[發(fā)明專利]多變量時間序列特征加強的列車制動系統(tǒng)故障預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201910299053.0
• 申請日: 2019-04-15
• 公開（公告）號: CN110033135A
• 公開（公告）日: 2019-07-19
• 發(fā)明（設(shè)計）人: 劉真;黨心悅;王成
• 申請（專利權(quán)）人: 北京交通大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06F17/14;B60T17/22
• 代理公司: 北京市商泰律師事務(wù)所 11255
• 代理人: 黃曉軍

本發(fā)明提供了一種多變量時間序列特征加強的列車制動系統(tǒng)故障預(yù)測方法，包括：采集列車制動系統(tǒng)中主要部件對應(yīng)的多變量時間序列的數(shù)據(jù)；根據(jù)采集的數(shù)據(jù)，將各個部件作為變量，采用改進的自適應(yīng)最少的絕對收縮和選擇操作方法對所述變量進行篩選；采用小波包分解算法和小波包重構(gòu)算法對篩選后的變量進行特征提取，并根據(jù)灰色關(guān)聯(lián)度算法對提取的特征進行選擇；采用根據(jù)灰色關(guān)聯(lián)度算法選擇的特征對極端隨機森林模型ERF進行訓練和測試得到最優(yōu)預(yù)測模型；根據(jù)所述的最優(yōu)預(yù)測模型對列車制動系統(tǒng)故障進行預(yù)測。本發(fā)明的方法可以降低預(yù)測的復雜度和提高預(yù)測的準確性。

技術(shù)領(lǐng)域

本發(fā)明涉及軌道交通運輸技術(shù)領(lǐng)域，尤其涉及一種多變量時間序列特征加強的列車制動系統(tǒng)故障預(yù)測方法。

背景技術(shù)

重載列車作為目前鐵路貨運的主要工具和發(fā)展方向，為經(jīng)濟的高速發(fā)展提供重要的保障。制動系統(tǒng)作為重載列車的主要部件之一，保證其正常運轉(zhuǎn)對整個列車的安全具有非常重要的意義。由于制動系統(tǒng)結(jié)構(gòu)復雜,故障模式眾多,當制動系統(tǒng)發(fā)生故障時，快速、高效、準確地對故障進行預(yù)測是保證整個列車正常行駛的關(guān)鍵。

常見的基于時間序列的復雜系統(tǒng)故障預(yù)測的研究方法主要包括基于物理模型的方法、基于專家知識的方法和基于數(shù)據(jù)驅(qū)動的方法，基于物理模型的方法依據(jù)對功能損失的計算來預(yù)測重要部件的損壞程度，需要建立物理模型或?qū)﹄S機過程建模，以此來對部件剩余壽命進行預(yù)測，其缺點是更傾向于系統(tǒng)的整體狀態(tài)，預(yù)測時間跨度大，對于復雜動態(tài)系統(tǒng)很難建立明確的數(shù)學模型；基于專家知識的方法通過專家知識構(gòu)建專家預(yù)測系統(tǒng)對故障進行預(yù)測，系統(tǒng)包含了預(yù)測對象的故障特征信息，通過特征信息的因果關(guān)系進行預(yù)測，其缺點是專家信息的獲取的不確定性，人工依賴性較強；基于數(shù)據(jù)驅(qū)動的方法根據(jù)主要部件的測試或傳感器數(shù)據(jù)，利用不同數(shù)據(jù)分析和處理技術(shù)構(gòu)建精確的數(shù)學模型進行預(yù)測，其缺點是主要部件的特征數(shù)據(jù)有時不容易獲得，且數(shù)據(jù)具有較強的不確定性和不完整性，影響預(yù)測準確度。

由于列車行駛過程中，制動系統(tǒng)的多個主要部件狀態(tài)值都有詳細記載，所以適合采用基于數(shù)據(jù)驅(qū)動的故障預(yù)測方法。

因為具有高可靠性、較穩(wěn)定的數(shù)據(jù)難以獲取，目前研究多集中于主要部件的故障數(shù)據(jù)獲取上，這些數(shù)據(jù)通常表現(xiàn)為有規(guī)則的變動，具有明確的變化趨勢，能夠很好地被單一機器學習模型擬合和預(yù)測。但是對于列車制動系統(tǒng)多變量故障時間序列這種復雜系統(tǒng)，故障是系統(tǒng)級別的，通過單一的預(yù)測模型對制動系統(tǒng)的預(yù)測結(jié)果效果并不理想，因此提出了由奇異譜分析(Singular Spectrum Analysis，SSA)和支持向量回歸(Support VectorRegression，SVR)構(gòu)建的組合預(yù)測模型，該模型首先對原始數(shù)據(jù)進行了特征提取，分析故障特征，然后對SSA和SVR分別建模，通過特征數(shù)據(jù)的輸入進行預(yù)測，最后將預(yù)測結(jié)果組合，得到了比單一模型更理想的預(yù)測效果。

目前對于數(shù)據(jù)驅(qū)動的故障預(yù)測方法主要有基于統(tǒng)計學的，如移動平均法、指數(shù)平滑法、差分整合移動平均自回歸模型(Autoregressive Integrated Moving Averagemodel，ARIMA)模型和狀態(tài)空間模型，由于統(tǒng)計模型對數(shù)據(jù)的穩(wěn)定性、完整性要求較高，因此不適合對行駛中的列車進行實時預(yù)測。另一類是通過機器學習建立預(yù)測模型，如K近鄰(K-Nearest Neighbor，KNN)、支持向量機(Support Vector Machine,SVM)、循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)、反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Network，BP)模型思想成熟，預(yù)測結(jié)果精確，但在預(yù)測過程中準確度會受限于樣本數(shù)量。