CN116090140A - 真空管道磁浮交通系统故障诊断方法及系统 - Google Patents

真空管道磁浮交通系统故障诊断方法及系统 Download PDF

Info

Publication number
CN116090140A
CN116090140A CN202111299125.5A CN202111299125A CN116090140A CN 116090140 A CN116090140 A CN 116090140A CN 202111299125 A CN202111299125 A CN 202111299125A CN 116090140 A CN116090140 A CN 116090140A
Authority
CN
China
Prior art keywords
operation parameters
correlation analysis
analysis result
data
related operation
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.)
Pending
Application number
CN202111299125.5A
Other languages
English (en)
Inventor
张国华
张晓东
金成日
谷敏
刘一泽
蒋沁宇
许浩
张明跃
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.)
Casic Feihang Technology Research Institute of Casia Haiying Mechanical and Electronic Research Institute
Original Assignee
Casic Feihang Technology Research Institute of Casia Haiying Mechanical and Electronic Research Institute
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 Casic Feihang Technology Research Institute of Casia Haiying Mechanical and Electronic Research Institute filed Critical Casic Feihang Technology Research Institute of Casia Haiying Mechanical and Electronic Research Institute
Priority to CN202111299125.5A priority Critical patent/CN116090140A/zh
Publication of CN116090140A publication Critical patent/CN116090140A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

本发明提供了一种真空管道磁浮交通系统故障诊断方法及系统。其中，该方法包括：获取磁浮交通系统的相关运行参数；去除相关运行参数中的异常点和噪声；按照不同运行阶段对相关运行参数进行分段；根据预定时间间隔和预定步长对相关运行参数的加速分段数据、相关运行参数的匀速分段数据和相关运行参数的减速分段数据分别进行滑动分段，得到多个滑动分段数据；针对每个滑动分段提取对应的时域特征和频域特征；利用线性和非线性相关性分析方法对每个滑动分段数据以及对应的时域特征和频域特征进行相关性分析，得到第一相关性分析结果以及第二相关性分析结果；根据第一相关性分析结果或第二相关性分析结果进行真空管道磁浮交通系统故障诊断。

