CN116304663B - 基于非平衡样本增强的列控车载设备健康状态管理装置 - Google Patents
基于非平衡样本增强的列控车载设备健康状态管理装置 Download PDFInfo
- Publication number
- CN116304663B CN116304663B CN202211547541.7A CN202211547541A CN116304663B CN 116304663 B CN116304663 B CN 116304663B CN 202211547541 A CN202211547541 A CN 202211547541A CN 116304663 B CN116304663 B CN 116304663B
- Authority
- CN
- China
- Prior art keywords
- fault
- sample
- data
- model
- training
- 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
- 230000036541 health Effects 0.000 title claims abstract description 99
- 238000012423 maintenance Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000011156 evaluation Methods 0.000 claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000007726 management method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000013500 data storage Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims abstract description 12
- 238000004140 cleaning Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 96
- 230000006870 function Effects 0.000 claims description 18
- 230000003321 amplification Effects 0.000 claims description 16
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000007418 data mining Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000011157 data evaluation Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008531 maintenance mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供了一种基于非平衡样本增强的列控车载设备健康状态管理装置。该装置包括：多类型故障数据的自动归集架构，以及与所述多类型故障数据的自动归集架构相连的非平衡故障样本增强生成单元、基于增强样本集的健康状态模型生成单元、模型驱动的故障概率评估单元、设备维护建议动态生成单元。多类型故障数据的自动归集架构将列控车载设备历史运行日志数据进行分布式存储，支撑列控车载设备的真实故障数据的自动接入，实现数据接入、数据清洗、自动处理和数据存储过程。本发明采用数据驱动方式在设备运行数据与健康状态之间建立起有效关联，针对故障样本非平衡问题，引入样本增强机制确保健康状态评估的有效性，形成有效的设备健康管理机制。
Description
技术领域
本发明涉及轨道交通系统的智能运行维护技术领域，尤其涉及一种基于非平衡样本增强的列控车载设备健康状态管理装置。
背景技术
轨道交通系统作为综合交通运输体系的重要组成部分，其安全稳定运营是确保其交通运输服务支撑能力的关键条件。为此，如何科学合理开展设备运行管理、维修维护，已成为轨道交通系统的重要主题。随着系统技术水平和运用经验的不断提升，当前轨道交通系统已建立了体系化的运营维护体制，随着系统生命周期思想的不断引入，如何在确保设备维护管理效率的基础上进一步提升系统环境友好性、优化维护维修的成本效益、改善管理维护的智能化，已成为必然趋势。列控车载设备是列车运行控制系统的核心，是确保轨道交通列车速度与间隔控制、保持行车安全的核心对象，列控车载设备维护维修的质量直接关乎设备轨道交通系统的运营能力和安全水平，从故障处置进一步延深到设备健康综合管理，已成为未来发展的重点方向。然而，当前列控车载设备的运用维护仍广泛运用人工事后处置的方式，被动响应设备出现的故障与失效事件，一些运营管理单位已开始针对此问题，通过引入预防性维护机制使维护的“主动性”得到一定改善，但现有的预防性维护所依赖的模型、机制还有待于深度优化，尚难以与设备的实际健康状况演化过程及其个体差异性形成良好对应，导致现场存在欠维修、过度维修以及维修维护盲目性等问题。
传统的轨道交通列控车载设备维修维护及健康评估技术研究及应用中，普遍采用的方式是直接运用一些既有的建模模型建立相应模型实现故障预测，利用故障概率表征车载设备的健康水平特征；此外，既有研究中针对列控车载设备的健康管理，主要关注设备运行状态的智能监测方法及系统的研究，考虑在设备中增设相应类型的监测装置来实现跟踪诊断。然而，既有列控车载设备需遵循严格的系统规范，在系统中安装规范架构之外的传感感知装置，在实际运用中难以实现，使相应的方案及策略难以发挥预期的效果。
