故障检测方法及装置制造方法及图纸

本发明专利技术公开了一种故障检测方法及装置。其中，该方法包括：获取列车中目标部位的实时温度信息；将实时温度信息输入神经网络模型进行分析，得到目标部位在预设采样周期内的温度偏差信息，其中，该温度偏差信息用于反映目标部位的实时温度信息与标准数据的差异程度；基于温度偏差信息确定目标部位发生故障的置信度，其中，置信度用于反映发生故障的概率；比较置信度和预设阈值；在置信度小于预设阈值时，确定目标部位发生故障。本发明专利技术解决了相关技术中故障预测结果不准确的技术问题。

Fault detection method and device

【技术实现步骤摘要】
故障检测方法及装置
本专利技术涉及车辆故障检测领域，具体而言，涉及一种故障检测方法及装置。
技术介绍
为了保证列车的安全行驶，在列车运行过程中往往需要对其行走部的的关键部件进行温度检测，但是，目前的温度检测方案在对列车的相关部件(例如列车转向架和走行部的关键部件)进行故障预测时，仅仅采用简单的阈值判断的方式进行，这样，使得检测结果不是特别准确。针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种故障检测方法及装置，以至少解决相关技术中故障预测结果不准确的技术问题。根据本专利技术实施例的一个方面，提供了一种故障检测方法，包括：获取列车中目标部位的实时温度信息；将实时温度信息输入神经网络模型进行分析，得到目标部位在预设采样周期内的温度偏差信息，其中，该温度偏差信息用于反映目标部位的实时温度信息与标准数据的差异程度；基于温度偏差信息确定目标部位发生故障的置信度，其中，置信度用于反映发生故障的概率；比较置信度和预设阈值；在置信度小于预设阈值时，确定目标部位发生故障。可选地，基于温度偏差信息确定目标部位发生故障的置信度，包括：基于温度偏差信息确定温度偏差信息对应的温度采样数据是否为异常采样数据；在确定为异常样本数据时，基于温度采样数据和预设采样周期内的历史异常样本数据确定目标部位所处的状态，其中，状态用于指示目标部位在预设采样周期内异常样本数据的变化趋势；依据状态确定置信度。可选地，上述状态包括以下至少之一：第一状态，用于表示首次出现异常样本数据；第二状态，用于表示在连续的采样点时刻采集的样本数据均为异常样本数据；第三状态，用于表示目标部位在上一个采样点的样本数据为异常样本数据，在当前采样点的样本数据为正常样本数据；第四状态，用于表示在上一个采样点的样本数据为正常样本数据，在当前采样点的样本数据为异常样本数据。可选地，依据状态确定置信度，包括：在状态为第一状态时，基于首次出现的异常样本数据的偏差值、基准偏差值、连续出现的异常样本数据的数量确定与第一状态对应的置信度，其中，数量为1；在状态为第二状态时，基于异常样本数据的偏差值、基准偏差值、连续出现的异常样本数据的数量以及第一状态或第二状态对应的置信度确定与第二状态对应的置信度；在状态为第三状态时，基于上次异常样本数据出现之后到目前为止共监测的样本数目，以及第一状态、第二状态或第三状态中的其中一个状态对应的置信度确定与第四状态对应的置信度；在状态为第四状态时，基于异常样本数据的偏差值、基准偏差值、连续出现的异常样本数据的数量以及第三状态对应的置信度确定与第四状态对应的置信度。可选地，与第一状态对应的置信度通过以下方式确定：其中，ScoreA表示第一状态对应的置信度，δD-L表示异常样本数据的偏差值，δbase表示基准偏差值，Nsa连续出现的异常样本数据的数量，Nthre表示异常样本数据的数量阈值。可选地，与第二状态对应的置信度通过以下方式确定：其中，ScoreB表示与第二状态对应的置信度，表示异常样本数据的偏差值，表示基准偏差值，nsa连续出现的异常样本数据的数量，Nthre表示异常样本数据的数量阈值，Scoreinput表示第一状态或第二状态对应的置信度。可选地，与第三状态对应的置信度通过以下方式确定：其中，ScoreC表示与第三状态对应的置信度，nms表示上次异常样本数据出现之后到目前为止共监测的样本数目，Scoreinput表示第一状态、第二状态或第三状态中的其中一个状态对应的置信度。可选地，与第四状态对应的置信度通过以下方式确定：其中，ScoreD表示与第三状态对应的置信度，nsa连续出现的异常样本数据的数量,且Nsa＝1，Nthre表示异常样本数据的数量阈值，ScoreC表示第三状态对应的置信度，δD-L表示异常样本数据的偏差值，δbase表示基准偏差值。可选地，将实时温度信息输入神经网络模型进行分析，得到目标部位在预设采样周期内的温度偏差信息，包括：采用深度神经网络模型提取实时温度信息中的特征信息；将特征信息输入至长短期记忆网络模型进行分析，得到温度偏差信息。根据本申请实施例的另一方面，提供了一种故障检测装置，包括：获取模块，用于获取列车中目标部位的实时温度信息；分析模块，用于将实时温度信息输入神经网络模型进行分析，得到目标部位在预设采样周期内的温度偏差信息，其中，该温度偏差信息用于反映目标部位的实时温度信息与标准数据的差异程度；第一确定模块，用于基于温度偏差信息确定目标部位发生故障的置信度，其中，置信度用于反映发生故障的概率；比较模块，用于比较置信度和预设阈值；第二确定模块，用于在置信度小于预设阈值时，确定目标部位发生故障。根据本申请实施例的又一方面，提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行以上所述的故障检测方法。在本专利技术实施例中，将检测到的实时温度信息输入至神经网络模型进行分析，得到温度偏差信息，基于温度偏差信息确定目标部部位发生故障的置信度，从而基于置信度和预设阈值的比较结果确定是否发生故障。由于其采用了神经网络模型预测温度偏差信息，并采用了置信度来确定目标部位是否发生故障，因此，相对于简单地采用阈值判断的方式进行故障预测，其预测结果更加准确，进而解决了相关技术中故障预测结果不准确的技术问题。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是根据本申请实施例的一种故障检测方法的流程示意图；图2是根据本专利技术实施例的一种可选的趋势预测模型的原理示意图；图3是根据本申请实施例的一种可选的故障预测的原理示意图；图4是根据本申请实施例的一种可选的循环间接式故障评估策略(circularindirectalarmassessmentstrategy,CIAS)模块的原理示意图；图5是根据本申请实施例的一种故障检测装置的结构框图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是本文档来自技高网...

