CN117591926A - 一种铁路道岔多源数据融合状态预警方法及装置 - Google Patents
一种铁路道岔多源数据融合状态预警方法及装置 Download PDFInfo
- Publication number
- CN117591926A CN117591926A CN202311406023.8A CN202311406023A CN117591926A CN 117591926 A CN117591926 A CN 117591926A CN 202311406023 A CN202311406023 A CN 202311406023A CN 117591926 A CN117591926 A CN 117591926A
- Authority
- CN
- China
- Prior art keywords
- data
- curve
- turnout
- time
- real
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000004927 fusion Effects 0.000 title claims abstract description 40
- 230000036541 health Effects 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000006073 displacement reaction Methods 0.000 claims description 34
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 230000001133 acceleration Effects 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 241001669679 Eleotris Species 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 14
- 238000013499 data model Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 13
- 230000009471 action Effects 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 10
- 230000015556 catabolic process Effects 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提出一种铁路道岔多源数据融合状态预警方法,包括,获取铁路道岔的历史多源数据,对历史多源数据进行预处理;根据预处理后的历史多源数据生成用于评估道岔的全生命周期剩余使用寿命曲线;获取铁路道岔的实时感知数据,将实时感知数据与全生命周期剩余使用寿命曲线进行对比,识别各部件所处剩余寿命区间;根据不同部件潜在故障具有不同参数变化的原理,对实时感知数据通过数据驱动获取实时多源数据;结合各部件所处剩余寿命区间、实时多源数据综合判断潜在故障。通过本发明提出的方法,实现了数据‑模型联合驱动的铁路道岔健康状态可靠预警,为降低铁路道岔维修维护成本提供重要手段。
Description
技术领域
本发明属于智能交通领域。
背景技术
铁路道岔系统(RailwayTurnout System,RTS)担负着引导列车转向行驶、确保列车平稳安全运行的重要任务,一旦出现故障就会极大程度影响运输效率甚至危及乘客生命安全。目前,国内在日常维护工作上主要根据维修计划进行周期性保养,这种“计划修”模式无法根据道岔剩余使用寿命(Remaining Useful Life,RUL)进行“状态修”容易造成“欠维护”和“过维护”。在故障诊断和定位工作中,由于集中监测系统报警准确度难以满足要求,智能诊断算法的应用则一直受限于数据不平衡的问题,因此主要依靠人工进行故障排查。提升道岔转换故障智能诊断系统的诊断能力,保证道岔转换设备正常运行,提高维护维修效率,降低运维成本,对保障列车安全运行和提高运输效率具有十分重要的意义,这些也是目前我国重载铁路亟待解决的问题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的目的在于提出一种铁路道岔多源数据融合状态预警方法,用于提升道岔转换故障智能诊断系统的诊断能力。
为达上述目的,本发明第一方面实施例提出了一种铁路道岔多源数据融合状态预警方法,包括:
获取铁路道岔的历史多源数据,对所述历史多源数据进行预处理;
根据预处理后的历史多源数据生成用于评估道岔的全生命周期剩余使用寿命曲线;
获取铁路道岔的实时感知数据,将所述实时感知数据与所述全生命周期剩余使用寿命曲线进行对比,识别各部件所处剩余寿命区间;