近年来，以设备或系统的“综合健康管理”为目标开展列控系统故障诊断、故障趋势预测这一思路已开始得到广泛关注。列控车载设备厂商具备列车运行日志的在线存储和报警信息记录功能，大量随运行过程累积的日志信息为设备健康状态的分析判定创造了有利条件。然而，现有的日志信息记录过程未能深入实现与数据运用过程的紧密融合，且由于列控车载设备在运营中不断优化完善，具有典型的低故障率特征，在日积月累的日志数据中，真正存在的与设备故障、劣化、事件等有关的样本量只占据极少比率，这就导致预期采用一些既有的数据训练、学习建模方法难以得到有效的样本支撑，从而使其预期的能力无法得到充分的发挥。
现有技术中的设备健康管理故障预测方案的缺点包括：这些现有方案预期功能的实现还有赖于充分数据样本条件的保障，而现实应用中，列控车载设备作为安全苛求系统，其固有可靠性水平能够保证较低的故障概率，导致大量的运行数据中存在的故障样本仍处于较低水平，故障样本与无故障样本的不平衡性会严重制约所得模型的能力与水平。
总体来看，针对列控车载设备的健康管理与维修维护，现有方案集中于监测过程较多，而对于如何组织、管理、运用相应的监测及运行数据，实现具体的健康状态管理的内容较少，未考虑如何处理列控车载设备日志数据故障样本的不平衡性。因此，此方向亟待开展贯通式研究，将数据样本优化、建模训练、健康状态评估管理等过程有机集成为整体，发挥综合效用。
发明内容
本发明的实施例提供了一种基于非平衡样本增强的列控车载设备健康状态管理装置，以实现从数据采集、健康状态(故障概率预测)再到维护决策整个过程的自动化。
为了实现上述目的，本发明采取了如下技术方案。
一种基于非平衡样本增强的列控车载设备健康状态管理装置，包括：多类型故障数据的自动归集架构，以及与所述多类型故障数据的自动归集架构相连的非平衡故障样本增强生成单元、基于增强样本集的健康状态模型生成单元、模型驱动的故障概率评估单元、设备维护建议动态生成单元；
所述的多类型故障数据的自动归集架构，用于将列控车载设备历史运行日志数据进行分布式存储，支撑列控车载设备的真实故障数据的自动接入与归集服务，实现数据接入、数据清洗、自动处理和数据存储过程；
所述的非平衡故障样本增强生成单元，用于解决构建设备健康状态模型阶段不同类型故障样本的非平衡性问题，对于真实故障样本相对无故障样本比率过低、不足以支撑训练并建立相应模型的情况，生成特定类型扩增样本，通过对非平衡样本增强来扩充模型训练所需数据条件，实现模型对各种故障类型的覆盖度；
所述的基于增强样本集的健康状态模型生成单元，用于采用各类故障样本库，生成实现数据驱动的健康状态模型，通过建立由真实故障样本、扩增故障样本构成的联合样本集中所含各个特征量与故障代码之间的关联，实现对列控车载设备健康状态描述的有效表征；
所述的模型驱动的故障概率评估单元，用于对列控车载设备的实际健康状态以故障概率形式进行评估判定，运用实际运行中采集的设备当前运行数据，提取相应特征量，调用所建立的列控车载设备健康状态模型，计算设备在当前输入特征量条件下的故障概率；
所述的设备维护建议动态生成单元，用于根据列控车载设备特定故障概率预测结果确定相应的维护策略，通过监测、管理各类型故障的发生概率预测量，生成列控车载设备的检测维护决策，将检测维护决策输出至维修维护操作人员执行。
优选地，所述的多类型故障数据的自动归集架构包括：数据存储与查询模块、数据处理与归集模块和数据分析与挖掘模块；
所述的数据存储与查询模块，用于建立大数据存储平台，完成列控车载设备运行日志数据的存储与集合，针对特定型号列控车载设备设计存储结构和接口，经过数据接入与上传过程两个环节操作，将所有数据都上传到分布式文件系统后再进行操作和分析；
所述的数据处理与归集模块，用于将原始的列控车载设备运行日志数据进行数据清洗处理，按照特定数据输出格式和清洗规则，将所有日志信息均按照设定输出格式进行处理和变换，并根据设备故障类型将不同时段的样本进行归集；
所述的数据分析与挖掘模块，用于选用特定数据挖掘和建模方法，运用相应故障类型的样本数据进行模型训练，基于多类型设备故障模型建立列控车载设备的健康状态模型，并调用实时数据驱动模型进行预测和维护决策分析。
优选地，所述的非平衡故障样本增强生成单元包括：非平衡样本类型判定模块、扩增样本数据初步生成模块、扩增样本数据训练优化模块、扩增样本数据评估模块和增强样本集构建模块；
所述的非平衡样本类型判定模块，用于针对列控车载设备原始数据，以故障代码为索引，对不同故障类型对应的故障样本的比重进行计算，对于真实故障样本相对无故障样本比重过低的故障类型，判定存在非平衡特征的故障类型；
所述的扩增样本数据初步生成模块，用于运用存在非平衡特征故障类型的真实故障样本，设置各个样本特征量的值域限定条件和分布模型，通过对真实故障样本中特定特征量增加相应分布下的噪声分量，生成所需数量的扩增样本数据；
所述的扩增样本数据训练优化模块，用于构建扩增样本辨识模型，调用初步生成的扩增样本数据进行训练与辨识，引入扩增样本辨识目标函数Qloss：
其中：m为样本量，I(*)为样本辨识器，ci为样本扩增条件，si、分别为第i条真实故障样本数据和第i条扩增故障样本数据；
以最大化目标函数Qloss为目标训练并优化扩增样本辨识模型，对初步生成的扩增样本判定为真实的概率进行估计，删除辨识为非真实样本的扩增样本；
所述的扩增样本数据评估模块，用于运用仅由真实故障样本构成的训练样本集构建故障预测检验模型，以生成的扩增故障样本数据构成评估集，对评估集采用故障预测检验模型所得识别率δgen进行判定，当其满足识别率门限Ωgen条件时，即
其中：ns_cor为调用故障预测检验模型被正确识别的评估集样本量，ns为评估集样本总量；
所述的增强样本集构建模块，用于对所述训练优化扩增样本数据模块得到的扩增样本数据与真实故障样本构成的组合集对应的样本比率条件进行判定，若未达到平衡度指标则重复所述扩增样本数据训练优化模块和所述的扩增样本数据评估模块的处理过程，直到满足样本比率条件，由各故障类型对应的真实故障样本、扩增故障样本合并为训练样本集，对数据存储平台内各故障类型对应的训练样本进行归集更新。
优选地，所述的基于增强样本集的健康状态模型生成单元包括：样本集输入模块、模型训练生成模块和模型持续更新模块；
