CN115034337B - 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质 - Google Patents

一种轨道交通车辆中牵引电机状态辨识方法及装置、介质 Download PDF

Info

Publication number
CN115034337B
CN115034337B CN202210956024.9A CN202210956024A CN115034337B CN 115034337 B CN115034337 B CN 115034337B CN 202210956024 A CN202210956024 A CN 202210956024A CN 115034337 B CN115034337 B CN 115034337B
Authority
CN
China
Prior art keywords
data
state
time sequence
time
traction motor
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
CN202210956024.9A
Other languages
English (en)
Other versions
CN115034337A (zh
Inventor
邓仰东
肖罡
肖尧
万可谦
刘尧
刘小兰
杨钦文
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.)
Jiangxi Kejun Industrial Co ltd
Original Assignee
Jiangxi Kejun Industrial Co ltd
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 Jiangxi Kejun Industrial Co ltd filed Critical Jiangxi Kejun Industrial Co ltd
Priority to CN202210956024.9A priority Critical patent/CN115034337B/zh
Publication of CN115034337A publication Critical patent/CN115034337A/zh
Application granted granted Critical
Publication of CN115034337B publication Critical patent/CN115034337B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开一种轨道交通车辆中牵引电机状态辨识方法及装置、介质，该方法步骤包括：S01.获取待辨识牵引电机的多维运行时序数据进行预处理，提取数据中的低频分量，得到待辨识时序数据；S02.按照数据之间的相关性将待辨识时序数据分割为多个不同的数据段，得到多个时间序列分段数据；S03.对各时间序列分段数据进行降维，得到多个降维后时间序列分段数据；S04.对各降维后时间序列分段数据进行最优解求解，得到多个最优分段；S05.对各最优分段的故障状态分别进行识别，得到故障状态辨识结果输出。本发明具有实现方法简单、辨识精度以及效率高等优点。

