CN116595319A - 应用于轨道交通电机健康状态评估的预测方法及系统 - Google Patents

应用于轨道交通电机健康状态评估的预测方法及系统 Download PDF

Info

Publication number
CN116595319A
CN116595319A CN202310579021.2A CN202310579021A CN116595319A CN 116595319 A CN116595319 A CN 116595319A CN 202310579021 A CN202310579021 A CN 202310579021A CN 116595319 A CN116595319 A CN 116595319A
Authority
CN
China
Prior art keywords
evaluation
data
prediction
weight
rail transit
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
CN202310579021.2A
Other languages
English (en)
Inventor
周治国
周学华
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202310579021.2A priority Critical patent/CN116595319A/zh
Publication of CN116595319A publication Critical patent/CN116595319A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及轨道交通技术领域，具体涉及应用于轨道交通电机健康状态评估的预测方法及系统，包括以下步骤：获取原始数据并依次对该原始数据进行异常值清洗和数据格式修正；数据输入到预测算法网络之中，利用特征学习能力对时序信号中前后连续的局部依赖关系进行提取，并完成序列的预测；对预测后的数据，基于多门限阈值划分真实和预测数据中每个评价值的统计概率生成评价集，同时通过层次分析法生成权重集；将评价集和权重集输入模糊综合评估，通过自底向上的评估得到最终健康得分。本发明解决了实时评估风险防范价值不高的问题，大大提高了监控系统对任务决策和避险的指导价值。

