CN116489000A - 列车mvb通信网络故障诊断和定位方法及系统 - Google Patents
列车mvb通信网络故障诊断和定位方法及系统 Download PDFInfo
- Publication number
- CN116489000A CN116489000A CN202310402049.9A CN202310402049A CN116489000A CN 116489000 A CN116489000 A CN 116489000A CN 202310402049 A CN202310402049 A CN 202310402049A CN 116489000 A CN116489000 A CN 116489000A
- Authority
- CN
- China
- Prior art keywords
- fault
- communication network
- mvb
- train
- fault diagnosis
- 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
Links
- 238000004891 communication Methods 0.000 title claims abstract description 132
- 238000003745 diagnosis Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013145 classification model Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 24
- 230000004807 localization Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 15
- 239000013598 vector Substances 0.000 description 11
- 230000008901 benefit Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0081—On-board diagnosis or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了列车MVB通信网络故障诊断和定位方法及系统,列车MVB通信网络故障诊断和定位方法包括:采集获得多种工况下的物理层波形,提取所述物理层波的特征值后,对所述特征值进行处理获得MVB数据集;根据所述MVB数据集构建SVM多分类模型后,通过所述SVM多分类模型对列车MVB通信网络进行故障诊断,根据故障诊断结果计算获得故障数据分类的决策值后,根据所述决策值确定故障数据对应的故障类型;对所述物理层波形进行解析获得故障节点发出的故障从帧的端口地址后,根据所述端口地址确定发出所述故障从帧的故障通信设备,根据所述故障通信设备通过列车MVB通信网络拓扑图定位出故障节点位置。
Description
技术领域
本申请涉及列车通信网络故障诊断和定位技术领域,尤其涉及列车MVB通信网络故障诊断和定位。
背景技术
铁路是目前公共交通的主要方式之一。随着列车服务时间的增加,轨道车辆的故障,特别是多功能车辆总线(MVB)逐渐增加。MVB是列车的中枢神经,它负责传输监视数据和控制数据。MVB总线呈分布式,结构复杂,在复杂的运行环境中诊断MVB故障是很困难的。传统MVB故障诊断仍然取决于工程师的经验,导致诊断效率低下,故障原因不明。很多工控网络故障都是由于线路阻抗不匹配并导致网络信号反射异常。不同的物理波形信号特征可以表征不同的故障模式。因此,从MVB物理层波形特征中提取特征是合理的把MVB故障诊断问题转换为模式识别问题。
