[發明專利]一種高速列車走行部系統智能故障診斷方法

在審

• 申請號: 202011187700.8
• 申請日: 2020-10-30
• 公開（公告）號: CN112395684A
• 公開（公告）日: 2021-02-23
• 發明（設計）人: 程超;王久赫;王艷
• 申請（專利權）人: 長春工業大學
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06F30/20;G06F119/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種高速列車走行部系統智能故障診斷方法，該方法包括，獲取列車運行狀態下包括多工況下溫度測量數據構成訓練集，由領域專家給定置信規則庫的初始經驗并構建初始診斷模型；提取訓練集的均值、峰度等統計特征，并計算靜態、動態可靠性；構建待優化參數的目標函數并訓練初始參數；實時采集走行部系統當前時刻溫度的測量數據并將其轉換為均值、峰度作為測試數據；基于證據折扣理論將靜態、動態可靠性融入置信規則庫的推理部分中，并聚合庫中激活的置信規則，從得到的分布式診斷結果判斷該測試樣本是否包含故障。該方法可以及時對故障進行診斷，及嚴重故障的預測，為部件的及時維修與替換提供一定參考，以避免重大事故的發生。

技術領域

本發明屬于故障診斷領域，其中具體涉及到的是高速列車系統級的智能故障診斷方法。

背景技術

高速列車走行部系統在本質上是一類復雜系統，具有復雜性、時變性、強耦合性等特點，系統數據變量之間存在復雜的耦合關系。因此，按照傳統系統工程還原理論，試圖通過對組成此類系統基本單元狀態變化的分析和疊加來診斷系統的故障是行不通的，必須利用先進的理論方法，對此類復雜系統進行故障檢測與診斷。我們認為，目前主流的復雜系統故障診斷方法分為解析模型、數據驅動以及融合方法。

數據驅動方法通過數據建立與系統之間的非線性關系，根據可確定性的失效閾值來診斷系統的故障。融合方法也稱基于半定量信息的方法，是解析模型和數據驅動方法的組合。然而，隨著高速列車越來越復雜化、大規模化，通常很難提前憑借系統機理而精確地得到系統的解析模型。另外，高速列車的監測數據具有高維數、強耦合、非線性等特點，如果僅通過大量數據建模，那么將不能較好地解釋系統出現的故障，對系統的變化缺少機理的解釋。

相反，基于半定量信息的方法試圖將定量信息和定性知識相結合，不僅不依賴于數學解析模型，而且在處理小樣本數據方面也有較大的優勢，如置信規則庫理論。但在當前研究中，大多都假設模型的輸入是可靠的，輸入也就是故障特征，來源于傳感器的監測，但工程實際中的監測過程會受到很多因素的影響，它們會將干擾信息引入監測數據中，也就是說含有故障特征的數據會變得不可靠性，將這樣的數據作為置信規則庫的輸入，勢必會影響置信規則庫的建模精度。

不可靠數據主要來源于兩種擾動因子，它們在復雜系統中的真實存在。它不光與傳感器自身的物理特性密切有關，還與外界環境的噪聲干擾有關。受這些干擾因素的影響，觀測數據可能存在誤差，如果不采用一些方法處理這些干擾因素，可能會導致對系統故障的錯誤診斷。因此，亟需一種新的基于置信規則庫的智能故障診斷方法實現高速列車走行部系統的故障檢測與診斷。

發明內容

本發明所要解決的技術問題之一是在不了解走行部系統詳細的數學模型及面對具有海量、實時、高維等復雜特性的監測數據時，考慮走行部系統實際監測環境的影響，對高速列車進行實時故障診斷。

為了解決上述技術問題，本申請的實施案例提供了一種高速列車走行部系統智能故障診斷方法，包括，獲取列車運行狀態下包括多種工況下的溫度測量數據構成訓練集，由領域專家給定置信規則庫的初始經驗并構建初始診斷模型；提取每個訓練集的均值、峰度等統計特征，并計算傳感器所帶來的干擾，得到靜態可靠性和動態可靠性；構建置信規則庫的待優化參數的目標函數并訓練模型的初始參數；實時采集走行部系統當前時刻的溫度測量數據并將其轉換為均值、峰度等統計特性作為測試數據；基于證據折扣理論將靜態、動態可靠性融入置信規則庫的推理部分中，并聚合庫中激活的置信規則，從得到的分布式診斷結果判斷該測試樣本是否包含故障。

1.優選地，由領域專家給定置信規則庫的初始經驗并構建初始診斷模型的步驟包括：

領域專家給出置信規則庫模型的參數向量V＝[θ_k,δ_i,β_n,k]^T,θ_k表示第k條規則的權重，δ_i是第i個前提屬性的權重，β_n,k表示第k條規則第n個結果的置信度；