Description

应用于轨道交通电机健康状态评估的预测方法及系统
技术领域
本发明涉及轨道交通技术领域，具体涉及应用于轨道交通电机健康状态评估的预测方法及系统。
背景技术
电机设备是列车动力系统的主要组成部分，是关乎列车安全最为重要的部件。电机组的牵引功率高达数千KW的功率，单个电机也有数百KW的功率。电力设备的零部件容易磨损，电气设备易受到环境因素的影响而产生潜在的故障源。列车一旦出现故障，所造成的经济损失、人员伤亡难以估量。
列车的运行状态关乎车辆的安全和人员的生命安全问题，电机设备的健康评估研究对交通风险防范有重要的意义。目前，针对于电机设备的PHM技术手段主要包括：故障诊断、故障隔离、健康评估等。在技术执行阶段又分为人工检修和通过信号处理、数理统计、深度学习等方法进行的异常检测和健康评估。
现有技术存在以下缺陷：
大量依赖于专家系统会导致主观经验占为主导，对于快速发展的现代设备来说，故障模式在快速的更迭，基于人工难以实现快速的分析和预判，在产品新旧更迭之时基于专家经验评估健康状态效果并不理想基于实时数据所做的推理和评估不能反映将来的趋势，对于任务执行决策的指导意义十分有限。
目前针对于列车的状态研究大多集中于实时状态，经过数据预处理、数据测算、异常检测等步骤形成评估结果，在一定程度上具有明显的评估延迟，对于决策人员的参考价值十分有限。
同时现代设备的层级复杂，系统、部件之间的关联性强，对于单个信号或同级的信号进行预测、评估并不能全面的反映所研究对象的状态，在实际工程落地时会存在虚警、误警的问题。
其次，目前的方法多集中于同一个设备在具体的环境条件下的状态，不具备较好的通用性，针对于异构的数据类型也很难做到精确的评估，通用的模块化平台可以根据不同的部件特点更换其中模块所包含的方法，使得适配性大大提高。
发明内容
针对现有技术的不足，本发明公开了一种应用于轨道交通电机健康状态评估的预测方法及系统，用于上述问题。
本发明通过以下技术方案予以实现：
第一方面，本发明提供了一种应用于轨道交通电机健康状态评估的预测方法，包括以下步骤：
S1获取原始数据并依次对该原始数据进行异常值清洗和数据格式修正；
S2数据输入到预测算法网络之中，利用特征学习能力对时序信号中前后连续的局部依赖关系进行提取，并完成序列的预测；
S3对预测后的数据，基于多门限阈值划分真实和预测数据中每个评价值的统计概率生成评价集，同时通过层次分析法生成权重集；
S4将评价集和权重集输入模糊综合评估，通过自底向上的评估得到最终健康得分。
更进一步的，所述S1中，对原始数据进行修正数据格式，缺失值处理和振动数据的频域变换。
更进一步的，所述S2中，基于VSCODE平台，TensorFlow框架，将电机的转速、振动、电流的多个传感器采样数据输入到预测算法网络之中，通过特征学习能力对时序信号中前后连续的局部依赖关系进行提取，并完成序列的预测。
更进一步的，所述S2中，基于LSTM、WMA、GRU预测方法，通过实际的算法实验得到各类方法对短、长数据的适用性；
所述LSTM方法中，遗忘门函数为：
ft＝σ(Wf·(ht-1,xt)+bf)
输入门输出：
it＝σ(Wi·(ht-1,xt)+bi)
候选向量为：
受候选向量影响状态更新：
过滤后输出函数为：
ot＝σ(Wo·(ht-1,xt)+bo)
ht＝ot*tanh(ct)
所述WMA方法中，移动平均算法公式如下表示：
其中，Ft为对下一期的预测值；n为移动平均的时期个数；At-1为前期实际值；At-2,At-3和At-n分别表示前两期、前三期直至前n期的实际值；
加权移动平均模型如下公式所示
w1+w2+…+wn＝1
其中wi为权重系数，和为1。
更进一步的，所述S3中，评价集生成方法结合电机运行的实际经验，以正常条件下理想的信号状态为基准；
根据专家经验评语集设为：M＝{优秀，良好，正常，坏，恶化}，分别对应各颜色区块；故障条件发生前的信号的平均波形幅度为A，测试数据总采样点为N，基准波形上下界阈值分别设为Ui,Di(0＜i＜＝4)，各阈值区间的点数为ni；各状态区间设为代表状态优秀，/>代表状态良好以此类推：
评价集矩阵每个单项评价P由预测数据每个采样点进行状态区间统计，按照区间概率进行百分比打分：
更进一步的，所述S3中，权重分析基于层次分析法，分析决策的系统分解为总目标、各层子目标、评价准则，多层级多指标的对复杂系统进行权重的模糊量化；权重集生成基于权重分析模块，生成模糊综合评价中所需的权重矩阵。
更进一步的，所述权重集中，运用层次分析法构造火箭发动机振动信号模型并求解每一类因素的权重时，包括如下步骤：