现有技术中从物理层信息中提取特征,并融合数据链路层的时间戳信息,然后使用多维聚类算法检测故障并评估性能下降。现有技术中结合轨道电路的特性提出了适用于轨道电路故障检测技术体系结构,采用模糊神经网络技术建立了故障预测模型。国外某些研究构建了基于自适应网络的模糊推理系统(ANFIS),利用现有CAN总线的错误帧等故障信号,采用基于ANFIS方法对CAN网络进行故障预诊断。这些研究在故障的诊断和预测中具有前瞻性的作用。现有技术提出了一种基于MVB的健康评价方法波形特征和支持向量描述域(SVDD),被测样品与超球面的距离用于量化被测节点的健康状况。现有技术中通过训练了一个基于服务质量(QOS)指标的支持向量机(SVM)分类器来识别以太网的正常和故障状态。这分布在两个支持向量超平面之外的样本将被视为正常类和故障类,而位于两个支持向量超平面之间的样本是被认为是亚健康类。这样,网络健康评估已经转化为一个分类问题。现有技术中还提出从列车制动网络中提取了波形特征,他们提出了一个动态的检测已知网络故障和未知网络故障的选择方法检测网络故障。然而,异常检测和健康评估旨在测量当前状态和正常状态之间的偏差,通过这样的方法无法诊断实际故障类型。SVM已广泛应用于工业故障诊断,在SVM的训练阶段,样本在不同的位置对超平面产生不同的影响,位于边缘区域的样本最有可能是确定分类位置的支持向量超平面,位于数据集内部区域的样本总是非支持向量。
发明内容
本申请实施例提供了列车MVB通信网络故障诊断和定位方法及系统,以至少通过本发明解决了列车通信网络故障诊断和定位问题。
本发明提供了列车MVB通信网络故障诊断和定位方法,包括:
MVB数据集获取步骤:采集获得多种工况下的物理层波形,提取所述物理层波的特征值后,对所述特征值进行处理获得MVB数据集;
列车MVB通信网络故障诊断步骤:根据所述MVB数据集构建SVM多分类模型后,通过所述SVM多分类模型对列车MVB通信网络进行故障诊断,根据故障诊断结果计算获得故障数据分类的决策值后,根据所述决策值确定故障数据对应的故障类型;
列车MVB通信网络故障定位步骤:对所述物理层波形进行解析获得故障节点发出的故障从帧的端口地址后,根据所述端口地址确定发出所述故障从帧的故障通信设备,根据所述故障通信设备通过列车MVB通信网络拓扑图定位出故障节点位置。
列车MVB通信网络故障诊断和定位方法,其中,所述MVB数据集获取步骤包括:
采集获得所述列车MVB通信网络在正常工况下和故障工况下的所述物理层波形。
列车MVB通信网络故障诊断和定位方法,其中,所述列车MVB通信网络故障诊断步骤包括:
对所述MVB数据集进行顺序随机排布后,分多次对排布后的MVB数据集进行训练与测试,以训练精确度为指标,结合网络搜索法获得最优参数后,对所述最优参数进行训练获得所述SVM多分类模型。
列车MVB通信网络故障诊断和定位方法,其中,所述列车MVB通信网络故障诊断步骤还包括:
根据所述决策值确定所述故障数据分类的标签后,根据所述标签确定所述故障数据对应的所述故障类型。
列车MVB通信网络故障诊断和定位方法,其中,所述列车MVB通信网络故障定位步骤包括:
所述故障节点发出的所述故障从帧都有对应的主帧,根据所述主帧确定所述故障从帧所述端口地址。
列车MVB通信网络故障诊断和定位方法,其中,所述列车MVB通信网络故障定位步骤还包括:
通过MVB通信协议,结合通信节点设备端口地址表,根据所述端口地址确定发出所述故障从帧的所述故障通信设备。
列车MVB通信网络故障诊断和定位方法,其中,所述列车MVB通信网络故障定位步骤还包括:
根据故障通信设备分布,通过所述列车MVB通信网络拓扑图定位出所述故障节点位置。
本发明还提供列车MVB通信网络故障诊断和定位系统,所述列车MVB通信网络故障诊断和定位系统包括:
MVB数据集获取单元:通过NHM采集获得多种工况下的物理层波形,提取所述物理层波的特征值后,对所述特征值进行处理获得MVB数据集;
列车MVB通信网络故障诊断单元:根据所述MVB数据集构建SVM多分类模型后,通过所述SVM多分类模型对列车MVB通信网络进行故障诊断,根据故障诊断结果计算获得故障数据分类的决策值后,根据所述决策值确定故障数据对应的故障类型;
列车MVB通信网络故障定位单元:对所述物理层波形进行解析获得故障节点发出的故障从帧的端口地址后,根据所述端口地址确定发出所述故障从帧的故障通信设备,根据所述故障通信设备通过列车MVB通信网络拓扑图定位出故障节点位置。