所述的样本集输入模块，用于从数据存储平台提取经过非平衡故障样本增强的样本数据，构建用于实施特征模型训练的样本集，针对列控车载设备存在多层次、多类别故障特征的情况，在构建模型训练样本集过程中，分类别组织各个类型的故障样本库。
所述的模型训练生成模块，用于对综合了真实故障样本和扩增故障样本的联合样本集进行特征提取和模型训练，具体过程包括：
(1)对训练样本集中的各条样本进行特征变换与提取，其中，每条样本中除故障类别、代码相关的字段之外，其他所有字段均提取作为故障特征用于训练，根据模型训练要求对不同数据类型的字段进行量化变换与归一化处理，为实施各故障类型对应的模型训练提供数据条件；
(2)利用特征变换与提取后的样本特征量、故障代码为输入，调用数据驱动的健康状态模型训练逻辑，迭代训练模型并形成样本特征量与故障代码之间关系的描述；
实施健康状态模型训练的决策目标优化函数floss为：
其中：为第j条样本的训练误差，h(gk)为第k步决策过程gk的正则项；
通过多代训练，逐步朝目标函数最优值floss更小的方向迭代，优化模型结构性能并通过不断迭代生成新结构叠加至原有模型，逐步提升模型的性能水平和预测能力，直到满足目标函数值门限约束或达到最大迭代次数时，停止模型训练，完成模型迭代训练后，保存各故障类型训练模型，并汇集模型集合构成列控车载设备健康状态模型；
所述的模型持续更新模块，用于在设备运行阶段中，随着不断累积的后续运行数据到来，设置模型更新计划时限TD，当距上一次建模所用样本末期的设备运行时间超过TD后，重新执行所述样本集输入模块和所述模型训练生成模块的处理过程，利用累积增量的真实故障样本和新生成的扩增故障样本联合完成列控车载设备健康状态模型的重新训练与更新。
优选地，所述的模型驱动的故障概率评估单元包括：离线评估模块和在线评估模块；
所述的离线评估模块，用于采用与训练样本集时段不同的离线样本数据，包含无故障发生的样本数据和有故障发生的样本数据，建立离线评估样本集，调用所构建的列控车载设备健康状态模型，对模型预测性能进行检验，判断对应各类故障类型的列控车载设备健康状态模型准确率下限是否满足识别准确率门限ΨA条件，即：
其中：rn为第n个故障类型模型的模型准确率(共计Nfault个类型)，Rn、Wn分别为第n个故障类型模型预测正确、预测错误的样本数量；
若所得列控车载设备健康状态模型在离线评估中未满足式(4)所示条件，则重新进行所述基于增强样本集的健康状态模型生成单元的基于增强样本集的健康状态模型生成过程，直至离线评估满足判定条件(4)为止；
所述的在线评估模块，用于在所得列控车载设备健康状态模型通过离线评估后，在列控车载设备实际运行中实时提取设备当前运行数据，获取与建模样本数据相同维度及结构的特征量，调用所建立的列控车载设备健康状态模型，计算评估设备在当前输入特征量条件下各类故障可能发生的概率。
优选地，所述的设备维护建议动态生成单元包括：
预警触发条件判断模块，用于在列控车载设备实际运行中，利用在线评估结果监测各类故障可能发生的概率，设置故障概率触发门限Φfault，对各种类型故障发生概率的预警触发条件进行实时判断，在每个运行周期时刻t对各种类型故障概率的最大值进行检验；
其中：fn(t)为t时刻第n类故障在线评估所得概率值，Nfault为故障类型总数。
设置故障状态预警向量K(t)＝[kalm(1,t)，...，…，kalm(Nfault,t)]T，其维度为Nfault×1，初始赋予全0值，若t时刻第n个故障类型满足式(5)所示条件，则将K(t)第n个元素置为1，即kalm(n,t)＝1。
维护触发判断和处理模块，用于管理各类型故障的发生概率预测量，设置时间窗宽度为Λ，在每个时刻计算各类故障状态预警比率的最大值，判断其是否超过维护触发门限Πmaint条件，即
若存在某个故障类型满足式(6)所示触发条件，则判定该套列控车载设备需进行检测维护，记录维护决策时间及当前触发式(6)的故障类型，并将维护操作提示输出至维修维护操作人员执行。
由上述本发明的实施例提供的技术方案可以看出，本发明装置以设备故障概率模型作为健康状态评估管理的核心内容，形成一套完整的列控车载设备健康状态管理方案，充分运用数据驱动思想发挥大量现场日志数据的实际作用，合理解决数据样本的不平衡性问题，将从数据采集到健康状态(故障概率预测)再到维护决策的整个过程自动化。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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为本发明实施例提供的一种基于非平衡样本增强的列控车载设备健康状态管理装置的实现原理示意图；
图2为本发明实施例提供的一种列控车载设备运行日志数据样本归集结果示意；
图3为本发明实施例提供的一种非平衡样本类型对比示意；
图4为本发明实施例提供的一种非平衡故障样本增强生成单元所用真实样本实例；
图5为本发明实施例提供的一种非平衡故障样本增强生成单元所得增强样本示例；
图6为本发明实施例提供的一种扩增样本数据评估结果示例；
图7为本发明实施例提供的一种样本增强原理及主要过程示意。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
本发明在解决了大数据获取条件的情况下，针对既有相似或相关方案在样本不平衡性、健康状态关联度等方面的问题，构建一套完整的列控车载设备健康状态管理方案。
本发明提供了一种基于非平衡样本增强的列控车载设备健康状态管理装置，该装置充分运用设备运行过程中积累的大量日志数据，采用数据驱动方式在运行数据与健康状态之间建立起有效的关联，并针对故障样本量过低的问题，引入样本增强机制解决健康状态评估的有效性问题，进而为形成有效的健康中心一体化管理机制提供条件，支撑新型主动式设备维修维护模式、设备全生命周期成本优化的实现。