根据电机信号类别和批次建立层次模型；
基于历史统计和专家经验，按照同级别中因素两两权重关系构建判断矩阵，也称为正互反矩阵：
其中aij＞0，aij×aji＝1；
根据准则Aijw＝λw计算正互反矩阵的最大特征根λmax和特征向量w，便于后续计算；
归一化特征向量，分别计算每一层中所包含的所有元素的权重值:
对矩阵进行一致性检验，其中检验人工判断矩阵的可信度，若出现元素两两权重关系的矛盾，则一致性检验不通过，增加引入人工赋权正互反矩阵的结果可信度,一致性指标：
对应的随即平均一致性指标为RI＝0.52，因此一致性比例为：
当CR<0.1时则视为通过检验，其中n为建立的系统层级阶数；
生成主观权重向量。
更进一步的，所述S4中，模糊综合评估方法的评估步骤如下：
建立研究目标的总体架构，创建多层级结构，便于后续自底向上评估；
根据实际对象建立评语集M＝m1,m2Lmn
获取各层级中因素的权重矩阵W、以及底层信号的评价矩阵V；
进行模糊评价运算，得到目标层的模糊评价向量:
B＝VgW
并将该向量归一化处理；
根据工程所需，赋给每一类评价所能获取的分数，生成分数向量F；
统计健康分数，即为该系统的健康程度。
第二方面，本发明提供了一种应用于轨道交通电机健康状态评估的预测系统，所述系统用于实现第一方面所述的应用于轨道交通电机健康状态评估的预测方法，包括数据预处理模块、数据预测模块、评价集生成模块、权重集生成模块和模糊综合评价模块。
更进一步的，所述数据预处理模块用于对于原始数据的异常值清洗和数据格式修正；
所述数据预测模块用于通过实际的算法实验得到各类方法对短、长数据的适用性；
所述评价集生成模块结合主观经验和客观数据分析，基于多门限阈值划分真实和预测数据中每个评价值的统计概率，作为模糊综合评价的输入；
所述权重集生成模块用于基于权重分析模块，生成模糊综合评价中所需的权重矩阵；
所述模糊综合评价模块将预测结果的评价集和权重集输入，通过自底向上的评估得到最终健康得分。
本发明的有益效果为：
本发明在数据预测的基础上进行整系统的模糊评估，解决了实时评估风险防范价值不高的问题，大大提高了监控系统对任务决策和避险的指导价值。
本发明设计了一个通用模块化的预测评估系统，根据不同的数据类型选用不同的预测方法，解决了算法针对不同数据类型预测精度差距过大的问题，使得整个系统更具备适配性。
本发明针对于轨道交通电机复杂系统、其中各种零件的信息都是模糊的，通过外显的信号表征，通过模糊评估方法得到整体系统的健康值，并有极高的评估准确度。
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是一种应用于轨道交通电机健康状态评估的预测系统原理图；
图2是本发明实施例评价集生成方法示例图；
图3是本发明实施例以LSTM为例的预测网络结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
实施例1
本实施例提供一种应用于轨道交通电机健康状态评估的预测方法，包括以下步骤：
S1获取原始数据并依次对该原始数据进行异常值清洗和数据格式修正；
S2数据输入到预测算法网络之中，利用特征学习能力对时序信号中前后连续的局部依赖关系进行提取，并完成序列的预测；
S3对预测后的数据，基于多门限阈值划分真实和预测数据中每个评价值的统计概率生成评价集，同时通过层次分析法生成权重集；
S4将评价集和权重集输入模糊综合评估，通过自底向上的评估得到最终健康得分。
本实施例方法不需要专业维修人员进行事前的检修，仅需在多次测试中获得部件之间对健康状态的影响权重关系。在最大程度上减少了对人工经验的依赖。同时对比其他理论方法，引入人工经验可以增强其适用性，更适合方法落地。
本实施例中，随着人工智能等技术的逐渐发展，在数据挖掘效率、准确率上都有了巨大的进展。因此将人工智能技术应用于PHM领域已经是科技发展的必然途径。本实施例基于人工智能技术对历史数据进行预测，能够达到6：1的历史和预测数据比例，对于后续的任务决策有重要意义。
本实施例方法提出多层多因素的思路，结合列车的转速、电流、振动三种关键数据类型，同时每种数据类型采集多个部件的传感器数据，达到子因素层，因素层，顶端健康评估的三层结构。对于列车电机典型模糊环境而言，现有方法对于单一部件，单一数据变量的检测、评估对于整体健康状态的评估效果不足。