Description

一种轨道交通车辆中牵引电机状态辨识方法及装置、介质
技术领域
本发明涉及轨道交通车辆设备技术领域，尤其涉及一种轨道交通车辆中牵引电机状态辨识方法及装置。
背景技术
轨道交通车辆中牵引电机即为车辆中用于牵引的电机，有如直流牵引电动机、交流异步牵引电动机和交流同步牵引电动机等多种类型。由于轨道车辆运行环境的特殊性，牵引电机必须在大负载、恶劣环境条件下承受较大的冲击和扭转振动，属于典型复杂机电装备，且具有故障损失大、失效模式复杂的显著特点，因此牵引电机维护已经成为轨道交通运维过程的重点环节。
故障预测属于预测式维护，通常是在传感数据的基础上，通过数据挖掘、机器学习等技术手段，深入研究设备机理及其内部复杂的关联关系，预测设备状态的发展趋势，建立精准有效的评估模型，从而支持复杂工业系统维护过程的智能决策。
现有技术中，设备的状态预测方法主要包括：1）基于物理失效模型的状态预测，该方法使用特定设备的底层机理结构和领域先验知识进行状态预测；2）数据驱动状态预测，利用机器学习方法从数据本身进行状态判断和趋势预测。上述两种方法均是将待识别数据作为一个整体进行辨识进而得到预测结果，但是牵引电机数据表现极为复杂，在一次运行过程中可能会呈现启动、匀速、加速、制动等不同阶段，而各个阶段传感数据分布是有较大差别的，且多个传感器数据之间会具有隐藏的复杂关联，牵引电机各类运行数据（如状态电容电压、电网电压、电机温度、电机转速、三相电流等）通常均会包含一定程度的噪声，因而直接采用现有技术中上述状态预测方法就难以快速、准确辨识出牵引电机的故障状态。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现简单、辨识效率以及精度高的轨道交通车辆中牵引电机状态辨识方法及装置。
为解决上述技术问题，本发明提出的技术方案为：
一种轨道交通车辆中牵引电机状态辨识方法，步骤包括：
S01.获取待辨识牵引电机的多维运行时序数据进行预处理，提取数据中的低频分量，得到待辨识时序数据；
S02.按照数据之间的相关性将所述待辨识时序数据分割为多个不同的数据段，得到多个时间序列分段数据，每个所述时间序列分段数据具有不同的数据特征；
S03.对各所述时间序列分段数据基于时间维度进行降维，得到多个降维后时间序列分段数据；
S04.基于动态规划方法（Dynamic Programming, DP）对各所述降维后时间序列分段数据进行最优解求解，得到多个最优分段；
S05.对各所述最优分段的故障状态分别进行识别，得到故障状态辨识结果输出。
进一步的，所述步骤S02中，采用基于隐马尔可夫模型的AutoPlait（AutomaticMining of Co-evolving Time Sequences，协同进化时间序列的自动挖掘）方法将所述待辨识时序数据分割为多个不同的数据段。
进一步的，所述步骤S03中，采用基于时间的主成分分析法对各所述时间序列分段数据进行降维，并在降维过程中根据时间维度前向迭代，每次迭代时根据预设的衰减度更新协方差矩阵以及更新特征值。
进一步的，所述步骤S03的步骤包括：
S301.输入待降维数据并按照时间维度平均分为多个段；
S302.对各段数据分别进行零均值化处理；
S303.对步骤S302处理后数据进行多次迭代，每次迭代时，计算多维数据协方差矩阵，并按照预设衰退因子
Figure 43179DEST_PATH_IMAGE001
加上前一次迭代的协方差矩阵计算得到当前次迭代的最终协方差矩阵；
S304.基于步骤S303计算得到的最终协方差矩阵，采用PCA（主成分分析）降维方法计算当前次迭代的特征参数；
S305.迭代完成后，选取部分最大特征值对应的特征向量进行重组，得到降维后的数据。
进一步的，所述步骤S04中，通过计算各所述降维后时间序列分段数据中不同分段组合的最小压缩成本，并根据所述最小压缩成本判断各段数据是否能够合并或能够分成两段，如果判断到能够合并则进行分段处理，如果判断到能够分成两段则寻找最优分割点进行分割，所述压缩成本使用描述预设模型
Figure 491478DEST_PATH_IMAGE002
的成本、在预设模型
Figure 802373DEST_PATH_IMAGE002
的情况下描述时间序列数据的成本计算得到，最终得到多个最优的分段。
进一步的，所述步骤S04中针对初始状态p、最终状态q，按照时间顺序从前到后计算以第i个分段开始、以第j个分段终止的最小压缩成本D ji ，最终计算得到从初始状态p到最终状态q的最小压缩成本D qp ，p≤q，其中计算从初始状态p到最终状态q的最小压缩成本D qp 时，通过分解为求解D kp 、D qmin(k+1,q)两个子问题的最小压缩成本，其中p≤k≤q，不断求解所述子问题并合并不同子问题，最终求解得到所述从初始状态p到最终状态q的最小压缩成本D qp ；
使用的状态转移方程为：
Figure 932003DEST_PATH_IMAGE003
其中，D表示压缩成本，上标表示终止位置，下标表示开始位置，s j 、s p 分别表示将初始时间序列分段数据作为输入第j个元素、第p个元素。
进一步的，所述步骤S05中还包括使用前向（Forwarding Algorithm，FA）算法计算各分段的后验概率
Figure 28266DEST_PATH_IMAGE004
，根据各分段的所述后验概率
Figure 647467DEST_PATH_IMAGE004
判断各分段能够合并，其中当判断到两个分段X i 、X j 满足下式时：
Figure 976817DEST_PATH_IMAGE005