列控车载设备的运营管理维护单位，将按照一定周期采集设备运行日志数据，在统一的分布式存储平台进行入库存储，运用本发明提供的方法，对一定阶段接入存储的新故障数据集存在的样本非平衡性进行评估，当存在显著非平衡样本情况时，运用本发明所述方法生成扩增故障样本对样本集进行扩充，利用联合样本集进行健康状态模型生成及更新，并用于后续阶段运行中列控车载设备故障概率评估及设备整体健康状态的管理，在特定情况下生成设备检测维护决策与操作提示，为实际维修作业提供依据。
本发明实施例提供的一种基于非平衡样本增强的列控车载设备健康状态管理装置的实现原理如图1所示。该装置包括多类型故障数据的自动归集架构、非平衡故障样本增强生成单元、基于增强样本集的健康状态模型生成单元、模型驱动的故障概率评估单元和设备维护建议动态生成单元。
所述的多类型故障数据的自动归集架构，用于实现列控车载设备历史运行日志数据接入到实施分布式存储的完整过程，支撑列控车载设备真实故障数据的自动接入与归集服务，实现对数据接入、数据清洗、自动处理和数据存储等过程。
所述的非平衡故障样本增强生成单元，用于解决构建设备健康状态模型阶段不同类型故障样本的非平衡性问题，对于真实故障样本相对无故障样本比率过低、不足以支撑训练并建立相应模型的情况，实现特定类型扩增样本的自动生成，通过对非平衡样本增强来扩充模型训练所需数据条件，实现模型对各种故障类型的高覆盖度。
所述的基于增强样本集的健康状态模型生成单元，用于采用各类故障样本库实现数据驱动的健康状态模型生成，通过建立由真实故障样本、扩增故障样本构成的联合样本集中所含各个特征量与故障代码之间的关联，实现对列控车载设备健康状态描述的有效表征。
所述的模型驱动的故障概率评估单元，用于对列控车载设备的实际健康状态以故障概率形式进行评估判定，运用实际运行中采集的设备当前运行数据，提取相应特征量，调用所建立的列控车载设备健康状态模型，计算设备在当前输入特征量条件下的故障概率。
所述的设备维护建议动态生成单元，用于根据列控车载设备特定故障概率预测结果确定相应的维护策略，通过监测、管理各类型故障的发生概率预测量，实施列控车载设备检测维护决策，输出至维修维护操作人员执行。
所述的多类型故障数据的自动归集架构包括三个模块：
(1)数据存储与查询模块
建立大数据存储平台，运用利用N台服务器搭建Hadoop平台并部署分布式文件系统架构，完成列控车载设备运行日志数据的存储与集合。针对特定型号列控车载设备设计存储结构和接口，经过数据接入与上传过程两个环节操作，将所有数据都上传到分布式文件系统后再进行操作和分析。
(2)数据处理与归集模块
将原始的列控车载设备运行日志数据进行数据清洗处理，按照特定数据输出格式和清洗规则，将所有日志信息均按照设定输出格式进行处理和变换，解决文件重复、格式异常、字段缺失、数据不连续、数据异常等问题，并根据设备故障类型将不同时段的样本进行归集。以高速铁路特定类型CTCS2级列控车载设备为例，共涉及25个典型故障类型，在数据样本记录中分别以80000000H到00000001H的特定故障代码表示。图2给出了STM状态信息类故障的查询结果实例，其中可以看到，平台能够在分布式系统中运用所部署的数据检索统计机制调取已分类存储的故障记录，支持开展样本非平衡状态评估及样本增强操作。
(3)数据分析与挖掘模块
选用特定数据挖掘和建模方法，运用相应故障类型的样本数据进行模型训练，基于多类型设备故障模型建立列控车载设备的健康状态模型，并调用实时数据驱动模型进行预测和维护决策分析。
基于上述三个层级的设计，所搭建的大数据存储平台能够贯通从原始现场日志数据到分布式数据存储再到数据建模运用的全过程链，平台所具备的数据运用条件使得确认各类故障样本集的非平衡性并对非平衡样本实施增强具备自动化的服务机制。
所述的非平衡故障样本增强生成单元，用于解决构建设备健康状态模型阶段不同类型故障样本的非平衡性问题，对于真实故障样本相对无故障样本比率过低、不足以支撑训练并建立相应模型的情况，实现特定类型扩增样本的自动生成，通过对非平衡样本增强来扩充模型训练所需数据条件，实现模型对各种故障类型的高覆盖度。具体包括4个主要模块：
S3.1、非平衡样本类型判定模块：用于评估并确认样本非平衡状态的存在性是本发明方案实施的重要触发点。以高速铁路特定类型CTCS2-200H型列控车载设备为例，同一时段范围内日志数据中包含的不同类型的故障样本数量可能存在显著的不均衡性。图3给出了大数据存储平台实际样本的非平衡样本类型对比情况，共涉及一个月内6种故障类型，图中圆圈表示当天某类型故障发生量，可以明显看出不同类型故障发生的概率及其次数的量级存在显著差异，对于发生概率较低、分布不均匀、次数较少的故障类型(如故障类型00014000H、00000080H)，实际样本数据不足以满足模型训练的需求。针对列控车载设备原始数据，以故障代码为索引，对不同故障类型对应故障样本的比重进行计算，对于真实故障样本相对无故障样本比重过低的故障类型，判定存在非平衡特征的故障类型。
S3.2、扩增样本数据初步生成模块：运用存在非平衡特征故障类型的真实故障样本，设置各个样本特征量的值域限定条件和分布模型，通过对真实故障样本中特定特征量增加相应分布下的噪声分量，生成一定数量的扩增样本数据。
S3.3、扩增样本数据训练优化模块：构建扩增样本辨识模型，调用初步生成的扩增样本数据进行训练与辨识，引入扩增样本辨识目标函数Qloss：
其中：m为样本量，I(*)为样本辨识器，ci为样本扩增条件，si、分别为第i条真实故障样本数据和第i条扩增故障样本数据。
以最大化目标函数Qloss为目标训练并优化扩增样本辨识模型，对初步生成的扩增样本判定为真实的概率进行估计，删除辨识为“非真实样本”的扩增样本。图4、图5分别给出了一类非平衡样本故障类型，实施故障样本增强生成所用前20条真实样本实例和所得前20条增强样本示例，其中，由于单条样本共涉及57个特征量，图4、图5为便于显示，仅显示了前10个特征量进行示意。
S3.4、扩增样本数据评估模块：运用仅由真实故障样本构成的训练样本集构建故障预测检验模型，以生成的扩增故障样本数据构成评估集，对评估集采用故障预测检验模型所得识别率δgen进行判定(如图6所示过程，通过计算不同迭代次数下所得识别率水平确定扩增样本数据的可用性)，判断是否满足识别率门限Ωgen条件，即：