本实施例提出模块化设计方案，根据在数据预测阶段，针对于异构的数据，采用不同的数据预测方法，在权重生成阶段，可以替换评估对象的正互反矩阵，在模糊评估阶段，可以更替因素、层的个数。针对于不同型号的电机或者其他的工业设备都有良好的适用性。
实施例2
在实施例1的基础上，参照图1所示，本实施例提供一种应用于轨道交通电机健康状态评估的预测系统，包括数据预处理模块、数据预测模块、评价集生成模块、权重集生成模块和模糊综合评价模块。
本实施例数据预处理模块用于对于原始数据的异常值清洗和数据格式修正；
本实施例数据预测模块用于通过实际的算法实验得到各类方法对短、长数据的适用性；
本实施例评价集生成模块结合主观经验和客观数据分析，基于多门限阈值划分真实和预测数据中每个评价值的统计概率，作为模糊综合评价的输入；
本实施例权重集生成模块用于基于权重分析模块，生成模糊综合评价中所需的权重矩阵；
本实施例模糊综合评价模块将预测结果的评价集和权重集输入，通过自底向上的评估得到最终健康得分。
实施例3
在实施例2的基础上，本实施例进行进一步细化说明，数据预处理：完成对于原始数据的异常值清洗和数据格式修正，是振动信号趋势预测的前序步骤，主要步骤包括：修正数据格式，缺失值处理，振动数据的频域变换；
参照图2所示，本实施例数据预测基于多种预测方法：LSTM、WMA、GRU，通过实际的算法实验得到各类方法对短、长数据的适用性。基于VSCODE平台，TensorFlow框架，将电机的转速、振动、电流的多个传感器采样数据输入到预测算法网络之中，凭借计算机强大的特征学习能力对时序信号中前后连续的局部依赖关系进行提取，并完成序列的预测，采用多种算法进行预测对比最后的评估结果也可以体现本方法的模块化通用性的特点；
作为本实施例的一种优选，参照图3所示LSTM方法由递归神经网络(RecurrentNeural Network,RNN)方法展开。由于运载火箭在多种振动条件下测试，采集数据处于动态变化，数据前后的关联信息是数据趋势预测的关键，长短记忆网络相比于RNN方法，提高了长期数据的预测能力，同时解决了RNN方法数据训练过程中存在的梯度爆炸和梯度消失问题。
其中某一时刻的遗忘门函数为：
ft＝σ(Wf·(ht-1,xt)+bf)
输入门输出：
it＝σ(Wi·(ht-1,xt)+bi)
候选向量为：
受候选向量影响状态更新：
过滤后输出函数为：
ot＝σ(Wo·(ht-1,xt)+bo)
ht＝ot*tanh(ct)
作为本实施例的一种优选移动平均(Moving Average,MA),又称移动平均线，是技术分析中一种分析时间序列的常用工具。常见的移动平均包括简单移动平均(SimpleMoving Average,SMA)、权重移动平均(Weight Moving Average,WMA)和指数移动平均(Exponential Moving Average,EMA)。其中简单移动平均算法公式如下表示：
其中，Ft为对下一期的预测值；n为移动平均的时期个数；At-1为前期实际值；At-2,At-3和At-n分别表示前两期、前三期直至前n期的实际值。
加权移动平均模型如下公式所示
w1+w2+…+wn＝1
其中wi为权重系数，和为1。
相同的，可以替换的算法还有ARIMA、Lightgbm等。
本实施例评价集生成：评价集作为健康评估的评价指标，结合主观经验和客观数据分析得来，基于多门限阈值划分真实和预测数据中每个评价值的统计概率，作为模糊综合评价的输入。
本实施例评价集生成方法主要结合电机运行的实际经验，以正常条件下理想的信号状态为基准。理想状态时采集器为幅度波动较小的平稳信号，为简化计算，波动范围较所设定的阈值可以忽略。
本实施例根据专家经验评语集设为：M＝{优秀，良好，正常，坏，恶化}，分别对应各颜色区块。(如图二)故障条件发生前的信号的平均波形幅度为A，测试数据总采样点为N，基准波形上下界阈值分别设为Ui,Di(0＜i＜＝4)，各阈值区间的点数为ni。各状态区间设为 代表状态优秀，/>代表状态良好以此类推：
评价集矩阵每个单项评价P由预测数据每个采样点进行状态区间统计，按照区间概率进行百分比打分：
本实施例权重集生成：权重分析基于层次分析法(AHP)，分析决策的系统分解为总目标、各层子目标、评价准则，多层级多指标的对复杂系统进行权重的模糊量化；权重集生成基于权重分析模块，生成模糊综合评价中所需的权重矩阵；
运用层次分析法构造火箭发动机振动信号模型并求解每一类因素的权重时，大体分为如下步骤：
根据电机信号类别和批次建立层次模型；
基于历史统计和专家经验，按照同级别中因素两两权重关系构建判断矩阵，也称为正互反矩阵：
其中aij＞0，aij×aji＝1；