Description

真空管道磁浮交通系统故障诊断方法及系统
技术领域
本发明涉及真空管道磁浮技术领域，尤其涉及一种真空管道磁浮交通系统 故障诊断方法及系统。
背景技术
超高速低真空管道磁浮交通系统采用超导电动悬浮技术，通过安装在车辆 上的超导磁体与地面线圈模组之间的相互作用产生列车运行所需的悬浮力、导 向力和推进力。其正常运行涉及电磁热力多物理场耦合，磁场、应力、振动和 发热等外界扰动会影响其稳定性，导致发生故障，威胁行车安全。因此，亟需 发展超高速低真空管道磁浮交通系统故障诊断技术，保证其安全可靠运行。
现有的故障诊断方法主要有：(1)基于解析模型的方法、(2)基于信号处理的 方法和(3)基于知识的诊断方法。
基于解析模型的方法，是在诊断对象数学模型的基础上，按一定的数学方 法对被测信息进行处理诊断，它可分为状态估计法、等价空间法和参数估计法。
基于信号处理的方法，通常是利用信号处理技术，如频谱、自回归滑动平 均、小波变换等，直接分析可测信号，提取诸如方差、幅值、频率等特征值， 从而检测出故障。
基于知识的故障诊断方法，不需要对象的精确数学模型，而且具有某些“智 能”特性，基于知识的故障诊断方法主要可以分为：专家系统故障诊断方法、故 障树故障诊断方法、模糊故障诊断方法和神经网络故障诊断方法等。
由于超高速低真空管道磁浮交通系统工作机理复杂，很难建立准确的物理 诊断模型，并且整个系统正处于研制改进阶段缺乏故障诊断的相关领域知识， 同时变速工况下的试验信号的调频、调幅以及调相等现象使信号复杂，因此传 统的基于精确建模、信号处理和知识的单一故障诊断方法均难以有效检测出系 统运行中存在的潜在异常和故障。
发明内容
本发明提供了一种真空管道磁浮交通系统故障诊断方法及系统，能够解决 现有技术中的技术问题。
本发明提供了一种真空管道磁浮交通系统故障诊断方法，其中，该方法包 括：
获取磁浮交通系统的相关运行参数，相关运行参数包括正常数据和故障数 据；
对相关运行参数进行预处理，去除相关运行参数中的异常点和噪声；
按照不同运行阶段对相关运行参数进行分段，得到相关运行参数的加速分 段数据、相关运行参数的匀速分段数据和相关运行参数的减速分段数据；
根据预定时间间隔和预定步长对相关运行参数的加速分段数据、相关运行 参数的匀速分段数据和相关运行参数的减速分段数据分别进行滑动分段，得到 多个滑动分段数据；
针对每个滑动分段提取对应的时域特征和频域特征；
利用线性和非线性相关性分析方法对每个滑动分段数据以及对应的时域特 征和频域特征进行相关性分析，得到相关运行参数中每两个不同运行参数之间 的第一相关性分析结果以及得到同一运行参数不同滑动分段数据之间的第二相 关性分析结果；
根据第一相关性分析结果或第二相关性分析结果进行真空管道磁浮交通系 统故障诊断。
优选地，对相关运行参数进行预处理、去除相关运行参数中的异常点和噪 声包括：
利用3σ原理对相关运行参数中的异常点进行检测，并通过三次样条插值法 和最邻近插值法去除所检测的异常点；
利用小波阈值法去除相关运行参数的噪声，得到去噪后的参数。
优选地，利用小波阈值法去除相关运行参数的噪声、得到去噪后的参数包 括：
对相关运行参数进行小波变换，得到一组小波系数；
对得到的一组小波系数进行阈值处理，得到估计小波系数；
根据估计小波系数进行小波重构，得到去噪后的参数。
优选地，根据第一相关性分析结果进行真空管道磁浮交通系统故障诊断包 括：
将正常数据的第一相关性分析结果和故障数据的第一相关性分析结果进行 比较，得到故障表征的敏感参数；
将敏感参数的相关性分析结果作为训练集和测试集来训练卷积神经网络模 型和验证模型；
根据训练后的卷积神经网络模型和验证模型进行真空管道磁浮交通系统故 障诊断。
优选地，根据第二相关性分析结果进行真空管道磁浮交通系统故障诊断包 括：
根据第二相关性分析结果的相关系数变化趋势，确定正常时相关系数变化 的阈值范围；
根据所确定的阈值范围进行真空管道磁浮交通系统故障诊断。
本发明还提供了一种真空管道磁浮交通系统故障诊断系统，其中，该系统 包括：
获取单元，用于获取磁浮交通系统的相关运行参数，相关运行参数包括正 常数据和故障数据；
预处理单元，用于对相关运行参数进行预处理，去除相关运行参数中的异 常点和噪声；
第一分段单元，用于按照不同运行阶段对相关运行参数进行分段，得到相 关运行参数的加速分段数据、相关运行参数的匀速分段数据和相关运行参数的 减速分段数据；
第二分段单元，用于根据预定时间间隔和预定步长对相关运行参数的加速 分段数据、相关运行参数的匀速分段数据和相关运行参数的减速分段数据分别 进行滑动分段，得到多个滑动分段数据；
特征提取单元，用于针对每个滑动分段提取对应的时域特征和频域特征；
相关性分析单元，用于利用线性和非线性相关性分析方法对每个滑动分段 数据以及对应的时域特征和频域特征进行相关性分析，得到相关运行参数中每 两个不同运行参数之间的第一相关性分析结果以及得到同一运行参数不同滑动 分段数据之间的第二相关性分析结果；
故障诊断单元，用于根据第一相关性分析结果或第二相关性分析结果进行 真空管道磁浮交通系统故障诊断。
优选地，预处理单元对相关运行参数进行预处理、去除相关运行参数中的 异常点和噪声包括：
利用3σ原理对相关运行参数中的异常点进行检测，并通过三次样条插值法 和最邻近插值法去除所检测的异常点；
