基于隐马尔可夫模型的高速列车风管安全状态诊断方法技术

本发明专利技术公开的基于隐马尔可夫模型的高速列车风管安全状态诊断方法，以高速列车风管压力监测数据为基础，首先通过临近插值、smooth平滑处理，然后利用高速列车风管压力监测数据对隐马尔可夫模型进行训练并训练出若干故障模型，然后将监测数据带入故障模型求取似然概率，最后通过对比似然概率找出当前系统所处的安全状态。本发明专利技术基于隐马尔可夫模型的高速列车风管安全状态诊断方法能有效的反映出高速列车风管的隐状态，进而可以反映出高速列车风管的安全状态，为车辆的异常发现，现场的故障分析、排除，故障前特征判定与预警提供理论支持。

【技术实现步骤摘要】

本专利技术属于故障诊断方法
，具体涉及一种基于隐马尔可夫模型的高速列车风管安全状态诊断方法。
技术介绍
列车从出现开始就承担着城市之间、城乡之间的通勤职责。高速列车与其他交通运输工具相比，具有速度快、服务优质、安全、可靠及换乘方便的优势，可以说高速列车在中长途运输中有着无可比拟的竞争力。近年来，由于国家相关政策对高速列车项目的扶持，使得高速列车的发展进入了一个前所未有的高度。但是，在高速列车投入使用后，列车营运里程快速增长，列车机械磨耗及列车部件老化加剧的问题不可避免的会发生，而这些问题对高速列车的安全运行是一个巨大挑战。如何保障高速列车的安全运行是目前的一个重要研究方向，其中列车制动系统是保障高速列车安全运行的重要方面。当前高速列车常用的制动系统有空气制动系统和动力制动系统。空气制动系统是高速列车的基础制动系统，也是保障高速列车安全运行的基本控制系统。在空气制动系统中，高速列车主风管是一个主要装置，风管路一旦出现故障将会影响高速列车的正常运行，甚至会危及高速列车的安全运行。列车空气制动系统主要由风管、压缩机等部件组成，这些部件在长期使用的过程中将会不可避免的会出现损坏、老化及脱落等情况，若不及时维修，容易引发故障，从而造成铁路交通事故。针对这一现象，尽管铁路总局、车辆制造厂家、运营单位、监管部门以及各相关专业的科研院所、机构、研究人员都已经提出并采取了多项维修维护的手段，但是这些手段都具有局限性。目前，对于高速列车风管安全状态诊断方法有两种：(1)定期巡检、检修；在高速列车入库停车后，列车的检修人员对整车进行巡检、检修，虽然定期的巡检与检修具有积极的预防作用，但是主要是基于时间间隔为单位，这种方法缺乏及时性，状态跟进性，尤其是对风管部件的一些隐性状态该方法无法检测，这就导致对高速列车风管的安全状态诊断容易造成不确定性。(2)故障后维修；高速列车在故障发生后，工作人员根据乘务员的报告，对故障部件进行维修，更换；这种方法能在一定程度上保障列车安全运行，但这种方法只是在已经发生故障事实后展开的补救手段，它既不能及时的反映出高速列车风管的安全状态，也不能对高速列车起到预警作用。由此可见，上述的维护维修手段对高速列车运行的安全以及可用性都带来极大地影响甚至是威胁。视情维修(Condition Based Maintenance，CBM)是起源于美国联合航空公司与联邦航空局在飞机上采用一种维修方法。CBM的思想是依据测试结果，当维修对象出现“潜在故障”时就进行调整、维修，从而避免故障的发生。因CBM能大大降低设备故障率，提高设备的可用率，节约了厂商维修成本，缩小了维修范围，减少了维修工作量。随后英国的机器保健中心，瑞典的SPM公司，丹麦的B&K公司，日本的三菱，川崎，日立等电子厂商纷纷采用这种维修方式。基于视情维修这种思路，通过建立基于隐马尔可夫模型的高速列车风管安全状态诊断方法，能对高速列车风管安全状态进行诊断。
技术实现思路