【技术保护点】
1.一种故障检测方法，其特征在于，包括：/n获取列车中目标部位的实时温度信息；/n将所述实时温度信息输入神经网络模型进行分析，得到所述目标部位在预设采样周期内的温度偏差信息，其中，该温度偏差信息用于反映所述目标部位的实时温度信息与标准数据的差异程度；/n基于所述温度偏差信息确定所述目标部位发生故障的置信度，其中，所述置信度用于反映发生故障的概率；/n比较所述置信度和预设阈值；/n在所述置信度小于所述预设阈值时，确定所述目标部位发生故障。/n

【技术特征摘要】
1.一种故障检测方法，其特征在于，包括：
获取列车中目标部位的实时温度信息；
将所述实时温度信息输入神经网络模型进行分析，得到所述目标部位在预设采样周期内的温度偏差信息，其中，该温度偏差信息用于反映所述目标部位的实时温度信息与标准数据的差异程度；
基于所述温度偏差信息确定所述目标部位发生故障的置信度，其中，所述置信度用于反映发生故障的概率；
比较所述置信度和预设阈值；
在所述置信度小于所述预设阈值时，确定所述目标部位发生故障。


2.根据权利要求1所述的方法，其特征在于，基于所述温度偏差信息确定所述目标部位发生故障的置信度，包括：
基于所述温度偏差信息确定所述温度偏差信息对应的温度采样数据是否为异常采样数据；
在确定为异常样本数据时，基于所述温度采样数据和所述预设采样周期内的历史异常样本数据确定所述目标部位所处的状态，其中，所述状态用于指示所述目标部位在所述预设采样周期内异常样本数据的变化趋势；
依据所述状态确定所述置信度。


3.根据权利要求2所述的方法，其特征在于，所述状态包括以下至少之一：
第一状态，用于表示首次出现异常样本数据；
第二状态，用于表示在连续的采样点时刻采集的样本数据均为异常样本数据；
第三状态，用于表示所述目标部位在上一个采样点的样本数据为异常样本数据，在当前采样点的样本数据为正常样本数据；
第四状态，用于表示在上一个采样点的样本数据为正常样本数据，在当前采样点的样本数据为异常样本数据。


4.根据权利要求3所述的方法，其特征在于，依据所述状态确定所述置信度，包括：
在所述状态为所述第一状态时，基于所述首次出现的异常样本数据的偏差值、基准偏差值、连续出现的异常样本数据的数量确定与所述第一状态对应的置信度，其中，所述数量为1；
在所述状态为第二状态时，基于所述异常样本数据的偏差值、基准偏差值、连续出现的异常样本数据的数量以及所述第一状态或第二状态对应的置信度确定与所述第二状态对应的置信度；
在所述状态为第三状态时，基于上次异常样本数据出现之后到目前为止共监测的样本数目，以及第一状态、第二状态或第三状态中的其中一个状态对应的置信度确定与所述第四状态对应的置信度；
在所述状态为第四状态时，基于所述异常样本数据的偏差值、基准偏差值、连续出现的异常样本数据的数量以及所述第三状态对应的置信度确定与所述第四状态对应的置信度。


5.根据权利要求4所述的方法，其特征在于，与所述第一状态对应的置信度通过以下方式确定：



其中，ScoreA表示第一状态对应的置...

【专利技术属性】
技术研发人员：董威，朱慧龙，张晓宁，陈嘉怡，杨慕晨，王作禹，
申请(专利权)人：中车青岛四方机车车辆股份有限公司，
类型：发明
国别省市：山东;37