利用小波阈值法去除相关运行参数的噪声，得到去噪后的参数。
优选地，利用小波阈值法去除相关运行参数的噪声、得到去噪后的参数包 括：
对相关运行参数进行小波变换，得到一组小波系数；
对得到的一组小波系数进行阈值处理，得到估计小波系数；
根据估计小波系数进行小波重构，得到去噪后的参数。
优选地，根据第一相关性分析结果进行真空管道磁浮交通系统故障诊断包 括：
将正常数据的第一相关性分析结果和故障数据的第一相关性分析结果进行 比较，得到故障表征的敏感参数；
将敏感参数的相关性分析结果作为训练集和测试集来训练卷积神经网络模 型和验证模型；
根据训练后的卷积神经网络模型和验证模型进行真空管道磁浮交通系统故 障诊断。
优选地，根据第二相关性分析结果进行真空管道磁浮交通系统故障诊断包 括：
根据第二相关性分析结果的相关系数变化趋势，确定正常时相关系数变化 的阈值范围；
根据所确定的阈值范围进行真空管道磁浮交通系统故障诊断。
通过上述技术方案，可以获取磁浮交通系统的相关运行参数，并去除相关 运行参数中的异常点和噪声，之后可以对相关运行参数进行分段以及对分段后 的数据分别进行滑动分段，针对每个滑动分段提取对应的时域特征和频域特征， 进而对每个滑动分段数据以及对应的时域特征和频域特征进行相关性分析，并 根据分析结果进行真空管道磁浮交通系统故障诊断。由此，可以实现对真空管 道磁浮交通系统进行准确全面的故障诊断。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书 的一部分，用于例示本发明的实施例，并与文字描述一起来阐释本发明的原理。 显而易见地，下面描述中的附图仅仅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，还可以根据这些附图获得其他 的附图。
图1示出了根据本发明实施例的一种真空管道磁浮交通系统故障诊断方法 的流程图；
图2示出了根据本发明实施例的典型正常试验数据的相关系数矩阵示意图；
图3示出了根据本发明实施例的典型故障试验数据的相关系数矩阵示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征 可以相互组合。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。以下对至少一个示例性实施例的描述实际上仅仅是 说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实 施例，本领域普通技术人员在没有作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。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图 限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确 指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说 明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、 组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、 数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附 图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领 域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下， 所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的 所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此， 示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在 下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后 的附图中不需要对其进行进一步讨论。
图1示出了根据本发明实施例的一种真空管道磁浮交通系统故障诊断方法 的流程图。
其中，该方法可以应用于超高速低真空管道磁浮交通系统。
如图1所示，本发明实施例提供了一种真空管道磁浮交通系统故障诊断方 法，其中，该方法包括：
S100，获取磁浮交通系统的相关运行参数，相关运行参数包括正常数据和 故障数据；
也就是，可以获取磁浮交通系统关键设备运行过程中的各种运行数据。其 中，相关运行参数还包括实时数据和离线数据。
举例来讲，相关运行参数可以为关键设备的电压U、电流I、磁场B、温度 T、振动V和/或位移D。
S102，对相关运行参数进行预处理，去除相关运行参数中的异常点和噪声；
S104，按照不同运行阶段对相关运行参数进行分段，得到相关运行参数的 加速分段数据、相关运行参数的匀速分段数据和相关运行参数的减速分段数据；
也就是，按加速、匀速和减速等不同物理阶段对相关运行参数进行分段， 得到相关运行参数的加速分段数据、相关运行参数的匀速分段数据和相关运行 参数的减速分段数据。