其中，p thres 为概率阈值，
Figure 910138DEST_PATH_IMAGE006
、
Figure 359442DEST_PATH_IMAGE007
分别为i、j隐状态对应的类集以分别表示一个隐马尔可夫模型，m为分段数量；
将分段X i 、X j 进行合并。
进一步的，所述步骤S01包括：
S101.对待辨识牵引电机的运行数据进行数据重采样，得到多维运行时序数据；
S102.获取所述多维运行时序数据的峰值，并对峰值拟合得到包络线；
S103.根据所述包络线提取得到数据的低频分量。
一种轨道交通车辆中牵引电机状态辨识装置，包括：
数据预处理模块，用于获取待辨识牵引电机的多维运行时序数据进行预处理，提取数据中的低频分量，得到待辨识时序数据；
时间序列分割模块，用于按照数据之间的相关性将所述待辨识时序数据分割为多个不同的数据段，得到多个时间序列分段数据，每个时间序列分段数据具有不同的数据特征；
降维模块，用于对各所述时间序列分段数据基于时间维度进行降维，得到多个降维后时间序列分段数据；
最优分段求解模块，用于基于动态规划方法对各所述降维后时间序列分段数据进行最优解求解，得到多个最优分段；
状态辨识模块，用于对各所述最优分段的故障状态分别进行识别，得到故障状态辨识结果输出。
一种存储有计算机程序的计算机可读存储介质，所述计算机程序执行时实现如上述的方法。
与现有技术相比，本发明的优点在于：
１、本发明通过提取辨识牵引电机的多维运行时序数据的低频分量，然后按照数据相关性分割成不同的数据分段，每个数据分段具有不同的数据特征，通过基于动态规划方法对各个数据分段再进行最优分段求解，最后分别对各最优分段进行识别，可以快速、准确的辨识得到牵引电机不同阶段的故障状态。
2、本发明通过结合动态规划方法进行迭代求解最优解，能够对多维时序数据进行合理分段，进而便于从数据中推断出隐藏的状态序列，可以有效提升时间序列分段的准确度，同时有效降低多维时间序列表征成本，从而提高辨识的效率以及精度。
3、本发明进一步通过采用AutoPlait方法进行时序数据分段，可以自适应确定分段数量及分段种类，无需人为调整超参数，时间复杂度与数据量成线性关系，因此可扩展性及易用性强，且使得可以解耦、推断不同类型的隐藏状态，通过解耦多维时序数据隐状态，确保低相关状态处于不同隐马尔可夫模型、高相关状态处于相同隐马尔可夫模型，经过自适应分段后的时序数据可以更为准确的辨识出牵引电机的状态。
4、本发明通过在最优分段求解之前基于时间维度对时序数据降维，可以进一步提高状态辨识的速度及准确率；进一步降维过程中通过采用在主成分分析PCA方法的基础上加入时间维度，同时根据时间维度前向迭代，逐步更新协方差矩阵进而更新特征值，使得在不断的迭代过程中，数据段主体部分不断得到增强而噪声逐渐减小，并使得PCA模型成为时变模型，能够有效适用于牵引电机时序数据的降维处理，实现降低数据维度并提高状态辨识效率。
附图说明
图1是本实施例轨道交通车辆中牵引电机状态辨识方法的实现流程示意图。
图2是本实施例中基于动态规划进行最优分段求解的原理示意图。
图3是本发明在具体应用实施例中得到的AutoPlait初始分段结果示意图。
图4是在具体应用实施例中得到的采用本发明AutoPlait+方法的分段结果示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
如图1所示，本实施例轨道交通车辆中牵引电机状态辨识方法的步骤包括：
S01.获取待辨识牵引电机的多维运行时序数据进行预处理，提取数据中的低频分量，得到待辨识时序数据；
S02.按照数据之间的相关性将待辨识时序数据分割为多个不同的数据段，得到多个时间序列分段数据，每个时间序列分段数据具有不同的数据特征；
S03.对各时间序列分段数据基于时间维度进行降维，得到多个降维后时间序列分段数据；
S04.基于动态规划方法对各降维后时间序列分段数据进行最优解求解，得到多个最优分段；
S05.对各最优分段的故障状态分别进行识别，得到故障状态辨识结果输出。
考虑到低频信号与电机转速直接相关，可以较好的反映牵引电机的运转状态，以及牵引电机在一次运行过程中可能会呈现启动、匀速、加速、制动等不同阶段，本实施例通过提取辨识牵引电机的多维运行时序数据的低频分量，然后按照数据相关性分割成不同的数据分段（时间序列分段数据），由于每个数据分段具有不同的数据特征，即每个分段数据对应一个特定的状态模式，通过基于动态规划方法对各个数据分段再进行最优分段求解，最后分别对各最优分段进行识别，可以快速、准确的辨识得到牵引电机不同阶段的故障状态。同时本实施例在最优分段求解之前基于时间维度对时序数据降维，可以进一步提高状态辨识的速度及准确率。
牵引电机的运行数据具有数据规模大、采集频率差别大、数据维度高、耦合关系复杂、数据噪音多、非平稳等特征，在状态辨识前需要进行数据预处理工作。本实施例中步骤S01数据预处理具体步骤包括：
S101.对待辨识牵引电机的运行数据进行数据重采样，得到多维运行时序数据；
S102.获取多维运行时序数据的峰值，并对峰值拟合得到包络线；
S103.根据包络线提取得到数据的低频分量。
对于时间序列数据，重采样技术分为降采样（downsampling）和升采样（upsampling）两种，其中降采样是将高频数据转换为低频数据，通过取均值、最大值和最小值等聚合方式对数据进行抽取；升采样则相反，需要对数据进行插值，插值方式可以采用向前填充、向后填充、线性插值、多项式插值、高斯插值、牛顿插值等。针对多维数据采集频率不一致的问题，本实施例上述步骤S101中，具体使用不同采样频率对原始数据重采样，进行神经网络预实验，最后根据模型训练结果确定最终的采样频率，保证不同维度的时间序列变量各采样点的时间间隔一致。