其中：ns_cor为调用故障预测检验模型被正确识别的评估集样本量，ns为评估集样本总量。
S3.5、增强样本集构建模块：对通过S3.4步评估的扩增样本数据与真实故障样本构成的组合集对应的样本比率条件进行判定，若未达到平衡度指标则重复S3.2至S3.4步，直到满足样本比率条件。根据图7所示的扩增样本生成与辨识原理及样本增强主要流程，由各故障类型对应的真实故障样本、扩增故障样本合并为训练样本集，对数据存储平台内各故障类型对应的训练样本进行归集更新。
所述的基于增强样本集的健康状态模型生成单元，具体包括3个主要模块：
S4.1、样本集输入模块，从数据存储平台提取经过非平衡故障样本增强的样本数据，构建用于实施特征模型训练的样本集，针对列控车载设备存在多层次、多类别故障特征的情况，在构建模型训练样本集过程中，分类别组织各个类型的故障样本库。
S4.2、模型训练生成模块，对综合了真实故障样本、扩增故障样本的联合样本集进行特征提取和模型训练，具体过程包括：
(1)对训练样本集中的各条样本进行特征变换与提取，其中，每条样本中除故障类别、代码相关的字段之外，其他所有字段均提取作为故障特征用于训练，根据模型训练要求对不同数据类型的字段进行量化变换与归一化处理，为实施各故障类型对应的模型训练提供数据条件。
(2)利用特征变换与提取后的样本特征量、故障代码为输入，调用数据驱动的健康状态模型训练逻辑，迭代训练模型并形成样本特征量与故障代码之间关系的描述。
实施健康状态模型训练的决策目标优化函数floss可列写为：
其中：为第j条样本的训练误差，h(gk)为第k步决策过程gk的正则项。
通过多代训练，逐步朝目标函数最优值floss更小的方向迭代，优化模型结构性能并通过不断迭代生成新结构叠加至原有模型，逐步提升模型的性能水平和预测能力，直到满足目标函数值门限约束或达到最大迭代次数时，停止模型训练。
(3)完成模型迭代训练后，保存各故障类型训练模型，并汇集模型集合构成列控车载设备健康状态模型。
S4.3、模型持续更新模块，即在设备运行阶段中，随着不断累积的后续运行数据到来，设置模型更新计划时限TD，当距上一次建模所用样本末期的设备运行时间(即设备随列车处于动态行车的时间，不包含设备未上电运行及维护阶段)超过TD后，重新执行4.1、4.2所述过程，利用累积增量的真实故障样本和新生成的扩增故障样本联合完成列控车载设备健康状态模型的重新训练与更新。
所述的模型驱动的故障概率评估单元，具体包括2个主要模块：
S5.1、离线评估模块，即采用与训练样本集时段不同的离线样本数据，包含无故障发生的样本数据和有故障发生的样本数据，建立离线评估样本集，调用所构建的列控车载设备健康状态模型，对模型预测性能进行检验，判断对应各类故障类型的列控车载设备健康状态模型准确率下限是否满足识别准确率门限ΨA条件，即：
其中：rn为第n个故障类型模型的模型准确率(共计Nfault个类型，以高速铁路特定类型CTCS2级列控车载设备典型故障为例，Nfault＝25)，Rn、Wn分别为第n个故障类型模型预测正确、预测错误的样本数量。
若所得列控车载设备健康状态模型在离线评估中未满足式(4)所示条件，则重新进行S4.1至S4.3步所述基于增强样本集的健康状态模型生成过程，直至离线评估满足判定条件(4)为止。
S5.2、在线评估模块，即在所得列控车载设备健康状态模型通过离线评估后，在列控车载设备实际运行中实时提取设备当前运行数据，获取与建模样本数据相同维度及结构的特征量，调用所建立的列控车载设备健康状态模型，计算评估设备在当前输入特征量条件下各类故障可能发生的概率。
所述的设备维护建议动态生成单元，具体包括2个主要模块：
S6.1、预警触发条件判断模块，用于在列控车载设备实际运行中，利用在线评估结果监测各类故障可能发生的概率，设置故障概率触发门限Φfault，对各种类型故障发生概率的预警触发条件进行实时判断，在每个运行周期时刻t对各种类型故障概率的最大值进行检验；
其中：fn(t)为t时刻第n类故障在线评估所得概率值，Nfault为故障类型总数。
设置故障状态预警向量K(t)＝[kalm(1,t)，...，kalm(Nfault,t)]T，其维度为Nfault×1，初始赋予全0值，若t时刻第n个故障类型满足式(5)所示条件，则将K(t)第n个元素置为1，即kalm(n,t)＝1。
S6.2、维护触发判断和处理模块，用于管理各类型故障的发生概率预测量，设置时间窗宽度为Λ，在每个时刻计算各类故障状态预警比率的最大值，判断其是否超过维护触发门限Πmaint条件，即
若存在某个故障类型满足式(6)所示触发条件，则判定该套列控车载设备需进行检测维护，记录维护决策时间及当前触发式(6)的故障类型，并将维护操作提示输出至维修维护操作人员执行。
综上所述，本发明装置以列控车载设备的各类故障为入手点，进一步考虑了整体设备层次的健康状态表征的管理，并落实至列控车载设备的维护决策支持过程。本发明立足于对非平衡样本条件的解决，实现更深层次的数据驱动建模；本发明直接面向列控车载设备，与研究对象具有直接契合度。
本发明装置以设备故障概率模型作为健康状态评估管理的核心内容，形成一套完整的列控车载设备健康状态管理方案，充分运用数据驱动思想发挥大量现场日志数据的实际作用，将从数据采集到健康状态(故障概率预测)再到维护决策的整个过程自动化。
本发明装置为解决列控车载设备这类安全苛求系统具有较高可靠性导致故障样本不足引发的建模难题，引入非平衡样本增强思想，通过建模训练、评估筛选的方式生成扩增样本，通过真实故障样本、扩增故障样本的集成，支撑故障模型训练的有效实施，打破传统仅依靠实际数据造成部分非平衡样本类型故障模型性能受限的制约。
本发明装置的实现过程仅运用设备既有的日志数据记录机制和结果，不需对既有设备有额外的数据记录、监测需求(列控车载设备是行车安全相关设备，不允许加装设备规范之外的额外采集监测装置)，模型训练及评估运用过程可适用于离线操作或以单日、单次运行时段计的渐进实时操作，运用方式灵活。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种基于非平衡样本增强的列控车载设备健康状态管理装置，其特征在于，包括：多类型故障数据的自动归集架构，以及与所述多类型故障数据的自动归集架构相连的非平衡故障样本增强生成单元、基于增强样本集的健康状态模型生成单元、模型驱动的故障概率评估单元、设备维护建议动态生成单元；