S106，根据预定时间间隔和预定步长对相关运行参数的加速分段数据、相 关运行参数的匀速分段数据和相关运行参数的减速分段数据分别进行滑动分 段，得到多个滑动分段数据；
举例来讲，根据预定时间间隔Tw和预定步长Tst对相关运行参数的加速分段 数据、相关运行参数的匀速分段数据和相关运行参数的减速分段数据分别进行 滑动分段，得到多个滑动分段数据，即YN+(N-1)*Tst/fs……YN+(N-1)*Tst/fs+Tw/fs，其中N 为滑窗序号，fs为采样频率。
S108，针对每个滑动分段提取对应的时域特征和频域特征；
也就是，可以根据信号的特性提取反映各滑动分段的波形特性的时域特征 和频域特征，即最大值max、最小值min、均值m、有效值rms、平均变化速率 d、振零数n和中心频率f。具体地，最大值max＝max|YN+(N-1)*Tst/fs+1……YN+(N-1)*Tst/fs+Tw/fs|、最小值 min＝min|YN+(N-1)*Tst/fs+1……YN+(N-1)*Tst/fs+Tw/fs|、均值有效值平均变化速率 
举例来讲，以相关运行参数为电压U为例，最大值max、最小值min、均 值m、有效值rms、平均变化速率d、振零数n和中心频率f对应为电压最大值、 电压最小值、电压均值、电压有效值、电压平均变化速率、电压振零数和电压 中心频率。
S110，利用线性和非线性相关性分析方法对每个滑动分段数据以及对应的 时域特征和频域特征进行相关性分析，得到相关运行参数中每两个不同运行参 数之间的第一相关性分析结果以及得到同一运行参数不同滑动分段数据之间的 第二相关性分析结果；
其中，线性相关性分析方法中可以利用Pearson系数、Spearman系数、Kendall 系数。本领域技术人员应当理解，上述系数为现有已知系数，为了不混淆本发 明，在此不再赘述。
S112，根据第一相关性分析结果或第二相关性分析结果进行真空管道磁浮 交通系统故障诊断。
通过上述技术方案，可以获取磁浮交通系统的相关运行参数，并去除相关 运行参数中的异常点和噪声，之后可以对相关运行参数进行分段以及对分段后 的数据分别进行滑动分段，针对每个滑动分段提取对应的时域特征和频域特征， 进而对每个滑动分段数据以及对应的时域特征和频域特征进行相关性分析，并 根据分析结果进行真空管道磁浮交通系统故障诊断。由此，可以实现对真空管 道磁浮交通系统进行准确全面的故障诊断。
根据本发明一种实施例，对相关运行参数进行预处理、去除相关运行参数 中的异常点和噪声包括：
利用3σ原理对相关运行参数中的异常点进行检测，并通过三次样条插值法 和最邻近插值法去除所检测的异常点；
利用小波阈值法去除相关运行参数的噪声，得到去噪后的参数。
其中，对于异常点在数据序列内部的情形，采用三次样条插值法去除异常 点；对于异常点在数据序列边界的情形，采用最邻近插值法去除异常点。
由此，可以实现异常点的去除。
根据本发明一种实施例，利用小波阈值法去除相关运行参数的噪声、得到 去噪后的参数包括：
对相关运行参数进行小波变换，得到一组小波系数；
对得到的一组小波系数进行阈值处理，得到估计小波系数；
举例来讲，在得到的小波系数小于或等于阈值的情况下，估计小波系数取0； 在得到的小波系数大于阈值的情况下，估计小波系数为该得到的小波系数。
根据估计小波系数进行小波重构，得到去噪后的参数(即估计信号)。
由此，通过小波阈值法去除高频噪声，有效地保留了有用信号。
根据本发明一种实施例，根据第一相关性分析结果进行真空管道磁浮交通 系统故障诊断包括：
将正常数据的第一相关性分析结果和故障数据的第一相关性分析结果进行 比较，得到故障表征的敏感参数；
将敏感参数的相关性分析结果作为训练集和测试集来训练卷积神经网络模 型和验证模型；
根据训练后的卷积神经网络模型和验证模型进行真空管道磁浮交通系统故 障诊断。
其中，通过对卷积神经网络模型和验证模型进行训练，可以相应地提高模 型的精度。
对于上述的根据训练后的模型进行故障诊断的步骤，本领域技术人员应当 理解，只要得到了训练后的模型，就可以利用现有方法根据该模型进行故障诊 断，为了不混淆本发明，在此不再赘述。
图2和图3中的(a)均为Pearson系数矩阵，(b)均为Spearman系数矩 阵，(c)均为Kendall系数矩阵，(d)均为最大信息系数矩阵。
如图2和3所示，图2中的正常试验数据与图3中的故障试验数据的相关 性相比，故障试验数据的相关性发生了明显变化。
根据本发明一种实施例，根据第二相关性分析结果进行真空管道磁浮交通 系统故障诊断包括：
根据第二相关性分析结果的相关系数变化趋势，确定正常时相关系数变化 的阈值范围；
根据所确定的阈值范围进行真空管道磁浮交通系统故障诊断。
也就是，可以利用同一运行参数不同滑动分段数据的相关系数变化趋势来 确定试验正常时相关系数变化的阈值范围，进而可以根据该阈值范围进行故障 诊断。
举例来讲，在待测数据处于该阈值范围内时，诊断磁浮交通系统为正常； 在待测数据超出该阈值范围时，诊断磁浮交通系统为故障.
本发明实施例还提供了一种真空管道磁浮交通系统故障诊断系统，其中， 该系统包括：
获取单元，用于获取磁浮交通系统的相关运行参数，相关运行参数包括正 常数据和故障数据；
预处理单元，用于对相关运行参数进行预处理，去除相关运行参数中的异 常点和噪声；