根据不同部件潜在故障具有不同参数变化的原理,对所述实时感知数据通过数据驱动获取实时多源数据;
结合所述各部件所处剩余寿命区间、所述实时多源数据综合判断潜在故障。
另外,根据本发明上述实施例的一种铁路道岔多源数据融合状态预警方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述对所述历史多源数据进行预处理,包括:
将历史多源数据进行时间戳对齐、曲线平滑、异常值剔除和数据降采样,其中所述多源数据包括定反位表示杆位移、转换力、转辙机电流、定位油压、反位油压、振动三向加速度和温湿度。
进一步地,在本发明的一个实施例中,所述根据预处理后的历史多源数据生成用于评估道岔的全生命周期剩余使用寿命曲线,包括:
将预处理后的历史多源数据映射到特征空间,生成反映道岔系统健康状态的特征向量,使用自适应特征融合算法赋予每个特征在不同时刻的权值,融合生成特征曲线;
综合单调性、时间相关性和鲁棒性三个度量指标对所述特征曲线进行重要程度排序,选取冗余度最低的特征组合,作为最佳特征组合;
对所述特征组合进行融合,形成与时间有关的数据曲线,所述数据曲线包括每个时刻道岔的综合特征情况;
将n组状态变化为由健康到亚健康,再到故障的历史道岔数据进行处理得到n条包含全周期的生命健康曲线,进一步生成全生命周期剩余使用寿命曲线。
进一步地,在本发明的一个实施例中,所述根据不同部件潜在故障具有不同参数变化的原理,对所述实时感知数据通过数据驱动获取实时多源数据,包括:
当实时感知数据异常时,通过阈值健康判定以及标准值偏离程度排序判断出该异常来源道岔部件;其中,
对于尖轨部件的潜在故障,其异常值出现在转换力、电流和定反位表示杆位移;
对于轨枕部件的潜在故障,其异常值出现在三向加速度、定反位表示杆位移;
对于转辙机的潜在故障,其异常值出现在转换力、电流、油压油位和表示杆位移。
为达上述目的,本发明第二方面实施例提出了一种铁路道岔多源数据融合状态预警装置,包括以下模块:
预处理模块,用于获取铁路道岔的历史多源数据,对所述历史多源数据进行预处理;
构建模块,用于根据预处理后的历史多源数据生成用于评估道岔的全生命周期剩余使用寿命曲线;
评估模块,用于获取铁路道岔的实时感知数据,将所述实时感知数据与所述全生命周期剩余使用寿命曲线进行对比,识别各部件所处剩余寿命区间;
识别模块,用于根据不同部件潜在故障具有不同参数变化的原理,对所述实时感知数据通过数据驱动获取实时多源数据;
预警模块,用于结合所述各部件所处剩余寿命区间、所述实时多源数据综合判断潜在故障。
进一步地,在本发明的一个实施例中,所述预处理模块,还用于:
将历史多源数据进行时间戳对齐、曲线平滑、异常值剔除和数据降采样,其中所述多源数据包括定反位表示杆位移、转换力、转辙机电流、定位油压、反位油压、振动三向加速度和温湿度。
进一步地,在本发明的一个实施例中,所述构建模块,还用于:
将预处理后的历史多源数据映射到特征空间,生成反映道岔系统健康状态的特征向量,使用自适应特征融合算法赋予每个特征在不同时刻的权值,融合生成特征曲线;
综合单调性、时间相关性和鲁棒性三个度量指标对所述特征曲线进行重要程度排序,选取冗余度最低的特征组合,作为最佳特征组合;
对所述特征组合进行融合,形成与时间有关的数据曲线,所述数据曲线包括每个时刻道岔的综合特征情况;
将n组状态变化为由健康到亚健康,再到故障的历史道岔数据进行处理得到n条包含全周期的生命健康曲线,进一步生成全生命周期剩余使用寿命曲线。
进一步地,在本发明的一个实施例中,所述根识别模块,还用于:
当实时感知数据异常时,通过阈值健康判定以及标准值偏离程度排序判断出该异常来源道岔部件;其中,
对于尖轨部件的潜在故障,其异常值出现在转换力、电流和定反位表示杆位移;
对于轨枕部件的潜在故障,其异常值出现在三向加速度、定反位表示杆位移;
对于转辙机的潜在故障,其异常值出现在转换力、电流、油压油位和表示杆位移。
为达上述目的,本发明第三方面实施例提出了一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上所述的一种铁路道岔多源数据融合状态预警方法。
为达上述目的,本发明第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述的一种铁路道岔多源数据融合状态预警方法。
本发明实施例提出的铁路道岔多源数据融合状态预警方法,第一,基于大数据采用智能算法对多源数据进行分析处理,对道岔系统实现整体性检测;第二,通过不断学习更新全生命周期的RUL曲线,全方位的掌握系统健康状态,实时提供诊断结果,达到快速预警的目的,为道岔维护工作提供有效帮助,第三,本系统结合RUL和数据识别两种健康判断方法,提供准确率的同时,大大降低系统虚警率。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例所提供的一种铁路道岔多源数据融合状态预警方法的流程示意图;
图2为本发明实施例所提供的一种系统传感器采集的时序数据曲线示意图;
