[發明專利]多功能車輛總線MVB波形的故障診斷方法及裝置

有效

• 申請號: 201810985986.0
• 申請日: 2018-08-28
• 公開（公告）號: CN108985279B
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 李方旭;陳幸;孫英可
• 申請（專利權）人: 上海仁童電子科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;H04L12/24
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 趙興華;王寶筠

本發明提供多功能車輛總線MVB波形的故障診斷方法及裝置，以減少故障誤報的發生機率、提高故障診斷效率。在本發明實施例中，在對原始的MVB波形數據提取關鍵特征向量后，會將關鍵特征向量輸入目標機器學習模型，由目標機器學習模型進行分析，得到故障診斷結果。而目標機器學習模型是基于真實MVB波形數據訓練得到，與現有的診斷設備相比，目標機器學習模型的故障診斷結果與實際工業應用中MVB的真實故障情況更接近，診斷精度更高，從而可降低故障誤報率，進而減少了技術人員的工作量，提高了列車通信網的排故效率。

技術領域

本發明涉及物理波形診斷領域，特別涉及多功能車輛總線MVB波形的故障診斷方法及裝置。

背景技術

列車通信網中互連設備之間一般使用多功能車輛總線(Multifunction VehicleBus，MVB)進行數據通信。

現有的MVB的故障診斷方式是：利用診斷設備來判斷MVB物理層所傳輸信號的波形(簡稱MVB波形)是否異常(也即診斷是否發生故障)，若發生異常會報錯，之后再配合經驗豐富的列車網絡工程師對診斷出的異常波形進行排查。

現有的診斷設備是依據IEC61375-1列車MVB協議中對物理層和鏈路層規定的標準來判定MVB波形是否異常的。IEC61375-1協議對MVB的物理層波形參數有明確、嚴格的定義，而在實際工業應用環境中，MVB波形會受線路、外界噪聲(如電磁干擾等)的影響，這使得實際運行中MVB波形可能工作在協議要求的界限之外但并不妨礙總線通信；同時，不同車型、不同車輛的MVB波形通常也會表現出一定的差異性。因此，現有的診斷設備在嚴格地按照總線協議要求進行診斷的過程中，往往會發生故障誤報。

此外，故障報錯后，技術人員需借用示波器等信號顯示設備逐條觀察并分析報故障的MVB波形，因此，若經常性故障誤報，也會耗費技術人員大量的時間，降低了列車通信網的調試與排故效率。

發明內容

有鑒于此，本發明實施例提供多功能車輛總線MVB波形的故障診斷方法及裝置，以減少故障誤報的發生機率、提高故障診斷效率。

為實現上述目的，本發明實施例提供如下技術方案：

一種多功能車輛總線MVB波形的故障診斷方法，包括：

獲取待診斷的MVB波形數據；

對所述MVB波形數據進行預處理，得到預處理后的波形數據；

從所述預處理后的波形數據中提取關鍵特征向量；所述關鍵特征向量包括各關鍵特征項對應的特征值；

使用目標機器學習模型分析所述關鍵特征向量，得到所述MVB波形數據的故障診斷結果；其中，所述目標機器學習模型是基于真實MVB波形數據訓練得到的。

在一個可能的設計中，上述故障診斷結果包括：故障類型及相應的診斷信息；其中，所述診斷信息包括：第一信息和第二信息中的至少一種，所述第一信息用于表征所述故障類型是否發生，所述第二信息用于表征所述故障類型的故障程度。

在一個可能的設計中，所述目標機器學習模型的訓練過程包括：從多種MVB波形的故障類型中確定出適于采用機器學習進行診斷的故障類型；所述適于采用機器學習進行診斷的故障類型為目標故障類型；從數據源處獲取波形樣本；其中，任一所述波形樣本包含真實的MVB波形數據；對所述波形樣本進行預處理，得到預處理后的波形樣本；從所述預處理后的波形樣本中提取特征樣本；所述特征樣本包括各關鍵特征項對應的特征值；對所述特征樣本進行標記，以表征所述特征樣本的波形狀態；從多種機器學習算法中選擇出適用于所述目標故障類型的機器學習算法；所述適用于所述目標故障類型的機器學習算法為目標機器學習算法；確定所述目標機器學習算法的超參數，對確定出超參數的所述目標機器學習算法進行初始參數賦值；使用訓練樣例集和完成初始參數賦值的所述目標機器學習算法，訓練得到所述目標機器學習模型；其中，所述訓練樣例集包括至少兩個標記后的特征樣本。