第一分段单元，用于按照不同运行阶段对相关运行参数进行分段，得到相 关运行参数的加速分段数据、相关运行参数的匀速分段数据和相关运行参数的 减速分段数据；
第二分段单元，用于根据预定时间间隔和预定步长对相关运行参数的加速 分段数据、相关运行参数的匀速分段数据和相关运行参数的减速分段数据分别 进行滑动分段，得到多个滑动分段数据；
特征提取单元，用于针对每个滑动分段提取对应的时域特征和频域特征；
相关性分析单元，用于利用线性和非线性相关性分析方法对每个滑动分段 数据以及对应的时域特征和频域特征进行相关性分析，得到相关运行参数中每 两个不同运行参数之间的第一相关性分析结果以及得到同一运行参数不同滑动 分段数据之间的第二相关性分析结果；
故障诊断单元，用于根据第一相关性分析结果或第二相关性分析结果进行 真空管道磁浮交通系统故障诊断。
通过上述技术方案，可以获取磁浮交通系统的相关运行参数，并去除相关 运行参数中的异常点和噪声，之后可以对相关运行参数进行分段以及对分段后 的数据分别进行滑动分段，针对每个滑动分段提取对应的时域特征和频域特征， 进而对每个滑动分段数据以及对应的时域特征和频域特征进行相关性分析，并 根据分析结果进行真空管道磁浮交通系统故障诊断。由此，可以实现对真空管 道磁浮交通系统进行准确全面的故障诊断。
根据本发明一种实施例，预处理单元对相关运行参数进行预处理、去除相 关运行参数中的异常点和噪声包括：
利用3σ原理对相关运行参数中的异常点进行检测，并通过三次样条插值法 和最邻近插值法去除所检测的异常点；
利用小波阈值法去除相关运行参数的噪声，得到去噪后的参数。
根据本发明一种实施例，利用小波阈值法去除相关运行参数的噪声、得到 去噪后的参数包括：
对相关运行参数进行小波变换，得到一组小波系数；
对得到的一组小波系数进行阈值处理，得到估计小波系数；
根据估计小波系数进行小波重构，得到去噪后的参数。
根据本发明一种实施例，根据第一相关性分析结果进行真空管道磁浮交通 系统故障诊断包括：
将正常数据的第一相关性分析结果和故障数据的第一相关性分析结果进行 比较，得到故障表征的敏感参数；
将敏感参数的相关性分析结果作为训练集和测试集来训练卷积神经网络模 型和验证模型；
根据训练后的卷积神经网络模型和验证模型进行真空管道磁浮交通系统故 障诊断。
根据本发明一种实施例，根据第二相关性分析结果进行真空管道磁浮交通 系统故障诊断包括：
根据第二相关性分析结果的相关系数变化趋势，确定正常时相关系数变化 的阈值范围；
根据所确定的阈值范围进行真空管道磁浮交通系统故障诊断。
上述的系统是与图1所述的方法对应的系统，具体示例可以参照关于图1 的方法描述，在此不再赘述。
从上述实施例可以看出，本发明所述的诊断方法和诊断系统可以从正常和 故障、历史与实时多维度对试验数据进行相关性分析，最大化获取数据及特征 参量间的隐含关系，解决了在无精确理论模型和缺乏专家知识的条件下，超高 速低真空管道磁浮交通系统的故障检测诊断难题。
在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、 “横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附 图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反 说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的 方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制； 方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在…… 上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特 征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含 除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果 附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造 之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之 下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两 种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对 这里所使用的空间相对描述作出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为 了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义， 因此不能理解为对本发明保护范围的限制。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领 域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则 之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之 内。