在具体应用实施例中，在获取到牵引电机初始的多维运行时序数据时，首先对多维运行时序数据进行特征分析，其具有数据规模大、采集频率差别大、数据维度高、耦合关系复杂、数据噪音多、非平稳等特征；然后进行重采样以及包络线分析，提取出数据低频分量，以便数据较好的反映牵引电机的运行状态，其中进行包络线分析时，先对数据进行平滑处理，然后计算时间序列峰值，再对峰值拟合得到包络线，得到数据的低频成分，以作为后续时间序列状态辨识的基础数据。
本实施例步骤S02中，具体采用基于隐马尔可夫模型的AutoPlait方法将待辨识时序数据分割为多个不同的数据段。AutoPlait是一种使用隐马尔可夫模型（Hidden MarkovModel，HMM）进行状态推断的时序数据分段方法，即基于隐马尔可夫状态回归方法的多维时间序列分段方法，其是使用隐马尔可夫方法，时间序列状态及状态转移方式隐藏在观测序列（即隐状态序列）中。隐状态序列中的每个状态在观测序列的每个观测点上有一定的概率分布，HMM中关键即是确定能最大程度吻合观测序列的隐状态集合和序列，并使用Viterbi算法求解，HMM的状态初始概率、状态转移矩阵、输出概率等则是使用BaumWelch（鲍姆-韦尔奇）算法求解。
相较于传统DynaMMo模型和基于模式的隐马尔可夫模型（patternbased HiddenMarkov Model，pHMM）需要人为设定分段数量，本实施例通过采用AutoPlait方法进行时序数据分段，可以自适应确定分段数量及分段种类，无需人为调整超参数，时间复杂度与数据量成线性关系，因此可扩展性及易用性强，且使得可以解耦、推断不同类型的隐藏状态，通过解耦多维时序数据隐状态，确保低相关状态处于不同隐马尔可夫模型、高相关状态处于相同隐马尔可夫模型，经过自适应分段后的时序数据可以更为准确的辨识出牵引电机的状态。
在具体应用实施例中，本实施例步骤S01中使用AutoPlait方法对牵引电机的多维运行时序数据进行分段时，输入为长度为N的多变量时间序列X = {x1, x2, ..., xN}，其中xt为任意t时刻的d维向量，经过分段后输出为：（1）对原始时间序列划分为m个不重叠子段的集合
Figure 149544DEST_PATH_IMAGE008
，其中
Figure 435032DEST_PATH_IMAGE009
记录了第i个分段的起始时间和终止时间；（2）每个分段s i 的类别f i 组成的集合
Figure 172044DEST_PATH_IMAGE010
。
本实施例步骤S03中，具体采用基于时间的主成分分析法（tPCA）对各时间序列分段数据进行降维，并在降维过程中根据时间维度前向迭代，每次迭代时根据预设的衰减度更新协方差矩阵以及更新特征值。
考虑到牵引电机的运行时序数据多个维度之间存在关联关系，而AutoPlait方法并没有针对这种关系对算法进行优化，一方面会导致分段的时长增加，另一方面会出现由于某些维度存在关联关系而影响分段准确度的情况（例如信号相位的移动等），同时考虑传统从多维数据中构建的PCA 模型是时不变的，本实施例采用基于时间的主成分分析PCA法对多维时间序列数据进行降维，通过在主成分分析PCA方法的基础上加入时间维度，同时根据时间维度前向迭代，以
Figure 961008DEST_PATH_IMAGE001
的衰减度逐步更新协方差矩阵进而更新特征值，以使得在最小化信息损失的情况下提高数据的内部可解释性，加快分段速度。PCA 通过将d维数据转换为d′维数据（d′<d），可以使得样本采样密度增大，有效缓解维度灾难，同时由于牵引电机运行时序数据经常有数据突变等噪声情况，会给分段带来困难，本实施例通过在降维过程中将最小特征值舍弃来降低噪声。
本实施例步骤S03采用tPCA降维的具体步骤包括：
S301.输入待降维数据并按照时间维度平均分为多个段；
S302.对各段数据分别进行零均值化处理；
S303.对步骤S302处理后数据进行多次迭代，每次迭代时，计算多维数据协方差矩阵，并按照预设衰退因子
Figure 390852DEST_PATH_IMAGE001
加上前一次迭代的协方差矩阵计算得到当前次迭代的最终协方差矩阵；
S304.基于步骤S303计算得到的最终协方差矩阵，采用PCA 降维方法计算当前次迭代的特征参数；
S305.迭代完成后，选取部分特征值对应的特征向量进行重组，得到降维后的数据。
在具体应用实施例中，采用上述tPCA降维方法对牵引电机的多维运行时序数据进行降维处理的详细步骤为：
1.将原始数据
Figure 711106DEST_PATH_IMAGE011
按照时间维度平均分成k段，其中
Figure 986230DEST_PATH_IMAGE012
；
2.对k段数据分别进行零均值化处理；
3.对数据进行k次迭代，每次迭代的数据段为
Figure 895280DEST_PATH_IMAGE013
；
4.在每次迭代时，计算多维数据协方差矩阵，并按照衰退因子
Figure 761605DEST_PATH_IMAGE001
加上前一次迭代的协方差矩阵作为本次迭代的最终协方差矩阵；
5. 采用PCA 降维方法计算本次迭代的特征参数，记录特征值；
6. 进行k次迭代之后，选取前d个最大特征值，重组特征向量为矩阵E，矩阵E和矩阵X的乘积EX即为从d维降到d′维的结果。
