[發明專利]故障預測模型的訓練方法、列車系統故障預測方法和裝置

有效

• 申請號: 202210319588.1
• 申請日: 2022-03-29
• 公開（公告）號: CN114611561B
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 張藝菲;鄭杰;尼古拉斯·邁克爾·漢森
• 申請（專利權）人: 西門子交通技術（北京）有限公司
• 主分類號: G06F18/213
• 分類號: G06F18/213;G06N3/0442;G06N3/08
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 李慧

1.故障預測模型的訓練方法，其特征在于，包括：

獲取當前列車系統的本地樣本運行信號和樣本環境信號；

對所述本地樣本運行信號進行特征提取，得到關鍵指標特征；

對所述樣本環境信號進行特征提取，得到環境指標特征；

根據所述關鍵指標特征和所述環境指標特征之間的依賴性，確定用于對故障進行預測的主導特征；其中，該步驟進一步包括：確定所述關鍵指標特征和所述環境指標特征之間的注意力得分；其中，所述注意力得分用于表征所述關鍵指標特征和環境指標特征中的其中一個對另一個的影響值；利用所述注意力得分對所述關鍵指標特征和所述環境指標特征進行調整，得到調整指標特征；對所述調整指標特征、關鍵指標特征和環境指標特征進行共同注意力表征，得到融合特征；獲取預先定義的故障類型向量；確定所述融合特征和所述故障類型向量之間的第三注意力得分；利用所述第三注意力得分對所述融合特征進行調整，得到所述主導特征；

利用所述主導特征訓練所述故障預測模型。

2.根據權利要求1所述的方法，其特征在于，進行特征提取的步驟，包括：

當信號為高頻信號時，在時域范圍內進行特征提取、在頻域范圍內進行特征提取，和/或在時頻域范圍內進行特征提取；

當信號為低頻信號時，提取如下中的至少一項：信號的變化趨勢、自相關系數和坡度。

3.根據權利要求2所述的方法，其特征在于，

所述在時域范圍內進行特征提取，包括：對信號的峰值、熵、標準差、均值和能量中的至少一個進行提取；

和/或，

所述在頻域范圍內進行特征提取，包括：對信號頻譜曲線中能夠指示列車系統處于異常狀態的特征頻率進行提取；其中，所述信號頻譜曲線是由信號通過時域到頻域的變換得到。

4.根據權利要求2所述的方法，其特征在于，所述在時頻域范圍內進行特征提取，包括：對時頻域功率譜中各個頻帶的能量幅值進行提取；其中，所述時頻域功率譜是利用小波包變換和經驗模式分解中的至少一個對信號進行分解得到。

5.根據權利要求1所述的方法，其特征在于，所述確定所述關鍵指標特征和所述環境指標特征之間的注意力得分的步驟，包括：

計算所述關鍵指標特征和所述環境指標特征之間的相似性；

根據所述相似性，分別計算第一注意力得分和第二注意力得分；其中，所述第一注意力得分用于表征所述環境指標特征對所述關鍵指標特征的影響值，所述第二注意力得分用于表征所述關鍵指標特征對所述環境指標特征的影響值。

6.根據權利要求5所述的方法，其特征在于，所述計算所述關鍵指標特征和所述環境指標特征之間的相似性的步驟，包括：

利用如下計算式計算所述關鍵指標特征和所述環境指標特征之間的相似矩陣：

f(K，E)＝E^T*K

其中，f(K，E)用于表征所述相似矩陣，K用于表征所述關鍵指標特征，E用于表征所述環境指標特征。

7.根據權利要求6所述的方法，其特征在于，

計算所述第一注意力得分的步驟，包括：

利用如下計算式計算所述第一注意力得分：

A_K＝soft?max(f(K，E))

其中，A_K用于表征所述第一注意力得分，softmax(.x)用于表征變量為x的歸一化指數函數；

和/或，

計算所述第二注意力得分的步驟，包括：

利用如下計算式計算所述第二注意力得分：

A_E＝soft?max(f(K，E)^T)

其中，A_E用于表征所述第二注意力得分，softmax(.x)用于表征變量為x的歸一化指數函數。