所述的多类型故障数据的自动归集架构，用于将列控车载设备历史运行日志数据进行分布式存储，支撑列控车载设备的真实故障数据的自动接入与归集服务，实现数据接入、数据清洗、自动处理和数据存储过程；
所述的非平衡故障样本增强生成单元，用于解决构建设备健康状态模型阶段不同类型故障样本的非平衡性问题，对于真实故障样本相对无故障样本的比率低于一定的范围、不足以支撑训练并建立相应模型的情况，生成特定类型扩增样本，通过对非平衡样本增强来扩充模型训练所需数据条件，实现模型对各种故障类型的覆盖；
所述的基于增强样本集的健康状态模型生成单元，用于采用各类故障样本库，生成实现数据驱动的健康状态模型，通过建立由真实故障样本、扩增故障样本构成的联合样本集中所含各个特征量与故障代码之间的关联，实现对列控车载设备健康状态描述的有效表征；
所述的模型驱动的故障概率评估单元，用于对列控车载设备的实际健康状态以故障概率形式进行评估判定，运用实际运行中采集的设备当前运行数据，提取相应特征量，调用所建立的列控车载设备健康状态模型，计算设备在当前输入特征量条件下的故障概率；
所述的设备维护建议动态生成单元，用于根据列控车载设备特定故障概率预测结果确定相应的维护策略，通过监测、管理各类型故障的发生概率预测量，生成列控车载设备的检测维护决策，将检测维护决策输出至维修维护操作人员执行；
所述的基于增强样本集的健康状态模型生成单元包括：样本集输入模块、模型训练生成模块和模型持续更新模块；
所述的样本集输入模块，用于从数据存储平台提取经过非平衡故障样本增强的样本数据，构建用于实施特征模型训练的样本集，针对列控车载设备存在多层次、多类别故障特征的情况，在构建模型训练样本集过程中，分类别组织各个类型的故障样本库；
所述的模型训练生成模块，用于对综合了真实故障样本和扩增故障样本的联合样本集进行特征提取和模型训练，具体过程包括：
(1)对训练样本集中的各条样本进行特征变换与提取，其中，每条样本中除故障类别、代码相关的字段之外，其他所有字段均提取作为故障特征用于训练，根据模型训练要求对不同数据类型的字段进行量化变换与归一化处理，为实施各故障类型对应的模型训练提供数据条件；
(2)利用特征变换与提取后的样本特征量、故障代码为输入，调用数据驱动的健康状态模型训练逻辑，迭代训练模型并形成样本特征量与故障代码之间关系的描述；
实施健康状态模型训练的决策目标优化函数floss为：
其中：为第j条样本的训练误差，h(gk)为第k步决策过程gk的正则项；
通过多代训练，逐步朝目标函数最优值floss更小的方向迭代，优化模型结构性能并通过不断迭代生成新结构叠加至原有模型，逐步提升模型的性能水平和预测能力，直到满足目标函数值门限约束或达到最大迭代次数时，停止模型训练，完成模型迭代训练后，保存各故障类型训练模型，并汇集模型集合构成列控车载设备健康状态模型；
所述的模型持续更新模块，用于在设备运行阶段中，随着不断累积的后续运行数据到来，设置模型更新计划时限TD，当距上一次建模所用样本末期的设备运行时间超过TD后，重新执行所述样本集输入模块和所述模型训练生成模块的处理过程，利用累积增量的真实故障样本和新生成的扩增故障样本联合完成列控车载设备健康状态模型的重新训练与更新。
2.根据权利要求1所述的装置，其特征在于，所述的多类型故障数据的自动归集架构包括：数据存储与查询模块、数据处理与归集模块和数据分析与挖掘模块；
所述的数据存储与查询模块，用于建立大数据存储平台，完成列控车载设备运行日志数据的存储与集合，针对特定型号列控车载设备设计存储结构和接口，经过数据接入与上传过程两个环节操作，将所有数据都上传到分布式文件系统后再进行操作和分析；
所述的数据处理与归集模块，用于将原始的列控车载设备运行日志数据进行数据清洗处理，按照特定数据输出格式和清洗规则，将所有日志信息均按照设定输出格式进行处理和变换，并根据设备故障类型将不同时段的样本进行归集；
所述的数据分析与挖掘模块，用于选用特定数据挖掘和建模方法，运用相应故障类型的样本数据进行模型训练，基于多类型设备故障模型建立列控车载设备的健康状态模型，并调用实时数据驱动模型进行预测和维护决策分析。
3.根据权利要求1所述的装置，其特征在于，所述的非平衡故障样本增强生成单元包括：非平衡样本类型判定模块、扩增样本数据初步生成模块、扩增样本数据训练优化模块、扩增样本数据评估模块和增强样本集构建模块；
所述的非平衡样本类型判定模块，用于针对列控车载设备原始数据，以故障代码为索引，对不同故障类型对应的故障样本的比例进行计算，对于真实故障样本相对无故障样本的比率低于一定的范围，判定存在非平衡特征的故障类型；
所述的扩增样本数据初步生成模块，用于运用存在非平衡特征故障类型的真实故障样本，设置各个样本特征量的值域限定条件和分布模型，通过对真实故障样本中特定特征量增加相应分布下的噪声分量，生成所需数量的扩增样本数据；
所述的扩增样本数据训练优化模块，用于构建扩增样本辨识模型，调用初步生成的扩增样本数据进行训练与辨识，引入扩增样本辨识目标函数Qloss：
其中：m为样本量，I(*)为样本辨识器，ci为样本扩增条件，si、分别为第i条真实故障样本数据和第i条扩增故障样本数据；
以最大化目标函数Qloss为目标训练并优化扩增样本辨识模型，对初步生成的扩增样本判定为真实的概率进行估计，删除辨识为非真实样本的扩增样本；
所述的扩增样本数据评估模块，用于运用仅由真实故障样本构成的训练样本集构建故障预测检验模型，以生成的扩增故障样本数据构成评估集，对评估集采用故障预测检验模型所得识别率δgen进行判定，当其满足识别率门限Ωgen条件时，即
其中：ns_cor为调用故障预测检验模型被正确识别的评估集样本量，ns为评估集样本总量；