本实施例通过在PCA降维方法中加入随时间逐步更新协方差的计算，更新公式具体为：
Figure 490526DEST_PATH_IMAGE014
（1）
其中，C h 为第h步迭代的协方差矩阵。
从上式（1）可以看出，随着时间的前向迭代，在最终的协方差矩阵中，第一段数据
的贡献度为：
Figure 146505DEST_PATH_IMAGE015
（2）
则本实施例降维过程中通过采用在主成分分析PCA方法的基础上加入时间维度，同时根据时间维度前向迭代，以
Figure 910061DEST_PATH_IMAGE001
的衰减度逐步更新协方差矩阵进而更新特征值，在不断的迭代过程中，数据段主体部分不断得到增强而噪声逐渐减小，且所有数据段的贡献度差异较小，只是在时间维度上进行稍微的缩放，在多变量维度上没有任何更改，使得PCA 模型成为时变模型，能够有效适用于牵引电机时序数据的降维处理，实现降低数据维度并提高状态辨识效率。
AutoPlait算法是采用贪心算法，通过迭代求解局部最优分段得到一个全局分段方案，但一般无法达到全局最优。本实施例进一步通过基于动态规划的全局最优方法进行最优分段求解，步骤S04中进行最优分段求解时，具体通过计算各降维后时间序列分段数据中不同分段组合的最小压缩成本，并根据最小压缩成本判断各段数据是否能够合并或能够分成两段，如果判断到能够合并则进行分段处理，如果判断到能够分成两段则寻找最优分割点进行分割，压缩成本使用描述预设模型
Figure 212867DEST_PATH_IMAGE002
的成本、在预设模型
Figure 163505DEST_PATH_IMAGE002
的情况下描述时间序列数据的成本计算得到，最终得到多个最优的分段。预设模型
Figure 124639DEST_PATH_IMAGE016
具体可以根据实际需求采用所需的模型类型。
本实施例基于动态规划方法，计算从初始状态p到最终状态q的最小压缩成本D qp (p≤q)时，具体通过将计算从初始状态p、最终状态q的最小压缩成本D qp 分解成求解D kp 、D qmin(k+1,q)(p≤k≤q)两个子问题的最小压缩成本，然后不断求解子问题并合并不同的子问题最终求解得到该从初始状态p到最终状态q的最小压缩成本D qp 。在具体应用实施例中，压缩成本可按照式
Figure 8281DEST_PATH_IMAGE017
计算得到，其中
Figure 950830DEST_PATH_IMAGE018
为描述预设模型
Figure 654343DEST_PATH_IMAGE019
的成本，
Figure 126825DEST_PATH_IMAGE020
是在预设模型
Figure 599395DEST_PATH_IMAGE019
的情况下描述时间序列数据X的成本。
在具体应用实施例中，通过基于动态规划的全局最优方法进行最优分段求解时具体包含以下步骤：
a.划分状态。由于每一个AutoPlait的分段都可能成为优化的一个分段，但也可能需要把若干首尾连续AutoPlait分段合并为一段。
b.确定边界。本实施例通过将经过AutoPlait方法的初始分段结果所有数据作为一段放入栈中，每次从栈中取出一段数据，根据压缩成本判别是否应该分成两段，若不能，则直接输出该分段；若能分成两段，则寻找分割点并将分好的两段数据加入栈中等待进一步的分段。上述每次针对初始状态p、最终状态q，按照时间顺序从前到后计算以第i个分段开始、以第j个分段终止的最小合并成本D ji ，通过分解为两个子问题并不断求解子问题、合并不同子问题，最终计算从p到q的最小压缩成本D qp (p≤q)。
c.状态表示。即每一个分段结果需要对应一定的代价。本实施例使用压缩成本作为损失函数计算，即
Figure 978423DEST_PATH_IMAGE021
，其中
Figure 231550DEST_PATH_IMAGE018
为描述预设模型
Figure 455858DEST_PATH_IMAGE019
的成本，
Figure 799246DEST_PATH_IMAGE022
是在预设模型
Figure 83597DEST_PATH_IMAGE019
的情况下描述时间序列数据X的成本。在给定隐马尔可夫模型之后，时间序列数据采用霍夫曼编码进行压缩。本实施例具体使用分段备忘录记录分段是否合并，通过分解成求解D kp 、D qmin(k+1,q)(p≤k≤q)两个子问题的最小压缩成本，其中p= q时为特殊情况，此时D sp 即为最优解。
d.状态转移：表示从一个分段结果怎样向另一个分段结果过渡以及代价如何变化，本实施例为实现最小压缩成本计算，采用的状态转移方程具体为：
Figure 558441DEST_PATH_IMAGE023
（3）
其中，D表示压缩成本，上标表示终止位置，下标表示开始位置，s j 、s p 分别表示将初始时间序列分段数据（即AutoPlait分段）作为输入第j个元素、第p个元素。
对于具有最优子结构的问题，通过采用动态规划方法可以得到最优解，本实施例通过采用动态规划方法可以得到最优子结构：将第k个分段作为分界点（分界点在最左侧或最右侧时只有一个子结构），分界点左右两侧均为最优的分段方式，可以通过子结构组成最终的结果D qp 。同时通过存储分段备忘录B，可以回溯得到最优分段方案，在B中，B[i][j]由两个坐标(i,k), (min(k+ 1, j), j) 组成，表示D ji 的最优分段方案可以去B[i][k]和B[min(k+1,j)][j]寻找。