本专利技术的目的在于提供一种基于隐马尔可夫模型的高速列车风管安全状态诊断方法，能对高速列车风管安全状态进行诊断。本专利技术所采用的技术方案是，基于隐马尔可夫模型的高速列车风管安全状态诊断方法，具体按照以下步骤实施：步骤1、先利用传感器对高速列车风管压力进行监测数据采集，然后对采集到的高速列车风管压力监测数据进行插值处理；步骤2、经步骤1后，对插值后的风管压力监测数据进行平滑处理；步骤3、经步骤2后，取四组平滑后的监测数据，这四组分别为：正常态监测数据、故障态1监测数据、故障态2监测数据以及故障态3监测数据；将取得的四组平滑后的监测数据作为样本数据，再将四组平滑后的监测数据分别带入隐马尔可夫模型中，经训练后得到四种不同的HMM诊断模型，这四种模型分别为：正常态HMM模型、风管漏风故障HMM模型、风管阻塞故障HMM模型、压缩机故障HMM模型；步骤4、待步骤3完成后，另取四组平滑后的监测数据，这四组监测分别为：正常态监测数据、故障态1监测数据、故障态2监测数据以及故障态3监测数据，将这些数据作为测试样本，并分别带入经步骤3训练完成的四个隐马尔可夫模型中，包括有：正常态HMM、故障态1HMM、故障态2HMM以及故障态3HMM，求取似然概率值；步骤5、经步骤4分别计算出正常态、故障态1、故障态2、故障态3的似然概率之后，通过对比这四个似然概率的大小，最大的那一个似然概率对应的隐马尔可夫模型就是高速列车风管所对应的故障模型，至此，完成对高速列车风管安全状态的诊断，即高速列车风管的故障诊断。本专利技术的特点还在于：步骤1具体按照以下方法实施：判断采集到的风管压力监测数据Xi(i＝1，2，3，…，n)是否为空缺值，即判断Xi的值是否为空，具体判断标准如下：若为空即Xi是空缺值，则进行临近插值操作；若不为空Xi＝m,(m∈N)，即Xi不是空缺值，则继续判断Xi+1是否为空缺值，直至判断到第n个值为止；依据临近插值在图像处理中的基本思想，在对高速列车内风管压力监测数据的空缺值进行临近插值时，若该点是空缺值点，则将该点临近的数据值点赋给该点。步骤2具体按照以下方法实施：经步骤1对监测数据进行插值处理后，根据需要对监测数据进行smooth平滑处理，即yy＝smooth(y)，具体处理方法如下：利用移动平均滤波器对列向量y进行平滑处理，返回与y等长的列向量yy；移动平均滤波器的默认窗宽为5，yy中元素的计算方法具体如下：yy(1)＝y(1)；yy(2)＝(y(1)+y(2)+y(3))/3；yy(3)＝(y(1)+y(2)+y(3)+y(2)+y(3))/3；yy(4)＝(y(2)+y(3)+y(4)+y(5)+y(6))/5；yy(5)＝(y(3)+y(4)+y(5)+y(6)+y(7))/5。在步骤3中，隐马尔可夫模型中训练模型的建立具体按照以下方法实施：将高速列车风管安全状态分为四类：分别为：正常态s0，风管漏风故障s1，风管阻塞故障s2，压缩机故障s3，这四类为HMM模型的状态集合；令o0、o1、o2、o3分别为正常态所对应的观测序列、风管漏风故障所对应的观测序列、风管阻塞故障所对应的观测序列、压缩机故障对应的观测序列；状态集合与观测序列一一对应；令aij，i，j＝0，1，2，3为状态转移概率矩阵中的元素，该模型能真实的反映高速列车风管安全状态之间的转换，由正常态到故障态的转变不可逆，表明故障是不能自行修复的；在建立隐马尔可夫模型时，采用四种隐性状态代表高速列车风管的安全状态，分别为：正常态s0，风管漏风故障s1，风管阻塞故障s2，压缩机故障s3；HMM模型的观测序列是通过预处理之后的采集器采集到的高速列车内风管压力监测数据；初始状态概率分布、初始模型状态转移概率矩阵、初始观察值的概率分布均由MATLAB中的rand函数取得，并且做归一化处理；选取四组预处理之后的高速列车内风管压力监测数据作为训练样本，通过EM算法对初始HMM模型进行训练；待初始HMM模型训练完成后，得到四种不同的HMM诊断模型，分别为：正常态HMM模型、风管漏风故障HMM模型、风管阻塞故障HMM模型、压缩机故障HMM模型。步骤4中似然概率值的求取方法具体如下：经步骤3完成HMM模型的训练，得到四种不同的HMM诊断模型本文档来自技高网...