图3是本发明实施例所提供的一种道岔曲线时间阶段区分示意图,曲线依次为电流、反位表示杆和定位表示杆;
图4是本发明实施例所提供的一种局部加权回归曲线平滑效果图;
图5是本发明实施例所提供的一种决策级数据融合模型;
图6是本发明实施例所提供的一种铁路道岔多源数据融合状态预警装置示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例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例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的铁路道岔多源数据融合状态预警方法。
图1为本发明实施例所提供的一种铁路道岔多源数据融合状态预警方法的流程示意图。
如图1所示,该铁路道岔多源数据融合状态预警方法包括以下步骤:
S101:获取铁路道岔的历史多源数据,对历史多源数据进行预处理;
图2显示的是本发明实施例所采集到的道岔不同运行状态时的多源时序数据,其中三向加速度均为道岔某次过车时同一时刻采集的数据,电流、转换力、油位、定位油压、反位油压、定位表示杆和反位表示杆均为道岔某次转换时同一时刻采集的数据。根据实际情况,三向加速度数据主要用于采集道岔过车时产生的铁轨振动数据,用于分析轨枕的稳固情况。其余七个通道数据均用于采集道岔转换时产生的时序数据,用于分析尖轨和转辙机的工作情况。此外,针对转辙机内的温湿度传感器,其数据作为辅助参数,对系统故障评估具有一定参考意义,当温度过高或湿度过大,应及时触发系统报警,进行人工维护。
设备正常工作时,若道岔未转换且无过车,除温湿度数据通道,其余各采集数据应趋于平稳,在一个固定的稳定值附近波动,稳定值根据不同的道岔类型、转辙机型号和传感器标定值有所不同,波动范围取决于设备精度。本例中,垂向加速度的无负载值为-1,横向和纵向加速度的无负载值为0;电流无输出,定反位油压接近0。表示杆位移根据定反位状态出现交替变换,稳定在零值和-160mm。转换力同样会因定位过程和反位过程的切换呈现不同的稳定值,具体数据不定。
当道岔开始转换时,电流、转换力、油位、油压和表示杆位移数据开始变化。针对转辙机工作情况,将整个道岔转换过程分成解锁阶段、转换阶段和锁闭阶段,可以由电流、定反位表示杆位移曲线共同决定。
解锁阶段:当控制电路接通,道岔开始动作,三相交流电在这一时刻开始被送往室外,三相交流电机得电启动。由于需要强大的拉力进行解锁,电流会在这个瞬间冲击到峰值,对应图2.A相电流中的尖峰,一般为3A至4A,然后又迅速回落达到稳定状态。具体过程为:电动机的旋转经齿轮组及摩擦连接器使滚珠丝杠旋转带动动作齿轮运动,动作齿轮带动动作杆及锁闭杆快速动作。同时,与动作齿条连接的动作杆在一定距离内进行空动,电机负载较小,电流回落。
转换阶段:动作杆拉动尖轨在滑床上移动,当尖轨与基本轨达到密贴要求时,转换阶段结束,这一阶段内电流数据波动较小,表现为一段基本稳定的曲线,其值为1.4A。在尖轨移动过程中,若受到较大阻力,电流值相应也会增大,因此若电流值波动较大,则说明道岔受阻或存在故障。同时,该过程也是道岔缓变故障的主要发生阶段,因此转换阶段是道岔维护工作中的重要关注时间区间。
锁闭阶段:当动作杆及与之相连的检测杆移动到固定位置时,锁闭块弹出,动作杆被固定。同时动作电路被切断,动作电流下降,此时BHJ落下,1DQJ完成缓放过程后落下(在图2电流中的01:49:20后出现一个0.4A的“小台阶”)。至此,道岔动作电流停止记录,转换过程结束。
将传感模块采集到的数据传输给存储设备后,进行下一步的数据预处理。
1)异常值剔除:异常值剔除包含数据采集异常和传输异常。
根据异常曲线特征直接使用阈值法将异常曲线进行剔除。选择曲线特征最为明显的电流数据,通过阈值法快速定位判断曲线是否异常。本例的判断条件为曲线最大值max需大于2A,数值在1.45±0.15A的数据点数大于3100个,数值在0.4±0.1A的数据点数大于200个,由此可以剔除历史数据中的异常曲线。根据筛选出的正常电流曲线所处时间点,可以查找同一次转换时的其他通道数据。同样使用阈值法对表示杆位移和转换力进行快速异常判定。
2)时间戳对齐:由不同传感器采集到的数据流,传输到存储设备之后需要进行时间点对齐,将转换数据曲线和过车数据提取出来。
针对转换数据提取。第一步:确定起止点。道岔转换的起止时间由动作电流的解锁阶段起始时间tb和锁闭阶段结束时间te确定,由此将各参数曲线的完整转换时序数列提取出来。第二步:区分解锁、转换、锁闭三个时间阶段。图2中的定反位表示杆位移代表转换过程的两个表示杆的移动,两条曲线各自存在一个起始移动点和一个终止移动点,在图中已用圆圈标出并标号。值得注意的是,因为动作杆在解锁阶段存在空动,所以四个拐点的时间各不相同。根据出现的前后顺序,可以确定解锁阶段的终点和转换阶段的终点分别为拐点2和拐点3,记为时间toe和tre。因此,三个阶段的时间区段可以区分为:tb至toe为解锁阶段、toe至tre为转换阶段、tre至te为锁闭阶段。