如图2所示，其中s1~s6表示根据输入数据特征分割的结果，取测试数据中的一部分作为示例，并使用六维数据以方便展示。首先，对于AutoPlait的初始分段，从下到上计算不同分段组合的最小压缩成本，然后再从上到下将D 1 6分解成两个经式(3)计算得到的子结构（最优的分割点），依次迭代到AutoPlait初始分段的最小分段单元为止。从图中可以看出，经过动态规划，由AutoPlait算法得到的分段数量从6 个重组为4个，可以有效降低分段数量且降低压缩成本。
本实施例针对AutoPlait使用贪心算法无法求解分段方案次优解等问题，通过结合动态规划方法进行迭代求解最优解，能够对多维时序数据进行合理分段，进而便于从数据中推断出隐藏的状态序列，可以有效提升时间序列分段的准确度，同时有效降低多维时间序列表征成本，从而进一步提高辨识的效率以及精度。
随着数据维度的增长，分段数量也会增加，过多的分段数量会对后续模式匹配任务带来困难。本实施例进一步使用前向算法计算给定观测序列和隐马尔可夫模型参数情况下的后验概率
Figure 586439DEST_PATH_IMAGE004
，X表示多变量时间序列，
Figure 299180DEST_PATH_IMAGE024
为类集、表示一个特定的隐马尔可夫模型，以对状态数量进行缩减。如下表1所示，其中p thres 为概率阈值，n为隐马尔可夫模型隐状态数量，m为分段数量，
Figure 3700DEST_PATH_IMAGE025
表示初始状态为i的概率，转移矩阵A=(aij)n×n，aij表示从隐状态i转移到隐状态j的概率，输出概率B={bi(x)} i=1 kk ，bi(x)表示隐状态为i时输出为x的概率。
表1：后验概率计算
Figure 434681DEST_PATH_IMAGE026
当满足下式时，表示两个分段能互相表示，即分段能够合并。
Figure 797530DEST_PATH_IMAGE027
（4）
则当判断到两个分段X i 、X j 满足上式时，将分段X i 、X j 进行合并，以确保分段合理的前提下尽可能减少分段数量。
本实施例进一步还包括数据规范化处理，即将有量纲数据转化为无量纲数据，可以采用线性归一化、中心化和标准化三种方法，其中归一化是将原始数据X经过线性变换转化为数值范围在[0, 1] 区间内的浮点数X’=（X-Xmin）/(Xmax-Xmin)，其中Xmin为样本极小值，Xmax为样本极大值；中心化是将原始数据X减去均值
Figure 630356DEST_PATH_IMAGE028
，使得变换后的数据均值为0；标准化则是将原始数据X按比例缩放到一个较小区间，如零均值标准化
Figure 272822DEST_PATH_IMAGE029
，其中
Figure 191099DEST_PATH_IMAGE030
为样本标准差。
为验证本发明上述方法，在具体应用实施例中对某轨道列车牵引电机监控数据进行状态辨识，并分别对直接采用AutoPlait方法、AP聚类算法与DP动态规划组合方法（AP-DP）、tPCA与AP聚类算法组合方法（tPCA-AP），tPCA与AP聚类算法以及与DP动态规划组合方法（tPCA-AP-DP）以及本发明辨识方法（AutoPlait+）进行对比。轨道列车牵引电机监控数据如表2所示，其中重采样过程中对采集频率为10Hz 和102Hz 的信号进行升采样处理，将信号频率统一到104Hz，对采集频率为105Hz 的信号进行降采样处理，降采样后的数据在降低数据量的情况下能够保留原始数据的大部分特征，数据分布变化较小。各方法得到的辨识结果如表3以及图3、图4所示，其中图3对应为AutoPlait初始分段结果，图4对应为采用本发明方法（AutoPlait+）分段结果，且p thres =0.9。图3、图4中上部分均表示输入的监控数据，下部分表示得到的分段结果，其中各行对应表示不同的分段类型。由于依据数据特征将数据分割为多段后，不相邻的段特征可能是一致的，特征一致的分段即为一个类型。由图3、图4可知，经AutoPlait初始分段后得到19个分段类型，经过本发明方法（AutoPlait+）分段后得到17个分段类型，即本发明可以有效减少分段数。表3中ρ intra 为平均类内相关性，ρ inter 为平均类间相关性。从表3可知，本发明辨识方法的分段数最少且辨识精度较高，可以兼顾辨识效率与精度。
表2：轨道列车牵引电机监控数据
Figure 295321DEST_PATH_IMAGE031
表3：状态辨识结果
Figure 717075DEST_PATH_IMAGE032
本实施例轨道交通车辆中牵引电机状态辨识装置包括：
数据预处理模块，用于获取待辨识牵引电机的多维运行时序数据进行预处理，提取数据中的低频分量，得到待辨识时序数据；
时间序列分割模块，用于按照数据之间的相关性将所述待辨识时序数据分割为多个不同的数据段，得到多个时间序列分段数据，每个时间序列分段数据具有不同的数据特征；
降维模块，用于对各时间序列分段数据基于时间维度进行降维，得到多个降维后时间序列分段数据；
最优分段求解模块，用于基于动态规划方法对各降维后时间序列分段数据进行最优解求解，得到多个最优分段；
状态辨识模块，用于对各所述最优分段的故障状态分别进行识别，得到故障状态辨识结果输出。
本实例轨道交通车辆中牵引电机状态辨识装置与上述轨道交通车辆中牵引电机状态辨识方法为一一对应，在此不再一一赘述。
本实施例还提供存储有计算机程序的计算机可读存储介质，计算机程序执行时实现如上述的方法。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (10)