所述的增强样本集构建模块，用于对所述扩增样本数据训练优化模块得到的扩增样本数据与真实故障样本构成的组合集对应的样本比率条件进行判定，若未达到平衡度指标则重复所述扩增样本数据训练优化模块和所述的扩增样本数据评估模块的处理过程，直到满足样本比率条件，由各故障类型对应的真实故障样本、扩增故障样本合并为训练样本集，对数据存储平台内各故障类型对应的训练样本进行归集更新。
4.根据权利要求1所述的装置，其特征在于，所述的模型驱动的故障概率评估单元包括：离线评估模块和在线评估模块；
所述的离线评估模块，用于采用与训练样本集时段不同的离线样本数据，包含无故障发生的样本数据和有故障发生的样本数据，建立离线评估样本集，调用所构建的列控车载设备健康状态模型，对模型预测性能进行检验，判断对应各类故障类型的列控车载设备健康状态模型准确率下限是否满足识别准确率门限ΨA条件，即：
其中：rn为第n个故障类型模型的模型准确率(共计Nfault个类型)，Rn、Wn分别为第n个故障类型模型预测正确、预测错误的样本数量；
若所得列控车载设备健康状态模型在离线评估中未满足式(4)所示条件，则重新进行所述基于增强样本集的健康状态模型生成单元的基于增强样本集的健康状态模型生成过程，直至离线评估满足式(4)为止；
所述的在线评估模块，用于在所得列控车载设备健康状态模型通过离线评估后，在列控车载设备实际运行中实时提取设备当前运行数据，获取与建模样本数据相同维度及结构的特征量，调用所建立的列控车载设备健康状态模型，计算评估设备在当前输入特征量条件下各类故障可能发生的概率。
5.根据权利要求1所述的装置，其特征在于，所述的设备维护建议动态生成单元包括：
预警触发条件判断模块，用于在列控车载设备实际运行中，利用在线评估结果监测各类故障可能发生的概率，设置故障概率触发门限Φfault，对各种类型故障发生概率的预警触发条件进行实时判断，在每个运行周期时刻t对各种类型故障概率的最大值进行检验；
其中：fn(t)为t时刻第n类故障在线评估所得概率值，Nfault为故障类型总数；
设置故障状态预警向量K(t)＝[kalm(1,t)，…，kalm(Nfault,t)]T，其维度为Nfault×1，初始赋予全0值，若t时刻第n个故障类型满足式(5)所示条件，则将K(t)第n个元素置为1，即kalm(n,t)＝1；
维护触发判断和处理模块，用于管理各类型故障的发生概率预测量，设置时间窗宽度为Λ，在每个时刻计算各类故障状态预警比率的最大值，判断其是否超过维护触发门限Πmaint条件，即：
若存在某个故障类型满足式(6)所示触发条件，则判定该套列控车载设备需进行检测维护，记录维护决策时间及当前触发式(6)的故障类型，并将维护操作提示输出至维修维护操作人员执行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211547541.7A CN116304663B (zh) | 2022-12-05 | 2022-12-05 | 基于非平衡样本增强的列控车载设备健康状态管理装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211547541.7A CN116304663B (zh) | 2022-12-05 | 2022-12-05 | 基于非平衡样本增强的列控车载设备健康状态管理装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116304663A CN116304663A (zh) | 2023-06-23 |
| CN116304663B true CN116304663B (zh) | 2023-10-24 |
Family
ID=86811924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211547541.7A Active CN116304663B (zh) | 2022-12-05 | 2022-12-05 | 基于非平衡样本增强的列控车载设备健康状态管理装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116304663B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| WO2019080367A1 (zh) * | 2017-10-25 | 2019-05-02 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
| CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
| KR20200052461A (ko) * | 2018-10-31 | 2020-05-15 | 한국철도기술연구원 | 열차 고장 예측 장치 및 방법 |
| CN111242357A (zh) * | 2020-01-06 | 2020-06-05 | 北京锦鸿希电信息技术股份有限公司 | 基于神经网络学习的列车车载设备故障预测方法及装置 |
| CN114384896A (zh) * | 2022-01-12 | 2022-04-22 | 北京交通大学 | 轨道交通列控车载设备模拟电路级健康度预测方法及系统 |
| CN114818353A (zh) * | 2022-05-09 | 2022-07-29 | 北京交通大学 | 一种基于故障特征关系图谱的列控车载设备故障预测方法 |
-
2022
- 2022-12-05 CN CN202211547541.7A patent/CN116304663B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| WO2019080367A1 (zh) * | 2017-10-25 | 2019-05-02 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