针对过车数据提取,同样可以由数据变化拐点确定振动起始时间点和结束点。
由于电流、位移和三向加速度的曲线拐点较为清晰,因此可以使用差分阈值法进行拐点识别。
过车时的加速度数据时间点识别结果如图2所示,转换时识别的三个时间阶段如图3所示。
3)曲线平滑:传感器采集得到的时序数列往往不能直接用于后续的数据处理,有效的曲线平滑可以去除因传感器的采样频率造成的数值跳变以及减少噪声影响,更加直观的反映出时序数列真实的变化趋势。采用局部加权回归(Lowess)算法对曲线进行平滑,该算法的中心思想是每个点由其给定范围内的领域数据做加权线性回归后确定。即在计算均方误差时引入权重系数,距离计算点越远权重越小,距离计算点越近权重越大,平方误差公式f(θ)和权重系数ωi计算公式如下:
其中,yi是平滑值即预测值,xi是原始待处理值,θ是回归系数。权重系数的计算公式有很多种,公式(2)给出的为高斯核公式,其中的参数k可以自行确定,其决定了权重的变化范围。K越大权重的差距越小,反之越大。K的取值过大,局部加权线性回归近似成无偏差的线性回归,容易造成欠拟合现象。K的取值过小,距离较远的样本无法参与回归参数的计算,使得结果出现过拟合。图4给出对一条原始转换力时间序列进行Lowess平滑的效果图,保留原始曲线特征的同时,能很好的去除噪声。
Lowess曲线平滑可以人为调整的参数有局部处理数据长度、权值函数、迭代次数以及回归间隔delta。其中回归间隔表明考虑是否需要每个数据点均进行加权回归,可以选择间隔delta距离计算一次,平滑曲线的同时达到初步数据降维的目的,并减少计算量。
进一步地,在本发明的一个实施例中,对历史多源数据进行预处理,包括:
将历史多源数据进行时间戳对齐、曲线平滑、异常值剔除和数据降采样,其中多源数据包括定反位表示杆位移、转换力、转辙机电流、定位油压、反位油压、振动三向加速度和温湿度。
S102:根据预处理后的历史多源数据生成用于评估道岔的全生命周期剩余使用寿命曲线;
进一步地,在本发明的一个实施例中,根据预处理后的历史多源数据生成用于评估道岔的全生命周期剩余使用寿命曲线,包括:
将预处理后的历史多源数据映射到特征空间,生成反映道岔系统健康状态的特征向量,使用自适应特征融合算法赋予每个特征在不同时刻的权值,融合生成特征曲线;
综合单调性、时间相关性和鲁棒性三个度量指标对特征曲线进行重要程度排序,选取冗余度最低的特征组合,作为最佳特征组合;
对特征组合进行融合,形成与时间有关的数据曲线,数据曲线包括每个时刻道岔的综合特征情况;
将n组状态变化为由健康到亚健康,再到故障的历史道岔数据进行处理得到n条包含全周期的生命健康曲线,进一步生成全生命周期剩余使用寿命曲线。
S103:获取铁路道岔的实时感知数据,将实时感知数据与全生命周期剩余使用寿命曲线进行对比,识别各部件所处剩余寿命区间;
为构建道岔系统的健康状态指标(HI),将预处理后的历史数据根据不同的部件进行全生命周期状态数据提取。
1)基于大量历史数据对道岔各类健康状态进行分类,掌握道岔系统退化数据。该过程需要具有一定的先验知识,确定一个完全健康的数据集、一个存在系统退化但仍能实现道岔转换的数据集和一个系统故障数据集。
在实际工作环境中,大部分数据均是健康状态,和退化状态,故障数据数量较少。根据RUL曲线的意义,需要依次对健康、退化和故障数据进行整理分类。在一个由健康运行到故障发生的系统变换过程中,可以获取得到一个包含健康、退化和故障三种状态的数据集。可以认定数据前10%均为健康数据,除去最后一次的系统故障数据外,剩余的部分均认定为退化数据。收集足够多个由健康运行到故障发生的系统变换过程,根据时间顺序对健康、退化和故障数据进行分类保存。
2)特征提取:特征提取是实现RUL评估的关键步骤,其目的是将原始时序数列映射到特征空间,生成更能反映道岔系统健康状态的特征向量。特征向量对关键点的表达能力越强,其质量越高,可以为后续的寿命评估工作提供更好的帮助。
本发明中采用稀疏自编码器(SAE)对数据集特征进行提取。SAE作为一种无监督学习算法,包含输入层、隐藏层和输出层,其目的是使输出尽可能接近输入值。因此,特征矩阵存在于隐藏层中。此外,SAE的稀疏性实现了特征的自动选择而非随机选择,进一步完成了数据降维工作。
该算法的具体实现方式如下:
h=Se(WeX+be) (3)
y=Sd(WdF+bd) (4)
公式(3)和(4)分别代表编码过程和解码过程,S(x)为编码解码网络激活函数。be、bd为偏置量,We、Wd为权重矩阵。在算法的优化过程中,以损失函数E(θ)最小为优化目的,对参数be、bd、We、Wd进行多次迭代优化。损失函数计算过程如下公式所示:
其中,EMSE(θ)是输入层输出层之间的重构误差,ESparse(θ)是稀疏惩罚项,α是权值的激活参数,m为隐藏层神经元数目,ρ为稀疏参数,为隐藏层第j个神经元的平均激活度,βj(pi)表示给定输入pi时隐藏层第j个神经元的激活度。使用KL散度作为惩罚项,度量输入近似输出时的信息损失量,能降低曲线在编码解码过程中的信息损失量。
