多功能车辆总线MVB波形的故障诊断方法及装置制造方法及图纸

本发明专利技术提供多功能车辆总线MVB波形的故障诊断方法及装置，以减少故障误报的发生机率、提高故障诊断效率。在本发明专利技术实施例中，在对原始的MVB波形数据提取关键特征向量后，会将关键特征向量输入目标机器学习模型，由目标机器学习模型进行分析，得到故障诊断结果。而目标机器学习模型是基于真实MVB波形数据训练得到，与现有的诊断设备相比，目标机器学习模型的故障诊断结果与实际工业应用中MVB的真实故障情况更接近，诊断精度更高，从而可降低故障误报率，进而减少了技术人员的工作量，提高了列车通信网的排故效率。

【技术实现步骤摘要】
多功能车辆总线MVB波形的故障诊断方法及装置
本专利技术涉及物理波形诊断领域，特别涉及多功能车辆总线MVB波形的故障诊断方法及装置。
技术介绍
列车通信网中互连设备之间一般使用多功能车辆总线(MultifunctionVehicleBus，MVB)进行数据通信。现有的MVB的故障诊断方式是：利用诊断设备来判断MVB物理层所传输信号的波形(简称MVB波形)是否异常(也即诊断是否发生故障)，若发生异常会报错，之后再配合经验丰富的列车网络工程师对诊断出的异常波形进行排查。现有的诊断设备是依据IEC61375-1列车MVB协议中对物理层和链路层规定的标准来判定MVB波形是否异常的。IEC61375-1协议对MVB的物理层波形参数有明确、严格的定义，而在实际工业应用环境中，MVB波形会受线路、外界噪声(如电磁干扰等)的影响，这使得实际运行中MVB波形可能工作在协议要求的界限之外但并不妨碍总线通信；同时，不同车型、不同车辆的MVB波形通常也会表现出一定的差异性。因此，现有的诊断设备在严格地按照总线协议要求进行诊断的过程中，往往会发生故障误报。此外，故障报错后，技术人员需借用示波器等信号显示设备逐条观察并分析报故障的MVB波形，因此，若经常性故障误报，也会耗费技术人员大量的时间，降低了列车通信网的调试与排故效率。
技术实现思路
有鉴于此，本专利技术实施例提供多功能车辆总线MVB波形的故障诊断方法及装置，以减少故障误报的发生机率、提高故障诊断效率。为实现上述目的，本专利技术实施例提供如下技术方案：一种多功能车辆总线MVB波形的故障诊断方法，包括：获取待诊断的MVB波形数据；对所述MVB波形数据进行预处理，得到预处理后的波形数据；从所述预处理后的波形数据中提取关键特征向量；所述关键特征向量包括各关键特征项对应的特征值；使用目标机器学习模型分析所述关键特征向量，得到所述MVB波形数据的故障诊断结果；其中，所述目标机器学习模型是基于真实MVB波形数据训练得到的。在一个可能的设计中，上述故障诊断结果包括：故障类型及相应的诊断信息；其中，所述诊断信息包括：第一信息和第二信息中的至少一种，所述第一信息用于表征所述故障类型是否发生，所述第二信息用于表征所述故障类型的故障程度。在一个可能的设计中，所述目标机器学习模型的训练过程包括：从多种MVB波形的故障类型中确定出适于采用机器学习进行诊断的故障类型；所述适于采用机器学习进行诊断的故障类型为目标故障类型；从数据源处获取波形样本；其中，任一所述波形样本包含真实的MVB波形数据；对所述波形样本进行预处理，得到预处理后的波形样本；从所述预处理后的波形样本中提取特征样本；所述特征样本包括各关键特征项对应的特征值；对所述特征样本进行标记，以表征所述特征样本的波形状态；从多种机器学习算法中选择出适用于所述目标故障类型的机器学习算法；所述适用于所述目标故障类型的机器学习算法为目标机器学习算法；确定所述目标机器学习算法的超参数，对确定出超参数的所述目标机器学习算法进行初始参数赋值；使用训练样例集和完成初始参数赋值的所述目标机器学习算法，训练得到所述目标机器学习模型；其中，所述训练样例集包括至少两个标记后的特征样本。