| KR20200052461A (ko) * | 2018-10-31 | 2020-05-15 | 한국철도기술연구원 | 열차 고장 예측 장치 및 방법 |
| CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
| CN111242357A (zh) * | 2020-01-06 | 2020-06-05 | 北京锦鸿希电信息技术股份有限公司 | 基于神经网络学习的列车车载设备故障预测方法及装置 |
| CN114384896A (zh) * | 2022-01-12 | 2022-04-22 | 北京交通大学 | 轨道交通列控车载设备模拟电路级健康度预测方法及系统 |
| CN114818353A (zh) * | 2022-05-09 | 2022-07-29 | 北京交通大学 | 一种基于故障特征关系图谱的列控车载设备故障预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘江，许康智，蔡伯根，郭忠斌，王剑.基于XGBoost的列控车载设备故障预测方法.北京交通大学学报.2021,第45卷(第4期),95-106. * |
| 基于XGBoost的列控车载设备故障预测方法;刘江，许康智，蔡伯根，郭忠斌，王剑;北京交通大学学报;第45卷(第4期);95-106 * |
| 故障预测和健康管理技术在地铁车辆运维中的应用;潘莹;;控制与信息技术(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116304663A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111782472B (zh) | 系统异常检测方法、装置、设备及存储介质 | |
| WO2022105266A1 (zh) | 电梯故障预测方法、系统、装置、计算机设备和存储介质 | |
| CN107725283B (zh) | 一种基于深度信念网络模型的风机故障检测方法 | |
| CN111737911B (zh) | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 | |
| CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
| CN112418277A (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
| Bao et al. | A Deep Transfer Learning Network for Structural Condition Identification with Limited Real‐World Training Data | |
| CN104732276A (zh) | 一种计量生产设施故障在线诊断方法 | |
| CN112433896B (zh) | 一种服务器磁盘故障预测方法、装置、设备及存储介质 | |
| CN107730084A (zh) | 基于灰色预测和风险评估的变压器检修决策方法 | |
| CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
| CN111815056A (zh) | 基于飞参数据的机务外场飞机燃油系统故障预测方法 | |
| CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
| CN113342597B (zh) | 一种基于高斯混合隐马尔可夫模型的系统故障预测方法 | |
| Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
| CN112990546A (zh) | 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法 | |
| Zhou et al. | Bearing performance degradation assessment using lifting wavelet packet symbolic entropy and SVDD | |
| CN114970926A (zh) | 一种模型训练方法、企业经营风险预测方法和装置 | |
| CN110244690B (zh) | 一种多变量工业过程故障辨识方法及系统 | |
| CN116304663B (zh) | 基于非平衡样本增强的列控车载设备健康状态管理装置 | |
| Salari et al. | Application of Markov renewal theory and semi‐Markov decision processes in maintenance modeling and optimization of multi‐unit systems | |
| Florian et al. | Machine learning for predictive maintenance: A methodological framework | |
| Wei et al. | A new BRB model for cloud security-state prediction based on the large-scale monitoring data | |
| CN116049157A (zh) | 一种质量数据分析方法及系统 | |
| Sheng et al. | A modified Mahalanobis distance metric used to optimize mahalanobis space and improve classification performance of MTS |
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 |