Claims (10)

1.一种真空管道磁浮交通系统故障诊断方法，其特征在于，该方法包括：
获取磁浮交通系统的相关运行参数，相关运行参数包括正常数据和故障数据；
对相关运行参数进行预处理，去除相关运行参数中的异常点和噪声；
按照不同运行阶段对相关运行参数进行分段，得到相关运行参数的加速分段数据、相关运行参数的匀速分段数据和相关运行参数的减速分段数据；
根据预定时间间隔和预定步长对相关运行参数的加速分段数据、相关运行参数的匀速分段数据和相关运行参数的减速分段数据分别进行滑动分段，得到多个滑动分段数据；
针对每个滑动分段提取对应的时域特征和频域特征；
利用线性和非线性相关性分析方法对每个滑动分段数据以及对应的时域特征和频域特征进行相关性分析，得到相关运行参数中每两个不同运行参数之间的第一相关性分析结果以及得到同一运行参数不同滑动分段数据之间的第二相关性分析结果；
根据第一相关性分析结果或第二相关性分析结果进行真空管道磁浮交通系统故障诊断。
2.根据权利要求1所述的方法，其特征在于，对相关运行参数进行预处理、去除相关运行参数中的异常点和噪声包括：
利用3σ原理对相关运行参数中的异常点进行检测，并通过三次样条插值法和最邻近插值法去除所检测的异常点；
利用小波阈值法去除相关运行参数的噪声，得到去噪后的参数。
3.根据权利要求2所述的方法，其特征在于，利用小波阈值法去除相关运行参数的噪声、得到去噪后的参数包括：
对相关运行参数进行小波变换，得到一组小波系数；
对得到的一组小波系数进行阈值处理，得到估计小波系数；
根据估计小波系数进行小波重构，得到去噪后的参数。
4.根据权利要求1-3中任一项所述的方法，其特征在于，根据第一相关性分析结果进行真空管道磁浮交通系统故障诊断包括：
将正常数据的第一相关性分析结果和故障数据的第一相关性分析结果进行比较，得到故障表征的敏感参数；
将敏感参数的相关性分析结果作为训练集和测试集来训练卷积神经网络模型和验证模型；
根据训练后的卷积神经网络模型和验证模型进行真空管道磁浮交通系统故障诊断。
5.根据权利要求1-3中任一项所述的方法，其特征在于，根据第二相关性分析结果进行真空管道磁浮交通系统故障诊断包括：
根据第二相关性分析结果的相关系数变化趋势，确定正常时相关系数变化的阈值范围；
根据所确定的阈值范围进行真空管道磁浮交通系统故障诊断。
6.一种真空管道磁浮交通系统故障诊断系统，其特征在于，该系统包括：
获取单元，用于获取磁浮交通系统的相关运行参数，相关运行参数包括正常数据和故障数据；
预处理单元，用于对相关运行参数进行预处理，去除相关运行参数中的异常点和噪声；
第一分段单元，用于按照不同运行阶段对相关运行参数进行分段，得到相关运行参数的加速分段数据、相关运行参数的匀速分段数据和相关运行参数的减速分段数据；
第二分段单元，用于根据预定时间间隔和预定步长对相关运行参数的加速分段数据、相关运行参数的匀速分段数据和相关运行参数的减速分段数据分别进行滑动分段，得到多个滑动分段数据；
特征提取单元，用于针对每个滑动分段提取对应的时域特征和频域特征；
相关性分析单元，用于利用线性和非线性相关性分析方法对每个滑动分段数据以及对应的时域特征和频域特征进行相关性分析，得到相关运行参数中每两个不同运行参数之间的第一相关性分析结果以及得到同一运行参数不同滑动分段数据之间的第二相关性分析结果；
故障诊断单元，用于根据第一相关性分析结果或第二相关性分析结果进行真空管道磁浮交通系统故障诊断。
7.根据权利要求6所述的系统，其特征在于，预处理单元对相关运行参数进行预处理、去除相关运行参数中的异常点和噪声包括：
利用3σ原理对相关运行参数中的异常点进行检测，并通过三次样条插值法和最邻近插值法去除所检测的异常点；
利用小波阈值法去除相关运行参数的噪声，得到去噪后的参数。
8.根据权利要求7所述的系统，其特征在于，利用小波阈值法去除相关运行参数的噪声、得到去噪后的参数包括：
对相关运行参数进行小波变换，得到一组小波系数；
对得到的一组小波系数进行阈值处理，得到估计小波系数；
根据估计小波系数进行小波重构，得到去噪后的参数。
9.根据权利要求6-8中任一项所述的系统，其特征在于，根据第一相关性分析结果进行真空管道磁浮交通系统故障诊断包括：
将正常数据的第一相关性分析结果和故障数据的第一相关性分析结果进行比较，得到故障表征的敏感参数；
将敏感参数的相关性分析结果作为训练集和测试集来训练卷积神经网络模型和验证模型；
根据训练后的卷积神经网络模型和验证模型进行真空管道磁浮交通系统故障诊断。
10.根据权利要求6-8中任一项所述的系统，其特征在于，根据第二相关性分析结果进行真空管道磁浮交通系统故障诊断包括：
根据第二相关性分析结果的相关系数变化趋势，确定正常时相关系数变化的阈值范围；
根据所确定的阈值范围进行真空管道磁浮交通系统故障诊断。
CN202111299125.5A 2021-11-04 2021-11-04 真空管道磁浮交通系统故障诊断方法及系统 Pending CN116090140A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111299125.5A CN116090140A (zh) 2021-11-04 2021-11-04 真空管道磁浮交通系统故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111299125.5A CN116090140A (zh) 2021-11-04 2021-11-04 真空管道磁浮交通系统故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN116090140A true CN116090140A (zh) 2023-05-09