例如：
根据准则Aijw＝λw计算正互反矩阵的最大特征根λmax和特征向量w，便于后续计算；
归一化特征向量，分别计算每一层中所包含的所有元素的权重值:
对矩阵进行一致性检验，其中检验人工判断矩阵的可信度，若出现元素两两权重关系的矛盾，则一致性检验不通过，增加引入人工赋权正互反矩阵的结果可信度,一致性指标：
对应的随即平均一致性指标为RI＝0.52，因此一致性比例为：
当CR<0.1时则视为通过检验，其中n为建立的系统层级阶数。
生成主观权重向量：每一层，每一组信号变量都会存在一组权重向量，按照上述方法计算
模糊综合评估：电机是典型的模糊环境，系统内部的细节难以拟合和数理定性。将预测结果的评价集、权重集输入，考虑多因素的影响，通过自底向上的评估可以得到最终健康得分
模糊综合评估方法的评估步骤如下：
建立研究目标的总体架构，创建多层级结构，便于后续自底向上评估；
根据实际对象建立评语集M＝m1,m2Lmn
获取各层级中因素的权重矩阵W、以及底层信号的评价矩阵V；
进行模糊评价运算，得到目标层的模糊评价向量:
B＝VgW
并将该向量归一化处理；
根据工程所需，赋给每一类评价所能获取的分数，生成分数向量F；
统计健康分数，即为该系统的健康程度。
本实施例进行模块化的评估流程：区别于现有方法，本方法流程具有唯一性，提供了一整套针对于模糊环境的健康状态评估流程。
本实施例进行多层多因素的评估结构划分：本方法提出对模糊环境的不同部件、异构数据采用多层多因素的结构划分，适合于复杂模糊环境，最大化的模拟整体的健康评估结果。
本实施例进行预测评估：本方法基于列车运行时的历史数据，通过对历史数据的预测结果分析作为综合模糊综合评估方法的输入之一。对实时数据的评估风险防范价值欠缺，对未来趋势的判断能提高机组人员的决策能力。
本实施例进行评价集生成方法：提供了一套基于理想基准数据的评价集生成方法，常用方法对预测的误差，例如均方根误差进行隶属度函数计算，一次预测结果可以到1-3个评价的概率值。专题提供的方法是基于理想基准数据和预测数据进行数理统计，将不同阈值内的采样点统计出概率，等到各个评价的具体数值。
本实施例进行人工经验的引入：方法在两个阶段引入了人工经验，其一，因素之间的正互反矩阵，代表了不同因素对于整体系统健康状态的影响权重；其二，评价集统计时的阈值划分。仅需测试条件中的人工经验即可达到对列车实际运行时的状态评估。
综上所述，本发明在数据预测的基础上进行整系统的模糊评估，解决了实时评估风险防范价值不高的问题，大大提高了监控系统对任务决策和避险的指导价值。
本发明设计了一个通用模块化的预测评估系统，根据不同的数据类型选用不同的预测方法，解决了算法针对不同数据类型预测精度差距过大的问题，使得整个系统更具备适配性。
本发明针对于轨道交通电机复杂系统、其中各种零件的信息都是模糊的，通过外显的信号表征，通过模糊评估方法得到整体系统的健康值，并有极高的评估准确度。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种应用于轨道交通电机健康状态评估的预测方法，其特征在于，包括以下步骤：
S1获取原始数据并依次对该原始数据进行异常值清洗和数据格式修正；
S2数据输入到预测算法网络之中，利用特征学习能力对时序信号中前后连续的局部依赖关系进行提取，并完成序列的预测；
S3对预测后的数据，基于多门限阈值划分真实和预测数据中每个评价值的统计概率生成评价集，同时通过层次分析法生成权重集；
S4将评价集和权重集输入模糊综合评估，通过自底向上的评估得到最终健康得分。
2.根据权利要求1所述的应用于轨道交通电机健康状态评估的预测方法，其特征在于，所述S1中，对原始数据进行修正数据格式，缺失值处理和振动数据的频域变换。
3.根据权利要求1所述的应用于轨道交通电机健康状态评估的预测方法，其特征在于，所述S2中，基于VSCODE平台，TensorFlow框架，将电机的转速、振动、电流的多个传感器采样数据输入到预测算法网络之中，通过特征学习能力对时序信号中前后连续的局部依赖关系进行提取，并完成序列的预测。
4.根据权利要求3所述的应用于轨道交通电机健康状态评估的预测方法，其特征在于，所述S2中，基于LSTM、WMA、GRU预测方法，通过实际的算法实验得到各类方法对短、长数据的适用性；
所述LSTM方法中，遗忘门函数为：
ft＝σ(Wf·(ht-1,xt)+bf)
输入门输出：
it＝σ(Wi·(ht-1,xt)+bi)
候选向量为：
受候选向量影响状态更新：