1.一种轨道交通车辆中牵引电机状态辨识方法，其特征在于，步骤包括：
S01.获取待辨识牵引电机的多维运行时序数据进行预处理，提取数据中的低频分量，得到待辨识时序数据；
S02.按照数据之间的相关性将所述待辨识时序数据分割为多个不同的数据段，得到多个时间序列分段数据，每个所述时间序列分段数据具有不同的数据特征；
S03.对各所述时间序列分段数据基于时间维度进行降维，得到多个降维后时间序列分段数据；
S04.基于动态规划方法对各所述降维后时间序列分段数据进行最优解求解，得到多个最优分段；
S05.对各所述最优分段分别进行故障状态识别，得到故障状态辨识结果输出。
2.根据权利要求1所述的轨道交通车辆中牵引电机状态辨识方法，其特征在于，所述步骤S02中，采用基于隐马尔可夫模型的AutoPlait方法将所述待辨识时序数据分割为多个不同的数据段。
3.根据权利要求1所述的轨道交通车辆中牵引电机状态辨识方法，其特征在于，所述步骤S03中，采用基于时间的主成分分析法对各所述时间序列分段数据进行降维，并在降维过程中根据时间维度前向迭代，每次迭代时根据预设的衰减度更新协方差矩阵以及更新特征值。
4.根据权利要求3所述的轨道交通车辆中牵引电机状态辨识方法，其特征在于，所述步骤S03的步骤包括：
S301.输入待降维数据并按照时间维度平均分为多个段；
S302.对各段数据分别进行零均值化处理；
S303.对步骤S302处理后数据进行多次迭代，每次迭代时，计算多维数据协方差矩阵， 并按照预设衰退因子
Figure 19894DEST_PATH_IMAGE001
加上前一次迭代的协方差矩阵计算得到当前次迭代的最终协方差 矩阵；
S304.基于步骤S303计算得到的最终协方差矩阵，采用PCA 降维方法计算当前次迭代的特征参数；
S305.迭代完成后，选取部分最大特征值对应的特征向量进行重组，得到降维后的数据。
5.根据权利要求1所述的轨道交通车辆中牵引电机状态辨识方法，其特征在于，所述步 骤S04中，通过计算各所述降维后时间序列分段数据中不同分段组合的最小压缩成本，并根 据所述最小压缩成本判断各段数据是否能够合并或能够分成两段，如果判断到能够合并则 进行分段处理，如果判断到能够分成两段则寻找最优分割点进行分割，所述压缩成本是使 用描述预设模型
Figure 937034DEST_PATH_IMAGE002
的成本、在预设模型
Figure 982351DEST_PATH_IMAGE002
的情况下描述时间序列数据的成本计算得到 的，最终得到多个最优分段。
6.根据权利要求5所述的轨道交通车辆中牵引电机状态辨识方法，其特征在于，所述步骤S04中，针对初始状态p、最终状态q，按照时间顺序从前到后计算以第i个分段开始、以第j个分段终止的最小压缩成本D ji ，最终计算得到从初始状态p到最终状态q的最小压缩成本D qp ，p≤q，其中计算从初始状态p到最终状态q的最小压缩成本D qp 时，通过分解为求解D kp 、D qmin(k+1,q)两个子问题的最小压缩成本，其中，p≤k≤q，不断求解所述子问题并合并不同子问题，最终求解得到所述从初始状态p到最终状态q的最小压缩成本D qp ；
使用的状态转移方程为：
Figure 377560DEST_PATH_IMAGE003
其中，D表示压缩成本，上标表示终止位置，下标表示开始位置，s j 、s p 分别表示将初始时间序列分段数据作为输入第j个元素、第p个元素。
7.根据权利要求1~6中任意一项所述的轨道交通车辆中牵引电机状态辨识方法，其特 征在于，所述步骤S05中还包括使用前向算法计算各分段的后验概率
Figure 473823DEST_PATH_IMAGE004
，根据各分段 的所述后验概率
Figure 296286DEST_PATH_IMAGE004
判断各分段能够合并，其中当判断到两个分段X i 、X j 满足下式时：
Figure 891215DEST_PATH_IMAGE005
，
Figure 90115DEST_PATH_IMAGE006
其中，p thres 为概率阈值，
Figure 290152DEST_PATH_IMAGE007
、
Figure 283516DEST_PATH_IMAGE008
分别为i、j隐状态对应的类集以分别表示一个隐马尔 可夫模型，m为分段数量；
将分段X i 、X j 进行合并。
8.根据权利要求1~6中任意一项所述的轨道交通车辆中牵引电机状态辨识方法，其特征在于，所述步骤S01包括：
S101.对待辨识牵引电机的运行数据进行数据重采样，得到多维运行时序数据；
S102.获取所述多维运行时序数据的峰值，并对峰值拟合得到包络线；
S103.根据所述包络线提取得到数据的低频分量。
9.一种轨道交通车辆中牵引电机状态辨识装置，其特征在于，包括：
数据预处理模块，用于获取待辨识牵引电机的多维运行时序数据进行预处理，提取数据中的低频分量，得到待辨识时序数据；
时间序列分割模块，用于按照数据之间的相关性将所述待辨识时序数据分割为多个不同的数据段，得到多个时间序列分段数据，每个时间序列分段数据具有不同的数据特征；
降维模块，用于对各所述时间序列分段数据基于时间维度进行降维，得到多个降维后时间序列分段数据；
最优分段求解模块，用于基于动态规划方法对各所述降维后时间序列分段数据进行最优解求解，得到多个最优分段；
状态辨识模块，用于对各所述最优分段分别进行故障状态识别，得到故障状态辨识结果输出。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序执行时实现如权利要求1～8中任意一项所述的方法。
CN202210956024.9A 2022-08-10 2022-08-10 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质 Active CN115034337B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210956024.9A CN115034337B (zh) 2022-08-10 2022-08-10 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210956024.9A CN115034337B (zh) 2022-08-10 2022-08-10 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质