在一个可能的设计中，在提取所述特征样本之前，上述方法还可包括如下步骤：从预设的M个特征项中选取与所述目标故障类型关联度最高的N个特征项作为所述关键特征项，其中，所述M、N均为自然数，且N小于M。在一个可能的设计中，在训练得到所述目标机器学习模型后，还包括：使用测试样例集测试所述目标机器学习模型的诊断精度和诊断速度；所述测试样例集包含至少两个标记后的特征样本；若所述目标机器学习模型不满足预设条件，执行下述操作中的一种或多种，并进行重新训练：重新确定所述目标故障类型对应的关键特征项；修改所述超参数；选择其他的机器学习算法作为所述目标机器学习算法；其中，所述预设条件包括：所述目标机器学习模型的诊断精度不低于诊断精度阈值，且诊断速度不低于速度阈值。在一个可能的设计中，在得到所述故障诊断结果后，上述方法还可包括如下步骤：将所述关键特征向量和所述故障诊断结果存储至数据源中；其中，所述关键特征向量作为所述数据源中的特征样本，所述故障诊断结果用于在训练过程中标记所述关键特征向量；或者，将在诊断过程中得到的所述预处理后的波形数据和所述故障诊断结果存储至所述数据源中；所述故障诊断结果用于在训练过程中标记所述预处理后的波形数据所对应的特征样本；或者，将所述MVB波形数据和所述故障诊断结果存储至所述数据源中，其中，所述故障诊断结果用于在训练过程中标记所述MVB波形数据对应的特征样本。在一个可能的设计中，所述关键特征项包括关键时域特征项和关键频域特征项；所述关键频域特征项包括：频谱极大值点的幅值、频谱极大值点的相位和频谱极大值点的频率；所述关键时域特征项包括：幅值参数、电平参数、脉冲宽度参数、脉冲峰值位置常数、脉冲峭度和帧尾震荡参数中的至少一种。在一个可能的设计中，所述从所述预处理后的波形数据中提取关键特征向量包括：从所述预处理后的波形数据中提取各所述关键时域特征项对应的时域特征值；将所述预处理后的波形数据转换为波形频域数据；从所述波形频域数据中提取各所述关键频域特征项对应的频域特征值。在一个可能的设计中，所述从多种机器学习算法中选择出适用于所述目标故障类型的机器学习算法包括：若所述目标故障类型所对应的故障为确定性故障，从多种二分类机器学习算法中选择一种作为适用于所述目标故障类型的机器学习算法；若所述目标故障类型所对应的故障为衰退性故障，从多种回归机器学习算法中选择一种作为适用于所述目标故障类型的机器学习算法。一种多功能车辆总线MVB波形的故障诊断装置，包括：采集单元，用于获取待诊断的MVB波形数据；预处理单元，用于对所述MVB波形数据进行预处理，得到预处理后的波形数据；诊断单元，用于从所述预处理后的波形数据中提取关键特征向量；使用目标机器学习模型分析所述关键特征向量，得到所述MVB波形数据的故障诊断结果；其中，所述关键特征向量包括各关键特征项对应的特征值；所述目标机器学习模型是基于真实MVB波形数据训练得到的。在本专利技术实施例中，在对原始的MVB波形数据提取关键特征向量后，会将关键特征向量输入目标机器学习模型，由目标机器学习模型进行分析，得到MVB波形数据的故障诊断结果。而目标机器学习模型是基于真实MVB波形数据训练得到，与现有的诊断设备相比，目标机器学习模型的故障诊断结果与实际工业应用中MVB的真实故障情况更接近，诊断精度更高，从而可降低故障误报率，进而减少了技术人员的工作量，提高了列车通信网的排故效率。附图说明图1为本专利技术实施例提供的MVB波形的故障诊断方法的示例性流程图；图2为本专利技术实施例提供的机器学习模型训练的示例性流程图；图3为本专利技术实施例提供的健康波形数据示例图；图4-7为专利技术实施例提供的故障波形数据示例图；图8为专利技术实施例提供的故障诊断方法的另一示例性流程图；图9为专利技术实施例提供的诊断过程和训练过程的整体示例性流程图；图10为专利技术实施例提供的诊断装置的示例性结构图。具体实施方式本专利技术提供多功能车辆总线(MultifunctionVehicleBus，MVB)波形的故障诊断方法及装置，其既可运用在MVB网本文档来自技高网...