过滤后输出函数为：
ot＝σ(Wo·(ht-1,xt)+bo)
ht＝ot*tanh(ct)
所述WMA方法中，移动平均算法公式如下表示：
其中，Ft为对下一期的预测值；n为移动平均的时期个数；At-1为前期实际值；At-2,At-3和At-n分别表示前两期、前三期直至前n期的实际值；
加权移动平均模型如下公式所示
w1+w2+…+wn＝1
其中wi为权重系数，和为1。
5.根据权利要求1所述的应用于轨道交通电机健康状态评估的预测方法，其特征在于，所述S3中，评价集生成方法结合电机运行的实际经验，以正常条件下理想的信号状态为基准；
根据专家经验评语集设为：M＝{优秀，良好，正常，坏，恶化}，分别对应各颜色区块；故障条件发生前的信号的平均波形幅度为A，测试数据总采样点为N，基准波形上下界阈值分别设为Ui,Di(0＜i＜＝4)，各阈值区间的点数为ni；各状态区间设为代表状态优秀，/>代表状态良好以此类推：
评价集矩阵每个单项评价P由预测数据每个采样点进行状态区间统计，按照区间概率进行百分比打分：
6.根据权利要求5所述的应用于轨道交通电机健康状态评估的预测方法，其特征在于，所述S3中，权重分析基于层次分析法，分析决策的系统分解为总目标、各层子目标、评价准则，多层级多指标的对复杂系统进行权重的模糊量化；权重集生成基于权重分析模块，生成模糊综合评价中所需的权重矩阵。
7.根据权利要求6所述的应用于轨道交通电机健康状态评估的预测方法，其特征在于，所述权重集中，运用层次分析法构造火箭发动机振动信号模型并求解每一类因素的权重时，包括如下步骤：
根据电机信号类别和批次建立层次模型；
基于历史统计和专家经验，按照同级别中因素两两权重关系构建判断矩阵，也称为正互反矩阵：
其中aij＞0，aij×aji＝1；
根据准则Aijw＝λw计算正互反矩阵的最大特征根λmax和特征向量w，便于后续计算；
归一化特征向量，分别计算每一层中所包含的所有元素的权重值:
对矩阵进行一致性检验，其中检验人工判断矩阵的可信度，若出现元素两两权重关系的矛盾，则一致性检验不通过，增加引入人工赋权正互反矩阵的结果可信度,一致性指标：
对应的随即平均一致性指标为RI＝0.52，因此一致性比例为：
当CR<0.1时则视为通过检验，其中n为建立的系统层级阶数；
生成主观权重向量。
8.根据权利要求1所述的应用于轨道交通电机健康状态评估的预测方法，其特征在于，所述S4中，模糊综合评估方法的评估步骤如下：
建立研究目标的总体架构，创建多层级结构，便于后续自底向上评估；
根据实际对象建立评语集M＝m1,m2Lmn
获取各层级中因素的权重矩阵W、以及底层信号的评价矩阵V；
进行模糊评价运算，得到目标层的模糊评价向量：
B=VgW
并将该向量归一化处理；
根据工程所需，赋给每一类评价所能获取的分数，生成分数向量F；
统计健康分数，即为该系统的健康程度。
9.一种应用于轨道交通电机健康状态评估的预测系统，所述系统用于实现如权利要求1-8任一项所述的应用于轨道交通电机健康状态评估的预测方法，其特征在于，包括数据预处理模块、数据预测模块、评价集生成模块、权重集生成模块和模糊综合评价模块。
10.根据权利要求1所述的应用于轨道交通电机健康状态评估的预测系统，其特征在于，所述数据预处理模块用于对于原始数据的异常值清洗和数据格式修正；
所述数据预测模块用于通过实际的算法实验得到各类方法对短、长数据的适用性；
所述评价集生成模块结合主观经验和客观数据分析，基于多门限阈值划分真实和预测数据中每个评价值的统计概率，作为模糊综合评价的输入；
所述权重集生成模块用于基于权重分析模块，生成模糊综合评价中所需的权重矩阵；
所述模糊综合评价模块将预测结果的评价集和权重集输入，通过自底向上的评估得到最终健康得分。
CN202310579021.2A 2023-05-22 2023-05-22 应用于轨道交通电机健康状态评估的预测方法及系统 Pending CN116595319A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310579021.2A CN116595319A (zh) 2023-05-22 2023-05-22 应用于轨道交通电机健康状态评估的预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310579021.2A CN116595319A (zh) 2023-05-22 2023-05-22 应用于轨道交通电机健康状态评估的预测方法及系统