列车MVB通信网络故障诊断和定位系统,其中,所述MVB数据集获取单元包括:
通过所述NHM采集CCU与通信设备之间的所述物理层波形;
所述NHM通过WTD将所述MVB数据集无线传输到地面服务器。
列车MVB通信网络故障诊断和定位系统,其中,所述列车MVB通信网络故障诊断单元包括:
所述地面服务器将所述MVB数据集传输给地面网络软件后,根据所述MVB数据集构建所述SVM多分类模型。
相比于相关技术,本发明提出的列车MVB通信网络故障诊断和定位方法及系统,在不同工况下提取网络物理层波形特征后,通过SVM分类器对列车MVB数据集进行训练以将网络故障诊断转化为模式识别问题,再结合MVB通信协议和网络拓扑结构对故障进行定位,准确的识别了不同MVB故障并进行了定位。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的列车MVB通信网络故障诊断和定位方法流程图;
图2是根据本申请实施例的MVB报文时序示意图;
图3是根据本申请实施例的训练样本分类显示图;
图4是根据本申请实施例的故障分类测试结果显示图;
图5是根据本申请实施例的几何间隔显示图;
图6是根据本申请实施例的网络故障诊断定位流程图;
图7是根据本申请实施例的网络故障诊断系统的总体结构框图;
图8是本发明的列车MVB通信网络故障诊断和定位系统的结构示意图。
其中,附图标记为:
MVB数据集获取单元:51;
列车MVB通信网络故障诊断单元:52;
列车MVB通信网络故障定位单元:53。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本发明提供了一种列车MVB通信网络故障诊断和定位方法及系统,本发明提取四种工况下的波形数据特征数据集,通过波形数据特征数据集训练SVM分类模型,基于SVM分类模型诊断MVB故障,并结合MVB通信协议和列车网络拓扑结构对故障进行定位。
下面结合具体实施例对本发明进行说明。
实施例一
本实施例还提供了列车MVB通信网络故障诊断和定位方法。请参照图1至图5,图1是根据本申请实施例的列车MVB通信网络故障诊断和定位方法流程图;图2是根据本申请实施例的MVB报文时序示意图;图3是根据本申请实施例的训练样本分类显示图;图4是根据本申请实施例的故障分类测试结果显示图;图5是根据本申请实施例的几何间隔显示图,如图1至图5所示,列车MVB通信网络故障诊断方法包括:
MVB数据集获取步骤S1:采集获得多种工况下的物理层波形,提取物理层波的特征值后,对特征值进行处理获得MVB数据集;
列车MVB通信网络故障诊断步骤S2:根据MVB数据集构建SVM多分类模型后,通过SVM多分类模型对列车MVB通信网络进行故障诊断,根据故障诊断结果计算获得故障数据分类的决策值后,根据决策值确定故障数据对应的故障类型;
列车MVB通信网络故障定位步骤S3:对物理层波形进行解析获得故障节点发出的故障从帧的端口地址后,根据端口地址确定发出故障从帧的故障通信设备,根据故障通信设备通过列车MVB通信网络拓扑图定位出故障节点位置。
在实施例中,MVB数据集获取步骤S1包括:
采集获得列车MVB通信网络在正常工况下和故障工况下的物理层波形。
在具体实施中,列车通信网络MVB总线通信距离长,总线上挂载设备繁多,工况复杂,工作电缆、电缆连接器和网卡电路组件可能会在振动、潮湿、低温或高温列车运行环境下出现老化或损坏,电缆的串联阻抗将增加。当电缆的性能或电路元件退化,并联阻抗网络会减少。这种故障也会导致波形失真、丢包甚至网络故障问题。
正常波形的电压电平流畅且易于解码。当阻抗失配故障发生,网络信号有严重的反射,因为网络故障点的阻抗不连续。那么信号电平将明显失真并且难以解码。波形的下冲会导致解码失败,过冲时丢包会导致过压故障。通过MVB的高速模拟采集分析仪,在正常情况下和故障条件下采样物理层波形,提取波形的特征值组成标记好的MVB数据集,再通过分类器基于MVB数据集训练用以表征不同的MVB故障模式。
根据IEC61375-3-2:2012对MVB总线物理层一致性测试的要求,可以得出正常状态下MVB总线差分电压物理波形的一致性特征参数及其范围,物理波形可提取出如下状态特征:
稳态正电压Vp:信号电平波形达到正稳态电压值;
稳态负电压Vn:信号电平波形达到负稳态电压值;
超调Vos:最大电压与稳态电压之差:Vos=Vmax-Vp;
上升斜率:帧信号上升时的斜率Vp的10%到Vp的90%。
下降斜率:帧信号下降时的斜率从Vn的10%到90%。
采集列车网络正常工况下和3种常见故障工况下的网络波形数据,这四种列车运行工况分别是:正常运行状态、终端故障、并联阻抗不匹配故障、串联阻抗不匹配故障;其中,终端故障为列车运行过程震动或维护不当导致终端电阻脱落,会引起这种故障;并联阻抗不匹配故障为电缆连接器或线缆老化会导致这种故障;串联阻抗不匹配故障为电缆连接器的磨损、接触不良或引脚短路会导致这种故障。
在实施例中,列车MVB通信网络故障诊断步骤S2包括:
对MVB数据集进行顺序随机排布后,分多次对排布后的MVB数据集进行训练与测试,以训练精确度为指标,结合网络搜索法获得最优参数后,对最优参数进行训练获得SVM多分类模型;
根据决策值确定故障数据分类的标签后,根据标签确定故障数据对应的故障类型。
在具体实施中,通过提取计算波形数据的特征值,得到特征数据集.经过归一化处理后,某些特征量在不同工况下存在明显差异。首先会对带标签的4种工况样本进行顺序随机排布,以防止训练样本的偶然性和不均衡覆盖所有样本类别的问题。然后进行样本k等分,每次取不同的1/k样本进行测试,另外的3/k样本作为训练数据,分k次对包含多类状态数据的样本数据进行训练与测试,在交叉验证的过程中以训练精确度为指标,结合网格搜索法可获取一组最优参数C和γ,最后可利用优化后的参数进行训练,得到多分类的支持向量机模型。确定好参数C和γ的的前提下,即可进行SVM多分类模型的训练。
在每种工况条件下分别采样了300个波形并形成了一个大小为1200的5维MVB数据集。对每组工况数据进行训练,其训练结果如图3所示,得到有4种标签的训练模型。
在获取了SVM多分类故障诊断模型后,即可导入归一化后的测试样本集进行故障诊断,为了正确的测试模型的有效性,测试样本不能是训练样本的一部分,而是重新采集的样本数据集,因此在4种工况下再采集900组数据作为测试数据,并将数据顺序打乱,选取100组工况3数据插入工况1的数据中;选取50组工况4数据插入工况2数据组中,进行测试,测试结果如图4所示,符合预期结果。
如图5所示,支持向量机算法是一种分类方法。支持向量的本质就是支持或者支撑平面上把两类类别划分开来的超平面的向量点,故可以把支持向量机认为是一种最大间隔分类器。网络样本集经过特征提取后可描述为特征集{(x1,y1),(x2,y2),...,(xD,yD)},其中xi∈R8,为第i次采样后的特征样本,yi为标记,D为样本数量。如图4为点到超平面的几何间隔,对应的为x0,由于w是垂直于超平面的一个向量,γ为样本x到分类间隔的距离,我们有
超平面为y(w·x+b)=0,能够以最大间距将距离超平面最近的样本分类。
该分类问题的目标函数为:
上式等价于
则将原函数转化为凸优化求解问题,并引入松弛变量和核函数,构建凸二次规划问题
li为拉格朗日乘子,C为惩罚因子,H(xi,xj)为采用的核函数。典型的核函数可采用线性核函数,多项式核函数,高斯核函数,sigmoid核函数。求解后可得决策函数:
本文核函数选择高斯核函数,该函数公式如下:
其中,x,y为对应的样本或向量,||x-y||表示向量的范数,γ表示两个向量之间的关系,是一个需要预先设定的参数。
在实施例中,列车MVB通信网络故障定位步骤S3包括:
故障节点发出的故障从帧都有对应的主帧,根据主帧确定故障从帧端口地址;
通过MVB通信协议,结合通信节点设备端口地址表,根据端口地址确定发出故障从帧的故障通信设备;
根据故障通信设备分布,通过列车MVB通信网络拓扑图定位出故障节点位置。
在具体实施中,三种故障工况分别选取了网络总线上不同的设备节点之间进行故障模拟,故障节点发出的每一组故障从帧之前都会有一帧主帧,我们可以根据主帧来判断从帧的端口地址,根据MVB通信协议的规定,每个设备节点都有各自不同的端口地址,根据设备端口地址表,可以判断出该故障从帧来源于哪个设备。根据故障设备的分布,可以根据网络拓扑图定位出故障发生在哪几个设备节点之间。