【技术保护点】
基于隐马尔可夫模型的高速列车风管安全状态诊断方法，其特征在于，具体按照以下步骤实施：步骤1、先利用传感器对高速列车风管压力进行监测数据采集，然后对采集到的高速列车风管压力监测数据进行插值处理；步骤2、经步骤1后，对插值后的风管压力监测数据进行平滑处理；步骤3、经步骤2后，取四组平滑后的监测数据，这四组分别为：正常态监测数据、故障态1监测数据、故障态2监测数据以及故障态3监测数据；将取得的四组平滑后的监测数据作为样本数据，再将四组平滑后的监测数据分别带入隐马尔可夫模型中，经训练后得到四种不同的HMM诊断模型，这四种模型分别为：正常态HMM模型、风管漏风故障HMM模型、风管阻塞故障HMM模型、压缩机故障HMM模型；步骤4、待步骤3完成后，另取四组平滑后的监测数据，这四组监测分别为：正常态监测数据、故障态1监测数据、故障态2监测数据以及故障态3监测数据，将这些数据作为测试样本，并分别带入经步骤3训练完成的四个隐马尔可夫模型中，包括有：正常态HMM、故障态1HMM、故障态2HMM以及故障态3HMM，求取似然概率值；步骤5、经步骤4分别计算出正常态、故障态1、故障态2、故障态3的似然概率之后，通过对比这四个似然概率的大小，最大的那一个似然概率对应的隐马尔可夫模型就是高速列车风管所对应的故障模型，至此，完成对高速列车风管安全状态的诊断，即高速列车风管的故障诊断。...

【技术特征摘要】
1.基于隐马尔可夫模型的高速列车风管安全状态诊断方法，其特征在于，具体按照以下步骤实施：步骤1、先利用传感器对高速列车风管压力进行监测数据采集，然后对采集到的高速列车风管压力监测数据进行插值处理；步骤2、经步骤1后，对插值后的风管压力监测数据进行平滑处理；步骤3、经步骤2后，取四组平滑后的监测数据，这四组分别为：正常态监测数据、故障态1监测数据、故障态2监测数据以及故障态3监测数据；将取得的四组平滑后的监测数据作为样本数据，再将四组平滑后的监测数据分别带入隐马尔可夫模型中，经训练后得到四种不同的HMM诊断模型，这四种模型分别为：正常态HMM模型、风管漏风故障HMM模型、风管阻塞故障HMM模型、压缩机故障HMM模型；步骤4、待步骤3完成后，另取四组平滑后的监测数据，这四组监测分别为：正常态监测数据、故障态1监测数据、故障态2监测数据以及故障态3监测数据，将这些数据作为测试样本，并分别带入经步骤3训练完成的四个隐马尔可夫模型中，包括有：正常态HMM、故障态1HMM、故障态2HMM以及故障态3HMM，求取似然概率值；步骤5、经步骤4分别计算出正常态、故障态1、故障态2、故障态3的似然概率之后，通过对比这四个似然概率的大小，最大的那一个似然概率对应的隐马尔可夫模型就是高速列车风管所对应的故障模型，至此，完成对高速列车风管安全状态的诊断，即高速列车风管的故障诊断。2.根据权利要求1所述的基于隐马尔可夫模型的高速列车风管安全状态诊断方法，其特征在于，所述步骤1具体按照以下方法实施：判断采集到的风管压力监测数据Xi(i＝1，2，3，…，n)是否为空缺值，即判断Xi的值是否为空，具体判断标准如下：若为空即Xi是空缺值，则进行临近插值操作；若不为空Xi＝m,(m∈N)，即Xi不是空缺值，则继续判断Xi+1是否为空缺值，直至判断到第n个值为止；依据临近插值在图像处理中的基本思想，在对高速列车内风管压力监测数据的空缺值进行临近插值时，若该点是空缺值点，则将该点临近的数据值点赋给该点。