Family

ID=86199653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111299125.5A Pending CN116090140A (zh) 2021-11-04 2021-11-04 真空管道磁浮交通系统故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN116090140A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116296377A (zh) * 2023-05-10 2023-06-23 北京奔驰汽车有限公司 工业机器人的rv减速器故障预测方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116296377A (zh) * 2023-05-10 2023-06-23 北京奔驰汽车有限公司 工业机器人的rv减速器故障预测方法及装置

Similar Documents

Publication Publication Date Title
CN107451004B (zh) 一种基于定性趋势分析的道岔故障诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN112881942B (zh) 基于小波分解与经验模态分解的异常电流诊断方法和系统
CN108361207B (zh) 一种用于离心泵振动监测与故障预警的装置及方法
CN113947017B (zh) 一种滚动轴承剩余使用寿命预测方法
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN103018629A (zh) 一种基于马拉算法的电力系统故障录波数据分析方法
CN107563403B (zh) 一种高速列车运行的工况识别方法
CN109612726A (zh) 一种用于振动信号特征提取的多重超阶分析方法
CN116090140A (zh) 真空管道磁浮交通系统故障诊断方法及系统
CN110553789A (zh) 一种压阻式压力传感器的状态检测方法、装置及制动系统
Wang et al. Rotating machine fault detection based on HOS and artificial neural networks
CN113392874B (zh) 轨道车辆异常状态诊断方法、装置及终端设备
CN118427681A (zh) 一种基于自监督对比学习增强的跨工况开集故障诊断方法及设备
CN114330430A (zh) 一种基于大数据特征分析的电梯故障判断方法及系统
CN118243382A (zh) 一种用于轴承故障诊断和劣化追踪的特征指标
CN113837895A (zh) 基于电力扰动数据的配电网异常事件识别方法及系统
CA2072403C (en) Analysis of disturbances in power systems
CN117171506A (zh) 一种基于imu的工程车辆运行状态监测方法及装置
CN117289087A (zh) 一种基于czt变换的串联故障电弧检测方法
CN109034028B (zh) 一种基于符号化与tf-idf的机械设备故障特征提取方法
CN116482526A (zh) 一种用于非故障相阻抗继电器的分析系统
CN111506045B (zh) 一种基于单值中智集相关系数的故障诊断方法
CN115130516A (zh) 一种基于图谱功率谱熵的gis设备状态辨识方法及装置
CN112104340B (zh) 一种基于HMM模型和Kalman滤波技术的开关量输入模块BIT降虚警方法

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