特征提取之后,使用LOESS方法进行二次平滑和降维,获得特征数据Fs。
3)特征选择:曲线平滑完成后需要进行特征选择,减少数据的冗余度。本例中,从三个角度进行考虑:单调性、时间相关性和鲁棒性。综合三个度量指标对特征曲线进行重要程度排序,由高到低选择一定数量的特征曲线,进入后续算法处理。
单调性:反映特征是否具有增加或减少的趋势,计算公式如下:
其中,Fi s是特征提取得到的特征集F中的第i条特征曲线,K为特征曲线序列长度。
时间相关性:用于度量特征与时间的相关性,计算公式如下:
鲁棒性:用于衡量特征在噪声影响下的稳定程度,计算公式如下:
计算获得三个度量指标后,综合三者结果,对特征曲线进行重要程度排序,选取冗余度最低的特征组合。重要程度计算公式如(14)所示:
FR=Rob(Fi s)+Mon(Fi s)+Cor(Fi s) (14)
根据FR对特征曲线重新排序,得到特征集Fd,使用距离相关系数进行冗余度计算,选取最佳特征组合,计算公式如下:
当redunk最小时,获得最佳特征组合Fb。
4)特征融合计算HI指标:对特征组合Fb进行融合,形成与时间有关的数据曲线。在自适应特征融合(AFF)算法中,赋予每个特征在不同时刻的权值会根据特征与其它所有特征之间的距离参数自适应发生变化。根据公式(16)将特征矩阵构建成一条时序曲线,即可映射为代表健康指标的HI曲线。
其中K为特征曲线数量,ωit为分配给第i个特征曲线t时刻的权重值,其计算方法为:
ωit=exp(-di(fit)) (17)
由公式(17)可以看出,当曲线距离越远,权重值越小,即该点特征值对融合后的HI值应该越小。公式(18)为距离函数,目的是计算特征值fit与t时刻的其他特征值之间的平均距离。
经过AFF可以获得一条与时间相关的特征融合曲线HI,包含每个时刻道岔的综合特征情况。
5)RUL映射:将n组状态变化为由健康到亚健康,再到故障的历史道岔数据进行上述处理过程得到n条包含全周期的生命健康曲线HI,即生成标准RUL曲线,其横坐标为道岔的运行次数。因不同部件、不同故障的RUL曲线存在差异性,对n条RUL曲线进行k-means聚类,同一类中的RUL曲线使用最小二乘法进行拟合,生成一条RUL曲线。针对标准寿命曲线,每获得一个最新的全周期历史数据,即可进行一个迭代,重新拟合标准RUL曲线,保证系统评估方式与硬件设备自适应匹配。
S103:获取铁路道岔的实时感知数据,将实时感知数据与全生命周期剩余使用寿命曲线进行对比,识别各部件所处剩余寿命区间;
根据历史HI指数可进行潜在故障所处RUL区间。将实时采集数据进行上述处理,可以得到一条不完整的RUL曲线L1,根据与L1最匹配(相似)的一条标准RUL曲线,预计当前系统各个部件的剩余寿命。本发明使用DTW算法进行相似度匹配。
S104:根据不同部件潜在故障具有不同参数变化的原理,对实时感知数据通过数据驱动获取实时多源数据;
基于数据驱动的潜在故障识别与定位的目的在于当数据出现退化时系统能及时识别并进行异常来源判断。在传感器正常运行的情况下,将实时采集到的各通道参数进行上述权利要求提及的一系列数据处理工作。对于尖轨部件的潜在故障,其异常值出现在转换力、电流和定反位表示杆位移。对于轨枕部件的潜在故障,其异常值出现在三向加速度、定反位表示杆位移。对于转辙机的潜在故障,其异常值出现在转换力、电流、油压油位和表示杆位移。通过有效的阈值健康判定以及标准值偏离程度排序,可初步判断存在潜在故障的部件。
进一步地,在本发明的一个实施例中,根据不同部件潜在故障具有不同参数变化的原理,对实时感知数据通过数据驱动获取实时多源数据,包括:
当实时感知数据异常时,通过阈值健康判定以及标准值偏离程度排序判断出该异常来源道岔部件;其中,
对于尖轨部件的潜在故障,其异常值出现在转换力、电流和定反位表示杆位移;
对于轨枕部件的潜在故障,其异常值出现在三向加速度、定反位表示杆位移;
对于转辙机的潜在故障,其异常值出现在转换力、电流、油压油位和表示杆位移。
S105:结合各部件所处剩余寿命区间、实时多源数据综合判断潜在故障。
如图5所示,为构建决策级数据融合模型,将RUL映射结果和基于数据驱动的潜在故障识别结果放入head-to-head形式的贝叶斯网络中,作为两个独立的节点,二者均指向最终预警判定结果。本例中,贝叶斯网络有节点a、b、c,分别代表RUL结果、数据驱动异常识别结果以及预警判定。根据图5所示,在贝叶斯网络中,需计算条件概率分布p(c|a)和p(c|b)。根据历史数据集,通过数学统计方法,确定不同判定结果的准确性,即p(a|ai)和p(b|bi)(其中i∈{1,2,3,4,5},表示不同程度的故障,依次为0%,25%,50%,75%,100%)。本例中定节点a、b融合的概率p=0.5,即两种判定方法占比相同。由最终的融合结果判定系统是否需要发生警报,降低虚警率的同时确保准确性。