【技术保护点】
1.一种多功能车辆总线MVB波形的故障诊断方法，其特征在于，包括：获取待诊断的MVB波形数据；对所述MVB波形数据进行预处理，得到预处理后的波形数据；从所述预处理后的波形数据中提取关键特征向量；所述关键特征向量包括各关键特征项对应的特征值；使用目标机器学习模型分析所述关键特征向量，得到所述MVB波形数据的故障诊断结果；其中，所述目标机器学习模型是基于真实MVB波形数据训练得到的。

【技术特征摘要】
1.一种多功能车辆总线MVB波形的故障诊断方法，其特征在于，包括：获取待诊断的MVB波形数据；对所述MVB波形数据进行预处理，得到预处理后的波形数据；从所述预处理后的波形数据中提取关键特征向量；所述关键特征向量包括各关键特征项对应的特征值；使用目标机器学习模型分析所述关键特征向量，得到所述MVB波形数据的故障诊断结果；其中，所述目标机器学习模型是基于真实MVB波形数据训练得到的。2.如权利要求1所述的方法，其特征在于，所述故障诊断结果包括：故障类型及相应的诊断信息；其中，所述诊断信息包括：第一信息和第二信息中的至少一种，所述第一信息用于表征所述故障类型是否发生，所述第二信息用于表征所述故障类型的故障程度。3.如权利要求1所述的方法，其特征在于，所述目标机器学习模型的训练过程包括：从多种MVB波形的故障类型中确定出适于采用机器学习进行诊断的故障类型；所述适于采用机器学习进行诊断的故障类型为目标故障类型；从数据源处获取波形样本；其中，任一所述波形样本包含真实的MVB波形数据；对所述波形样本进行预处理，得到预处理后的波形样本；从所述预处理后的波形样本中提取特征样本；所述特征样本包括各关键特征项对应的特征值；对所述特征样本进行标记，以表征所述特征样本的波形状态；从多种机器学习算法中选择出适用于所述目标故障类型的机器学习算法；所述适用于所述目标故障类型的机器学习算法为目标机器学习算法；确定所述目标机器学习算法的超参数，对确定出超参数的所述目标机器学习算法进行初始参数赋值；使用训练样例集和完成初始参数赋值的所述目标机器学习算法，训练得到所述目标机器学习模型；其中，所述训练样例集包括至少两个标记后的特征样本。4.如权利要求3所述的方法，其特征在于，在提取所述特征样本之前，还包括：从预设的M个特征项中选取与所述目标故障类型关联度最高的N个特征项作为所述关键特征项，其中，所述M、N均为自然数，且N小于M。5.如权利要求4所述的方法，其特征在于，在训练得到所述目标机器学习模型后，还包括：使用测试样例集测试所述目标机器学习模型的诊断精度和诊断速度；所述测试样例集包含至少两个标记后的特征样本；若所述目标机器学习模型不满足预设条件，执行下述操作中的一种或多种，并进行重新训练：重新确定所述目标故障类型对应的关键特征项；修改所述超参数；选择其他的机器学习算法作为所述目标...

【专利技术属性】
技术研发人员：李方旭，陈幸，孙英可，
申请(专利权)人：上海仁童电子科技有限公司，
类型：发明
国别省市：上海,31