Publications (1)

Publication Number Publication Date
CN116595319A true CN116595319A (zh) 2023-08-15

Family

ID=87611194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310579021.2A Pending CN116595319A (zh) 2023-05-22 2023-05-22 应用于轨道交通电机健康状态评估的预测方法及系统

Country Status (1)

Country Link
CN (1) CN116595319A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116975771A (zh) * 2023-09-25 2023-10-31 苏州保邦电气有限公司 一种用于电机生产的异常自动识别方法及系统
CN117111446A (zh) * 2023-10-25 2023-11-24 苏州保邦电气有限公司 一种磁悬浮飞轮电机模糊pid控制优化方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116975771A (zh) * 2023-09-25 2023-10-31 苏州保邦电气有限公司 一种用于电机生产的异常自动识别方法及系统
CN116975771B (zh) * 2023-09-25 2023-12-08 苏州保邦电气有限公司 一种用于电机生产的异常自动识别方法及系统
CN117111446A (zh) * 2023-10-25 2023-11-24 苏州保邦电气有限公司 一种磁悬浮飞轮电机模糊pid控制优化方法
CN117111446B (zh) * 2023-10-25 2024-01-02 苏州保邦电气有限公司 一种磁悬浮飞轮电机模糊pid控制优化方法

Similar Documents

Publication Publication Date Title
Nasiri et al. Fracture mechanics and mechanical fault detection by artificial intelligence methods: A review
Udo et al. Data-driven predictive maintenance of wind turbine based on SCADA data
Byington et al. Data-driven neural network methodology to remaining life predictions for aircraft actuator components
CN112131212A (zh) 基于集成学习技术面向混合云场景的时序数据异常预测方法
Yan et al. A dynamic multi-scale Markov model based methodology for remaining life prediction
CN116595319A (zh) 应用于轨道交通电机健康状态评估的预测方法及系统
CN112785091B (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
CN109492790A (zh) 基于神经网络与数据挖掘的风电机组健康管理方法
CN111581880A (zh) 基于apso-dbn的滚动轴承剩余寿命预测方法
Wang et al. A remaining useful life prediction model based on hybrid long-short sequences for engines
CN114118138A (zh) 一种基于多标签领域自适应模型的轴承复合故障诊断方法
CN117556347A (zh) 一种基于工业大数据的电力设备故障预测与健康管理方法
Hu et al. A hybrid model for predicting the degradation trend of hydropower units based on deep learning
Soualhi et al. Long-term prediction of bearing condition by the neo-fuzzy neuron
Chen et al. Real-time bearing remaining useful life estimation based on the frozen convolutional and activated memory neural network
Samhouri et al. An intelligent machine condition monitoring system using time-based analysis: neuro-fuzzy versus neural network
Tang et al. Prediction of bearing performance degradation with bottleneck feature based on LSTM network
Mao et al. Comparative study on prediction of fuel cell performance using machine learning approaches
CN113536671B (zh) 一种基于lstm的锂电池寿命预测方法
Dang et al. seq2graph: Discovering dynamic non-linear dependencies from multivariate time series
Niu et al. Machine condition prediction based on long short term memory and particle filtering
Luo et al. A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories
Wang et al. Sensor-data-driven fusion prognostic framework for complex engineered systems
Smeraldo et al. A data-driven approach to fault diagnostics for industrial process plants based on feature extraction and inferential statistics
Li et al. Remaining life prediction of cores based on data-driven and physical modeling methods

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