本发明实施例提出的铁路道岔多源数据融合状态预警方法,第一,基于大数据采用智能算法对多源数据进行分析处理,对道岔系统实现整体性检测;第二,通过不断学习更新全生命周期的RUL曲线,全方位的掌握系统健康状态,实时提供诊断结果,达到快速预警的目的,为道岔维护工作提供有效帮助,第三,本系统结合RUL和数据识别两种健康判断方法,提供准确率的同时,大大降低系统虚警率。
为了实现上述实施例,本发明还提出铁路道岔多源数据融合状态预警装置。
图6为本发明实施例提供的一种铁路道岔多源数据融合状态预警装置的结构示意图。
如图6所示,该铁路道岔多源数据融合状态预警装置包括:预处理模块100,构建模块200,评估模块300,识别模块400,预警模块500,其中,
预处理模块,用于获取铁路道岔的历史多源数据,对历史多源数据进行预处理;
构建模块,用于根据预处理后的历史多源数据生成用于评估道岔的全生命周期剩余使用寿命曲线;
评估模块,用于获取铁路道岔的实时感知数据,将实时感知数据与全生命周期剩余使用寿命曲线进行对比,识别各部件所处剩余寿命区间;
识别模块,用于根据不同部件潜在故障具有不同参数变化的原理,对实时感知数据通过数据驱动获取实时多源数据;
预警模块,用于结合各部件所处剩余寿命区间、实时多源数据综合判断潜在故障。
进一步地,在本发明的一个实施例中,预处理模块,还用于:
将历史多源数据进行时间戳对齐、曲线平滑、异常值剔除和数据降采样,其中多源数据包括定反位表示杆位移、转换力、转辙机电流、定位油压、反位油压、振动三向加速度和温湿度。
进一步地,在本发明的一个实施例中,构建模块,还用于:
将预处理后的历史多源数据映射到特征空间,生成反映道岔系统健康状态的特征向量,使用自适应特征融合算法赋予每个特征在不同时刻的权值,融合生成特征曲线;
综合单调性、时间相关性和鲁棒性三个度量指标对特征曲线进行重要程度排序,选取冗余度最低的特征组合,作为最佳特征组合;
对特征组合进行融合,形成与时间有关的数据曲线,数据曲线包括每个时刻道岔的综合特征情况;
将n组状态变化为由健康到亚健康,再到故障的历史道岔数据进行处理得到n条包含全周期的生命健康曲线,进一步生成全生命周期剩余使用寿命曲线。
进一步地,在本发明的一个实施例中,识别模块,还用于:
当实时感知数据异常时,通过阈值健康判定以及标准值偏离程度排序判断出该异常来源道岔部件;其中,
对于尖轨部件的潜在故障,其异常值出现在转换力、电流和定反位表示杆位移;
对于轨枕部件的潜在故障,其异常值出现在三向加速度、定反位表示杆位移;
对于转辙机的潜在故障,其异常值出现在转换力、电流、油压油位和表示杆位移。
为达上述目的,本发明第三方面实施例提出了一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上所述的铁路道岔多源数据融合状态预警方法。
为达上述目的,本发明第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述的铁路道岔多源数据融合状态预警方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种铁路道岔多源数据融合状态预警方法,其特征在于,包括以下步骤:
获取铁路道岔的历史多源数据,对所述历史多源数据进行预处理;
根据预处理后的历史多源数据生成用于评估道岔的全生命周期剩余使用寿命曲线;
获取铁路道岔的实时感知数据,将所述实时感知数据与所述全生命周期剩余使用寿命曲线进行对比,识别各部件所处剩余寿命区间;
根据不同部件潜在故障具有不同参数变化的原理,对所述实时感知数据通过数据驱动获取实时多源数据;
结合所述各部件所处剩余寿命区间、所述实时多源数据综合判断潜在故障。
2.根据权利要求1所述的方法,其特征在于,对所述历史多源数据进行预处理,包括:
将历史多源数据进行时间戳对齐、曲线平滑、异常值剔除和数据降采样,其中所述多源数据包括定反位表示杆位移、转换力、转辙机电流、定位油压、反位油压、振动三向加速度和温湿度。
3.根据权利要求1所述的方法,其特征在于,所述根据预处理后的历史多源数据生成用于评估道岔的全生命周期剩余使用寿命曲线,包括:
将预处理后的历史多源数据映射到特征空间,生成反映道岔系统健康状态的特征向量,使用自适应特征融合算法赋予每个特征在不同时刻的权值,融合生成特征曲线;
综合单调性、时间相关性和鲁棒性三个度量指标对所述特征曲线进行重要程度排序,选取冗余度最低的特征组合,作为最佳特征组合;
对所述特征组合进行融合,形成与时间有关的数据曲线,所述数据曲线包括每个时刻道岔的综合特征情况;
将n组状态变化为由健康到亚健康,再到故障的历史道岔数据进行处理得到n条包含全周期的生命健康曲线,进一步生成全生命周期剩余使用寿命曲线。
4.根据权利要求1所述的方法,其特征在于,所述根据不同部件潜在故障具有不同参数变化的原理,对所述实时感知数据通过数据驱动获取实时多源数据,包括:
当实时感知数据异常时,通过阈值健康判定以及标准值偏离程度排序判断出该异常来源道岔部件;其中,