其中,在列车MVB网络通信中,报文由主帧以及为响应此主帧而送出的从帧组成。主帧由主设备CCU发出,各个子设备根据主帧端口地址响应匹配的从帧,在总线任何位置的一个报文的时序如图2所示。根据这一特点,我们可以推断出失真的从帧是从哪个子设备发送出来,并根据网络拓扑图确定该设备位置。
实施例二
下面结合图6解释说明网络故障诊断定位流程步骤,图6是根据本申请实施例的网络故障诊断定位流程图。如图6所示,详细路程步骤为如下:
步骤1,采集获得多种工况下的物理层波形,提取物理层波的特征值后,对特征值进行处理获得MVB数据集;
步骤2,根据MVB数据集构建SVM多分类模型后,通过SVM多分类模型对列车MVB通信网络进行故障诊断,根据故障诊断结果计算获得故障数据分类的决策值;
步骤3,根据所述决策值确定故障数据对应的数据分类标签,然后根据数据分类标签确定故障类型;
步骤4,对物理层波形进行解析获得故障节点发出的故障从帧的端口地址即端口号后,根据端口所属的故障通信设备,根据故障通信设备通过列车MVB通信网络拓扑图定位出故障节点位置。
实施例三
本实施例还提供了列车MVB通信网络故障诊断和定位系统。图7是根据本申请实施例的网络故障诊断系统的总体结构框图;图8是本发明的列车MVB通信网络故障诊断和定位系统的结构示意图。如图7至图8所示,发明的列车MVB通信网络故障诊断和定位系统,适用于上述的列车MVB通信网络故障诊断和定位方法,列车MVB通信网络故障诊断和定位系统包括:
MVB数据集获取单元51:通过NHM采集获得多种工况下的物理层波形,提取物理层波的特征值后,对特征值进行处理获得MVB数据集;
列车MVB通信网络故障诊断单元52:根据MVB数据集构建SVM多分类模型后,通过SVM多分类模型对列车MVB通信网络进行故障诊断,根据故障诊断结果计算获得故障数据分类的决策值后,根据决策值确定故障数据对应的故障类型;
列车MVB通信网络故障定位单元53:对物理层波形进行解析获得故障节点发出的故障从帧的端口地址后,根据端口地址确定发出故障从帧的故障通信设备,根据故障通信设备通过列车MVB通信网络拓扑图定位出故障节点位置。
在实施例中,MVB数据集获取单元51包括:
通过所述NHM采集CCU与通信设备之间的所述物理层波形;
所述NHM通过WTD将所述MVB数据集无线传输到地面服务器。
在实施例中,列车MVB通信网络故障诊断单元52包括:
地面服务器将MVB数据集传输给地面网络软件后,根据MVB数据集构建SVM多分类模型。
在具体实施中,图7为网络故障诊断系统的总体结构框图,整个系统分为地面和车载两部分:车载端为网络故障诊断模块,地面端为列车网络故障管理系统,地面网络故障管理系统由地面服务器与网络故障诊断软件组成。车载网络状态监测模块主要实现列车通信网网络MVB波形的采集,地面网络故障诊断软件实现网络故障诊断和定位,CCU为整个网络系统的控制和管理设备,负责整个网络系统的通信管理,系统功能控制、诊断等功能。列车通信总线为所有子系统设备留有标准的通信接口,并具有成熟可靠的接口通讯规范,每个设备都有各自的通讯端口地址,使得所有车辆子系统能可靠接入。CCU控制所有周期信息的发送,其他从设备只能在该主设备控制下发送信息,每个从设备节点都有各自的端口地址,每个端口地址都有固定的刷新周期,周期信息与设备状态的传输相关联,在总线的周期相内周期性重复发送,无须目标设备确认。
通过提取这四种工况下的波形数据计算波形数据特征值得到每种工况的特征数据集,用来训练SVM分类模型,就可以诊断出列车网络是否正常,当网络故障时,可以根据分类模型判断出故障种类,通过解析波形可得到端口号,根据端口号可确定所属设备,再通过列车网络拓扑图定位出该设备位置。
综上所述,本发明涉及列车MVB通信网络故障诊断和定位方法及系统,解决了以往列车网络故障排查困难、需要多人持设备上车互相配合查找故障的问题,售后人员可根据诊断结果在小范围内有针对性的查找故障,很大程度减轻了售后人员的工作量,节省了人力成本并缩短了故障排查时间。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求的保护范围为准。