Publications (2)

Publication Number Publication Date
CN115034337A CN115034337A (zh) 2022-09-09
CN115034337B true CN115034337B (zh) 2022-11-01

Family

ID=83130289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210956024.9A Active CN115034337B (zh) 2022-08-10 2022-08-10 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质

Country Status (1)

Country Link
CN (1) CN115034337B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131369B (zh) * 2023-10-27 2023-12-22 福建福昇消防服务集团有限公司 智慧安全管理与应急救援一体站的数据处理方法及系统
CN117392853B (zh) * 2023-12-11 2024-04-12 山东通维信息工程有限公司 一种基于云端的大数据智能车道控制系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105322566A (zh) * 2015-11-06 2016-02-10 山东大学 考虑预测误差时序分布的含风电机组组合模型建立方法
CN110262458A (zh) * 2019-06-28 2019-09-20 佛山科学技术学院 故障特征信息提取与早期故障预警的方法及系统
CN110288021A (zh) * 2019-06-26 2019-09-27 东北大学 一种多元工业时间序列数据的分段方法
CN110620586A (zh) * 2019-09-17 2019-12-27 河北省科学院应用数学研究所 数据压缩方法、装置和终端设备
CN110667597A (zh) * 2019-10-14 2020-01-10 吉林大学 基于车辆控制器局域网数据信息的驾驶风格状态辨识方法
CN111008648A (zh) * 2019-11-12 2020-04-14 国网湖南省电力有限公司 一种纯光纤电子式电流互感器故障辨识方法、系统及介质
EP3671576A1 (de) * 2018-12-20 2020-06-24 Siemens Aktiengesellschaft Verfahren und vorrichtung zum bestimmen von segmenten in empfangenen zeitreihendaten einer systemkomponente
CN112070154A (zh) * 2020-09-07 2020-12-11 常州微亿智造科技有限公司 时间序列数据处理方法和装置
CN112531706A (zh) * 2020-12-18 2021-03-19 东北电力大学 一种基于复杂不变性与深度神经网络的同调机群辨识方法
CN113705396A (zh) * 2021-08-16 2021-11-26 西安交通大学 一种电机故障诊断方法、系统及设备
CN113922389A (zh) * 2021-10-09 2022-01-11 湖南铁路科技职业技术学院 一种考虑频率约束的电力系统改进故障分析方法
CN114429238A (zh) * 2021-12-06 2022-05-03 石河子大学 一种基于时空特征提取的风电机组故障预警方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106249101A (zh) * 2016-06-30 2016-12-21 湖南大学 一种智能配电网故障辨识方法
US11048727B2 (en) * 2018-09-10 2021-06-29 Ciena Corporation Systems and methods for automated feature selection and pattern discovery of multi-variate time-series
CN112215044A (zh) * 2019-07-12 2021-01-12 山东理工大学 一种基于概率神经网络的驾驶倾向性辨识方法
CN111025898B (zh) * 2019-11-07 2021-08-24 江南大学 一种用于流程工业大规模过程控制的降维辨识方法
CN113988156A (zh) * 2021-09-30 2022-01-28 山东云海国创云计算装备产业创新中心有限公司 一种时间序列聚类方法、系统、设备以及介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105322566A (zh) * 2015-11-06 2016-02-10 山东大学 考虑预测误差时序分布的含风电机组组合模型建立方法
EP3671576A1 (de) * 2018-12-20 2020-06-24 Siemens Aktiengesellschaft Verfahren und vorrichtung zum bestimmen von segmenten in empfangenen zeitreihendaten einer systemkomponente
CN110288021A (zh) * 2019-06-26 2019-09-27 东北大学 一种多元工业时间序列数据的分段方法
CN110262458A (zh) * 2019-06-28 2019-09-20 佛山科学技术学院 故障特征信息提取与早期故障预警的方法及系统
CN110620586A (zh) * 2019-09-17 2019-12-27 河北省科学院应用数学研究所 数据压缩方法、装置和终端设备
CN110667597A (zh) * 2019-10-14 2020-01-10 吉林大学 基于车辆控制器局域网数据信息的驾驶风格状态辨识方法
CN111008648A (zh) * 2019-11-12 2020-04-14 国网湖南省电力有限公司 一种纯光纤电子式电流互感器故障辨识方法、系统及介质
CN112070154A (zh) * 2020-09-07 2020-12-11 常州微亿智造科技有限公司 时间序列数据处理方法和装置
CN112531706A (zh) * 2020-12-18 2021-03-19 东北电力大学 一种基于复杂不变性与深度神经网络的同调机群辨识方法
CN113705396A (zh) * 2021-08-16 2021-11-26 西安交通大学 一种电机故障诊断方法、系统及设备
CN113922389A (zh) * 2021-10-09 2022-01-11 湖南铁路科技职业技术学院 一种考虑频率约束的电力系统改进故障分析方法
CN114429238A (zh) * 2021-12-06 2022-05-03 石河子大学 一种基于时空特征提取的风电机组故障预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于数据挖掘风力发电设备故障远程诊断研究;叶盛等;《风能》;20130706(第07期);全文 *

Also Published As

Publication number Publication date
CN115034337A (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN115034337B (zh) 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质
Kim et al. Softflow: Probabilistic framework for normalizing flow on manifolds
CN107256245B (zh) 面向垃圾短信分类的离线模型改进与选择方法
CN106354695B (zh) 一种仅输出线性时变结构模态参数辨识方法
Nelles et al. Local linear model trees (LOLIMOT) toolbox for nonlinear system identification
CN108241873B (zh) 一种面向泵站主设备的智能故障诊断方法
KR20160021209A (ko) 동적 모델 식별을 모니터링 및 가변 구조 또는 가변 동작 조건을 가진 동적 기기의 제어 방법 및 시스템
CN111814897A (zh) 一种基于多层次shapelet的时间序列数据分类方法
CN110766060B (zh) 基于深度学习的时间序列相似度的计算方法、系统及介质
CN108228978B (zh) 结合互补集合经验模态分解的Xgboost时间序列预测方法
CN117077871B (zh) 基于大数据的能源需求预测模型的构建方法及装置
CN112529053A (zh) 一种服务器中时序数据短期预测方法及系统
CN115204035A (zh) 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质
CN113627685B (zh) 一种考虑风电上网负荷限制的风力发电机功率预测方法
Zhang et al. An imbalanced data learning approach for tool wear monitoring based on data augmentation
Othman et al. Transmission lines fault detection, classification and location using an intelligent power system stabiliser
JPWO2008084842A1 (ja) カーネル関数生成方法および装置、データ分類装置
CN115577237A (zh) 基于一维卷积神经网络和元学习的电梯故障诊断方法
CN113595242A (zh) 一种基于深度cnn-hmm的非侵入式负荷辨识方法
CN113807496A (zh) 构建神经网络模型的方法、装置、设备、介质和程序产品
Zhou et al. Imbalanced Multi-Fault Diagnosis via Improved Localized Feature Selection
Wang et al. Rotating machinery fault diagnosis method based on improved semisupervised generative confrontation network
Tang et al. KPCA based multi-spectral segments feature extraction and GA based Combinatorial optimization for frequency spectrum data modeling
US20230059056A1 (en) Regression analysis device, regression analysis method, and program
CN114169500B (zh) 一种基于小规模电磁数据的神经网络模型处理方法

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