对于尖轨部件的潜在故障,其异常值出现在转换力、电流和定反位表示杆位移;
对于轨枕部件的潜在故障,其异常值出现在三向加速度、定反位表示杆位移;
对于转辙机的潜在故障,其异常值出现在转换力、电流、油压油位和表示杆位移。
5.一种铁路道岔多源数据融合状态预警装置,其特征在于,包括以下模块:
预处理模块,用于获取铁路道岔的历史多源数据,对所述历史多源数据进行预处理;
构建模块,用于根据预处理后的历史多源数据生成用于评估道岔的全生命周期剩余使用寿命曲线;
评估模块,用于获取铁路道岔的实时感知数据,将所述实时感知数据与所述全生命周期剩余使用寿命曲线进行对比,识别各部件所处剩余寿命区间;
识别模块,用于根据不同部件潜在故障具有不同参数变化的原理,对所述实时感知数据通过数据驱动获取实时多源数据;
预警模块,用于结合所述各部件所处剩余寿命区间、所述实时多源数据综合判断潜在故障。
6.根据权利要求5所述的方法,其特征在于,所述预处理模块,还用于:
将历史多源数据进行时间戳对齐、曲线平滑、异常值剔除和数据降采样,其中所述多源数据包括定反位表示杆位移、转换力、转辙机电流、定位油压、反位油压、振动三向加速度和温湿度。
7.根据权利要求5所述的方法,其特征在于,所述构建模块,还用于:
将预处理后的历史多源数据映射到特征空间,生成反映道岔系统健康状态的特征向量,使用自适应特征融合算法赋予每个特征在不同时刻的权值,融合生成特征曲线;
综合单调性、时间相关性和鲁棒性三个度量指标对所述特征曲线进行重要程度排序,选取冗余度最低的特征组合,作为最佳特征组合;
对所述特征组合进行融合,形成与时间有关的数据曲线,所述数据曲线包括每个时刻道岔的综合特征情况;
将n组状态变化为由健康到亚健康,再到故障的历史道岔数据进行处理得到n条包含全周期的生命健康曲线,进一步生成全生命周期剩余使用寿命曲线。
8.根据权利要求5所述的方法,其特征在于,所述根识别模块,还用于:
当实时感知数据异常时,通过阈值健康判定以及标准值偏离程度排序判断出该异常来源道岔部件;其中,
对于尖轨部件的潜在故障,其异常值出现在转换力、电流和定反位表示杆位移;
对于轨枕部件的潜在故障,其异常值出现在三向加速度、定反位表示杆位移;
对于转辙机的潜在故障,其异常值出现在转换力、电流、油压油位和表示杆位移。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-4中任一所述的铁路道岔多源数据融合状态预警方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4任意一项所述的铁路道岔多源数据融合状态预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311406023.8A CN117591926A (zh) | 2023-10-26 | 2023-10-26 | 一种铁路道岔多源数据融合状态预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311406023.8A CN117591926A (zh) | 2023-10-26 | 2023-10-26 | 一种铁路道岔多源数据融合状态预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117591926A true CN117591926A (zh) | 2024-02-23 |
Family
ID=89917304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311406023.8A Pending CN117591926A (zh) | 2023-10-26 | 2023-10-26 | 一种铁路道岔多源数据融合状态预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117591926A (zh) |
-
2023
- 2023-10-26 CN CN202311406023.8A patent/CN117591926A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Niu et al. | Intelligent condition monitoring and prognostics system based on data-fusion strategy | |
Dong et al. | Hidden semi-Markov model-based methodology for multi-sensor equipment health diagnosis and prognosis | |
Guo et al. | Mechanical fault time series prediction by using EFMSAE-LSTM neural network | |