Claims (10)
1.列车MVB通信网络故障诊断和定位方法,其特征在于,所述列车MVB通信网络故障诊断和定位方法包括:
MVB数据集获取步骤:采集获得多种工况下的物理层波形,提取所述物理层波的特征值后,对所述特征值进行处理获得MVB数据集;
列车MVB通信网络故障诊断步骤:根据所述MVB数据集构建SVM多分类模型后,通过所述SVM多分类模型对列车MVB通信网络进行故障诊断,根据故障诊断结果计算获得故障数据分类的决策值后,根据所述决策值确定故障数据对应的故障类型;
列车MVB通信网络故障定位步骤:对所述物理层波形进行解析获得故障节点发出的故障从帧的端口地址后,根据所述端口地址确定发出所述故障从帧的故障通信设备,根据所述故障通信设备通过列车MVB通信网络拓扑图定位出故障节点位置。
2.根据权利要求1所述的列车MVB通信网络故障诊断和定位方法,其特征在于,所述MVB数据集获取步骤包括:
采集获得所述列车MVB通信网络在正常工况下和故障工况下的所述物理层波形。
3.根据权利要求1所述的列车MVB通信网络故障诊断和定位方法,其特征在于,所述列车MVB通信网络故障诊断步骤包括:
对所述MVB数据集进行顺序随机排布后,分多次对排布后的MVB数据集进行训练与测试,以训练精确度为指标,结合网络搜索法获得最优参数后,对所述最优参数进行训练获得所述SVM多分类模型。
4.根据权利要求1所述的列车MVB通信网络故障诊断和定位方法,其特征在于,所述列车MVB通信网络故障诊断步骤还包括:
根据所述决策值确定所述故障数据分类的标签后,根据所述标签确定所述故障数据对应的所述故障类型。
5.根据权利要求1所述的列车MVB通信网络故障诊断和定位方法,其特征在于,所述列车MVB通信网络故障定位步骤包括:
所述故障节点发出的所述故障从帧都有对应的主帧,根据所述主帧确定所述故障从帧所述端口地址。
6.根据权利要求1所述的列车MVB通信网络故障诊断和定位方法,其特征在于,所述列车MVB通信网络故障定位步骤还包括:
通过MVB通信协议,结合通信节点设备端口地址表,根据所述端口地址确定发出所述故障从帧的所述故障通信设备。
7.根据权利要求1所述的列车MVB通信网络故障诊断和定位方法,其特征在于,所述列车MVB通信网络故障定位步骤还包括:
根据故障通信设备分布,通过所述列车MVB通信网络拓扑图定位出所述故障节点位置。
8.列车MVB通信网络故障诊断和定位系统,其特征在于,所述列车MVB通信网络故障诊断和定位系统包括:
MVB数据集获取单元:通过NHM采集获得多种工况下的物理层波形,提取所述物理层波的特征值后,对所述特征值进行处理获得MVB数据集;
列车MVB通信网络故障诊断单元:根据所述MVB数据集构建SVM多分类模型后,通过所述SVM多分类模型对列车MVB通信网络进行故障诊断,根据故障诊断结果计算获得故障数据分类的决策值后,根据所述决策值确定故障数据对应的故障类型;
列车MVB通信网络故障定位单元:对所述物理层波形进行解析获得故障节点发出的故障从帧的端口地址后,根据所述端口地址确定发出所述故障从帧的故障通信设备,根据所述故障通信设备通过列车MVB通信网络拓扑图定位出故障节点位置。
9.根据权利要求8所述的列车MVB通信网络故障诊断和定位系统,其特征在于,所述MVB数据集获取单元包括:
通过所述NHM采集CCU与通信设备之间的所述物理层波形;
所述NHM通过WTD将所述MVB数据集无线传输到地面服务器。
10.根据权利要求9所述的列车MVB通信网络故障诊断和定位系统,其特征在于,所述列车MVB通信网络故障诊断单元包括:
所述地面服务器将所述MVB数据集传输给地面网络软件后,根据所述MVB数据集构建所述SVM多分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310402049.9A CN116489000A (zh) | 2023-04-14 | 2023-04-14 | 列车mvb通信网络故障诊断和定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310402049.9A CN116489000A (zh) | 2023-04-14 | 2023-04-14 | 列车mvb通信网络故障诊断和定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116489000A true CN116489000A (zh) | 2023-07-25 |
