29 | 2022-03-29 | 故障预测模型的建立方法、列车系统故障预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210320826.0A CN114604299B (zh) | 2022-03-29 | 2022-03-29 | 故障预测模型的建立方法、列车系统故障预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114604299A true CN114604299A (zh) | 2022-06-10 |
CN114604299B CN114604299B (zh) | 2023-07-11 |
Family
ID=81867285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210320826.0A Active CN114604299B (zh) | 2022-03-29 | 2022-03-29 | 故障预测模型的建立方法、列车系统故障预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114604299B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955556A (zh) * | 2014-03-27 | 2014-07-30 | 北京交通大学 | 高速铁路列车运行控制车载系统故障逻辑建模方法 |
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 |
CN111460392A (zh) * | 2020-06-11 | 2020-07-28 | 中国人民解放军国防科技大学 | 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统 |
WO2020153934A1 (en) * | 2019-01-21 | 2020-07-30 | Hewlett-Packard Development Company, L.P. | Fault prediction model training with audio data |
CN112326280A (zh) * | 2021-01-06 | 2021-02-05 | 西门子交通技术(北京)有限公司 | 列车转向架的故障检测方法、装置和计算机可读介质 |
CN113467420A (zh) * | 2021-06-30 | 2021-10-01 | 通号城市轨道交通技术有限公司 | 区域控制器故障检测方法及装置 |
-
2022
- 2022-03-29 CN CN202210320826.0A patent/CN114604299B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955556A (zh) * | 2014-03-27 | 2014-07-30 | 北京交通大学 | 高速铁路列车运行控制车载系统故障逻辑建模方法 |
WO2020153934A1 (en) * | 2019-01-21 | 2020-07-30 | Hewlett-Packard Development Company, L.P. | Fault prediction model training with audio data |
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 |
CN111460392A (zh) * | 2020-06-11 | 2020-07-28 | 中国人民解放军国防科技大学 | 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统 |
CN112326280A (zh) * | 2021-01-06 | 2021-02-05 | 西门子交通技术(北京)有限公司 | 列车转向架的故障检测方法、装置和计算机可读介质 |
CN113467420A (zh) * | 2021-06-30 | 2021-10-01 | 通号城市轨道交通技术有限公司 | 区域控制器故障检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114604299B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9683858B2 (en) | Learning transportation modes from raw GPS data | |
CN111688713B (zh) | 驾驶行为分析方法和装置 | |
CN112326280B (zh) | 列车转向架的故障检测方法、装置和计算机可读介质 | |
CN108053653B (zh) | 基于lstm的车辆行为预测方法和装置 | |
CN109740410A (zh) | 一种无需预设模板的列车组故障识别方法及装置 | |
Yu et al. | Statistical identification guided open-set domain adaptation in fault diagnosis | |
CN117436595B (zh) | 新能源汽车能耗预测方法、装置、设备及存储介质 | |
CN117036732B (zh) | 一种基于融合模型的机电设备检测系统、方法及设备 | |
CN117689693A (zh) | 一种基于图对比自监督学习的异常局部轨迹检测方法和装置 | |
CN114604299B (zh) | 故障预测模型的建立方法、列车系统故障预测方法和装置 | |
CN109840566A (zh) | 出行模式识别方法及装置 | |
Berjisian et al. | Evaluation of map‐matching algorithms for smartphone‐based active travel data | |
Seid et al. | Mobile crowdsensing based road surface monitoring using smartphone vibration sensor and lorawan | |
Zeng et al. | Rail break prediction and cause analysis using imbalanced in-service train data | |
JP2010205089A (ja) | 道路交通情報作成装置および道路交通情報作成方法 | |
CN112700016B (zh) | 预测性维护方法和装置 | |
JP4815241B2 (ja) | 交通状況予測プログラムおよび交通状況予測方法 | |
CN114611561B (zh) | 故障预测模型的训练方法、列车系统故障预测方法和装置 | |
CN117456187B (zh) | 基于基础模型的弱监督遥感图像语义分割方法及系统 | |
US20230401544A1 (en) | Maintenance management of a propulsion system | |
CN117710834B (zh) | 一种基于大数据的中尺度涡旋识别分析方法、系统及介质 | |
KR102070121B1 (ko) | 이용자 선호다양성을 반영한 경로 생성방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 생성 시스템 | |
Jendoubi et al. | Vehicle Activity Dataset: A Multimodal Dataset to Understand Vehicle Emissions with Road Scenes for Eco-Routing | |
CN116775494A (zh) | 一种自动驾驶仿真测试场景生成方法、装置、设备及介质 | |
Sonntag et al. | Detecting Edge Cases from Trajectory Datasets Using Deep Learning Based Outlier 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 |