CN111178553A (zh) | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 | |
Li et al. | Bearing fault feature selection method based on weighted multidimensional feature fusion | |
Shen et al. | A new intermediate-domain SVM-based transfer model for rolling bearing RUL prediction | |
CN103512751A (zh) | 一种基于概率神经网络的轴承健康状态识别方法 | |
Liu et al. | Fault diagnosis of hydraulic retraction system based on multi-source signals feature fusion and health assessment for the actuator | |
CN112434390A (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
Tang et al. | Fault diagnosis of rolling bearing based on probability box theory and GA-SVM | |
Remadna et al. | An overview on the deep learning based prognostic | |
Xu et al. | Anomaly detection with gru based bi-autoencoder for industrial multimode process | |
Lu et al. | A cloud-edge collaborative intelligent fault diagnosis method based on LSTM-VAE hybrid model | |
CN117591926A (zh) | 一种铁路道岔多源数据融合状态预警方法及装置 | |
Zeng et al. | Rail break prediction and cause analysis using imbalanced in-service train data | |
Zhao et al. | A two-stage machine-learning-based prognostic approach for bearing remaining useful prediction problem | |
CN116279672A (zh) | 一种道岔故障定位的方法、装置、设备及存储介质 | |
Niu et al. | A hybrid bearing prognostic method with fault diagnosis and model fusion | |
Techane et al. | Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction | |
CN112257327A (zh) | 一种基于小波变换去噪和堆叠自编码特征选择的海底管道剩余寿命预测方法 | |
Duan et al. | An improved similarity matching bidirectional gated recurrent unit autoencoder scheme for remaining useful life prediction | |
Liu et al. | A Condition Monitoring Strategy of Looms Based on DSmT Theory and Genetic Multiobjective Optimization Improves the Rough Set Method | |
Zheng et al. | Health indicator construction and life prediction of the point switch machine | |
Liu et al. | A rolling bearing fault evolution state indicator based on deep learning and its application | |
Wang et al. | Predictive maintenance and sensitivity analysis for equipment with multiple quality states |
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 |