Family
ID=87226212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310402049.9A Pending CN116489000A (zh) | 2023-04-14 | 2023-04-14 | 列车mvb通信网络故障诊断和定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116489000A (zh) |
-
2023
- 2023-04-14 CN CN202310402049.9A patent/CN116489000A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109347668B (zh) | 一种服务质量评估模型的训练方法及装置 | |
JP7116103B2 (ja) | 光モジュールの故障を予測するための方法、装置、およびデバイス | |
CN108985279B (zh) | 多功能车辆总线mvb波形的故障诊断方法及装置 | |
CN109783552A (zh) | 一种数据清洗修复方法 | |
CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
CN108199891B (zh) | 一种基于人工神经网络多角度综合决策的cps网络攻击辨识方法 | |
CN112345874B (zh) | 一种基于5g的实验室仪器设备在线故障诊断方法及系统 | |
CN109783553A (zh) | 一种配电网海量数据质量提升系统 | |
CN114629802A (zh) | 一种基于业务感知的电力通信骨干网络质量评估方法 | |
CN114460439A (zh) | 一种数字集成电路测试系统 | |
CN110188837A (zh) | 一种基于模糊神经的mvb网络故障诊断方法 | |
CN115877198A (zh) | 基于边缘计算的一二次融合开关故障诊断预警系统 | |
CN115460647A (zh) | 基于eSIM卡和5G基站的物联网故障定位方法及系统 | |
US20220137119A1 (en) | Method and Testing Device | |
CN106646106B (zh) | 基于变点探测技术的电网故障检测方法 | |
CN117081906A (zh) | 一种电力设备故障监测系统、方法及存储介质 | |
CN116489000A (zh) | 列车mvb通信网络故障诊断和定位方法及系统 | |
CN115587312B (zh) | 一种基于多维大数据分析的故障点定位方法和系统 | |
CN111456915A (zh) | 风机机舱内部部件的故障诊断装置及方法 | |
CN111988192A (zh) | 一种基于机器学习的列车通信网络故障诊断方法 | |
CN109389313A (zh) | 一种基于加权近邻决策的故障分类诊断方法 | |
CN110544182A (zh) | 一种基于机器学习技术的配电通信网融合控制方法及系统 | |
Wang | A Method of Fault Diagnosis and Location for Train MVB Communication Network | |
CN115277294B (zh) | 一种差分总线在线健康诊断方法及系统 | |
CN114418036B (zh) | 神经网络的性能测试和训练方法、设备和存储介质 |
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 |