3.根据权利要求1所述的基于隐马尔可夫模型的高速列车风管安全状态诊断方法，其特征在于，所述步骤2具体按照以下方法实施：经步骤1对监测数据进行插值处理后，根据需要对监测数据进行smooth平滑处理，即yy＝smooth(y)，具体处理方法如下：利用移动平均滤波器对列向量y进行平滑处理，返回与y等长的列向量yy；移动平均滤波器的默认窗宽为5，yy中元素的计算方法具体如下：yy(1)＝y(1)；yy(2)＝(y(1)+y(2)+y(3))/3；yy(3)＝(y(1)+y(2)+y(3)+y(2)+y(3))/3；yy(4)＝(y(2)+y(3)+y(4)+y(5)+y(6))/5；yy(5)＝(y(3)+y(4)+y(5)+y(6)+y(7))/5。4.根据权利要求1所述的基于隐马尔可夫模型的高速列车风管安全状态诊断方法，其特征在于，在所述步骤3中，隐马尔可夫模型中训练模型的建立具体按照以下方法实施：将高速列车风管安全状态分为四类：分别为：正常态s0，风管漏风故障s1，风管阻塞故障s2，压缩机故障s3，这四类为HMM模型的状态集合；令o0、o1、o2、o3分别为正常态所对应的观测序列、风管漏风故障所对应的观测序列、风管阻塞故障所对应的观测序列、压缩机故障对应的观测序列；状态集合与观测序列一一对应；令aij，i，j＝0，1，2，3为状态转移概率矩阵中的元素，该模型能真实的反映高速列车风管安全状态之间的转换，由正常态到故障态的转变不可逆，表明故障是不能自行修复的；在建立隐马尔可夫模型时，采用四种隐性状态代表高速列车风管的安全状态，分别为：正常态s0，风管漏风故障s1，风管阻塞故障s2，压缩机故障s3；HMM模型的观测序列是通过预处理之后的采集器采集到的高速列车内风管压力监测数据；初始状态概率分布、初始模型状态转移概率矩阵、初始观察值的概率分布均由MATLAB中的rand函数取得，并且做归一化处理；选取四组预处理之后的高速列车内风管压力监测数据作为训练样本，通过EM算法对初始HMM模型进行训练；待初始HMM模型训练完成后，得到四种不同的HMM诊断模型，分别为：正常态HMM模型、风管漏风故障HMM模型、风管阻塞故障HMM模型、压缩机故障HMM模型。5.根据权利要求1所述的基于隐马尔可夫模型的高速列车风管安全状态诊断方法，其特征在于，所述步骤4中似然概率值的求取方法具体如下：经步骤3完成HMM模型的训练，得到四种不同的HMM诊断模型之后，另外选择四组预处理之后的监测数据作为测试样本，并将其分别带入到四种不同的HMM诊断模型中，求取最大似然概率的对数值；求取得到的最大似然概率的对数值能表现出测试样本与四种不同的HMM诊断模型的拟合程度，lnp(O|λ)越大，最大为0，表明拟合程度越高，也就是测试样本越接近于该HMM诊断模型，即测试样本属于该HMM诊断模型对应的隐性状态；似然概率的计算主要是通过前向后向算法来实现的：首先需要定义两个辅助变量：第一个变量定义为t时状态i和t+1时状态j的概率，即ζt(i,j)＝P(qt＝i,qt+1＝j|O,λ) (1)；式(1)能等价于利用前向变量和后向变量，式(2)能表示为如下形式： ζ t ( i , j ) = α t ...

【专利技术属性】
技术研发人员：马维纲，娄霄，黑新宏，谢国，赵金伟，柳宇，谭思雨，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61