一种城轨车辆制动系统的性能检测方法、系统以及设备技术方案

本发明专利技术揭示了一种城轨车辆制动系统的性能检测方法、系统以及电子设备，所述方法包括：A、构建城轨车辆制动系统正常行为模型；B、采用人工神经网络对正常行为模型进行拟合，以得到拟合后的神经网络模型；C、以城轨车辆在正常状态运行时的正常行为数据构建样本，对神经网络模型进行训练，以得到描述城轨车辆制动系统在正常状态运行时的制动减速度变化的正常行为模型；D、构建城轨车辆在正常状态运行时各制动手柄级位对应的模型输入样本，并分别通过步骤C得到的正常行为模型计算得到各制动手柄级位对应的制动减速度期望值；以及E、分别获得城轨车辆在实际运行时每个制动手柄级位对应的制动减速度平均值与制动减速度期望值之间的偏差值。

【技术实现步骤摘要】
一种城轨车辆制动系统的性能检测方法、系统以及设备
本专利技术涉及城轨车辆制动领域，进一步地，涉及一种城轨车辆制动系统的性能检测方法、系统以及设备。
技术介绍
城轨车辆，是一种在专用轨道上运行的车辆，例如地铁、火车、轻轨、独轨、新交通系统、磁悬浮等。城轨车辆制动系统是城轨车辆的关键子系统，负责为城轨车辆的减速行驶或者停车提供制动力，其可靠性和安全性直接关系着城轨车辆的运行安全和运营质量。为了确保城轨车辆制动系统的安全可靠运行，城轨车辆制动系统加装了大量传感器对制动系统的工作参数进行监测，并且具有一定的诊断能力，能够检测到部分故障并且自动采取主动安全措施。另外，城轨车辆执行日常检修也能对包括制动系统在内的各类故障实现主动发现和防范。不过，目前城轨车辆制动系统的状态检测和日常检修偏重于对已经发生的故障的诊断和检修，对于故障的早期检测尚且缺乏适用方法和技术。同时，对于制动系统整体性能的评价和系统性能劣化过程的分析和评估也缺乏可行方法。因此，目前对城轨车辆制动系统的状态检修尚且缺乏有效的技术支持，其维修策略也主要是定时维修和事后维修，不能满足提高轨道车辆运行效率及降低运营成本的要求。专利号为CN201910164981.6的专利申请中公开了一种基于特征量的地铁列车牵引系统动态风险分析评估方法，该方法包括：S1、地铁列车牵引系统监控实时采集各个车辆和设备的数据；S2、基于采集的数据建立地铁牵引系统典型风险链条，建立电容故障率随电容等效串联电阻变化图和牵引电机故障率随电机振动变化曲线图；S3、依据检测的数据，动态统计t时刻牵引逆变器的等效串联电阻RESR、电机振动烈度L，并按照电容故障率随电容等效串联电阻变化图像，计算电容实时故障概率Pt1；按照牵引电机故障率随电机振动变化曲线图，计算出电机故障概率Pt2；S4、求得t时刻因逆变器支撑电容故障条件下典型风险链条发生概率Pt。该方法通过动态检测不同时刻下的各车辆的牵引设备的状态，获得电机故障概率，从而实现对牵引系统健康状态做出实时定量的分析评估。然而该方法检测的数据类型较少，只能得出故障发生概率，对于后续维修决策无法提供数据支持。
技术实现思路
本专利技术的优势在于提供一种城轨车辆制动系统的性能检测方法、系统以及设备，通过分析城轨车辆制动系统实际运行时的性能指标与正常运行时的正常性能期望值的偏离情况，检测系统运行状态，进而识别系统的早期故障，同时基于实际性能指标与正常性能期望值之间的偏离情况对城轨车辆制动系统的性能状态进行定量评估，以实现为基于当前状态的维修决策提供数据支持。为实现上述专利技术优势，本专利技术提供了如下技术方案：一种城轨车辆制动系统的性能检测方法，包括：A、构建城轨车辆制动系统正常行为模型，其中所述正常行为模型为描述制动减速度与其影响因素之间的非线性关系的模型，其中所述城轨车辆的制动减速度的影响因素包括城轨车辆的车速、车重、制动缸压力、制动切除数量以及制动手柄级位；B、采用人工神经网络对所述正常行为模型进行拟合，以得到拟合后的神经网络模型；C、以所述城轨车辆在正常状态运行时的正常行为数据构建样本，对拟合后的神经网络模型进行训练，以得到描述所述城轨车辆制动系统在正常状态运行时的制动减速度变化的正常行为模型，其中所述正常行为数据包括所述城轨车辆在正常状态运行时的各制动手柄级位对应的制动减速度、车速、车重、制动缸压力以及制动手柄级位；D、构建所述城轨车辆在正常状态运行时各制动手柄级位对应的模型输入样本，并分别通过所述步骤C得到的正常行为模型计算得到各制动手柄级位对应的制动减速度期望值；以及E、分别获得所述城轨车辆在实际运行时每个制动手柄级位对应的制动减速度平均值与所述制动减速度期望值之间的偏差值，其中所述偏差值用于评估所述城轨车辆的性能状态。在一或多个实施例中，所述步骤A中，所述正常行为模型为：其中，表示城轨车辆的第k个制动手柄级位(Lk)对应的制动减速度期望值，V表示车速，M表示车重，Pcy表示制动缸压力，Nbr_ex表示切除制动数量，如果没有车辆制动被切除，则Nbr_ex＝0，如果有一个车厢制动被切除，则Nbr_ex＝1，Moi表示空气湿度，ek表示模型拟合误差，f(·)表示描述制定减速度与其影响因素之间的非线性关系。在一或多个实施例中，所述步骤B中，采用单隐层人工神经网络对所述正常行为模型进行拟合。在一或多个实施例中，所述步骤C中，若当前制动手柄级位为Lk，则选择制动手柄级位切换到Lk的时刻tk-1到制动手柄级位从Lk切换到另外一个级位时刻tk之间的正常行为数据构建一个样本，采用制动级位Lk进行了N次制动的方式，则构建N个样本，表示为如下的方式：其中，表示城轨车辆的第k个制动手柄级位(Lk)对应的制动减速度平均值，V表示车速，M表示车重，Pcy表示制动缸压力，Nbr_ex表示切除制动数量，如果没有车辆制动被切除，则Nbr_ex＝0，如果有一个车厢制动被切除，则Nbr_ex＝1，Moi表示空气湿度。在一或多个实施例中，所述步骤C中，模型训练方法为BP(BackPropagation)算法或LM(Levenberg-Marquart)算法。在一或多个实施例中，所述性能检测方法，进一步包括：响应于各制动手柄级位对应的所述偏差值Δa中的任一个大于预设阈值，则进行反馈。在一或多个实施例中，所述性能检测方法，进一步包括：响应于各制动手柄级位对应的所述偏差值的时间序列形成突变，则进行反馈。在一或多个实施例中，所述性能检测方法，进一步包括：响应于各制动手柄级位对应的所述偏差值的时间序列形成持续变大或变小趋势，则进行反馈。依本专利技术的另一方面，进一步提供一种性能检测系统，包括：正常行为模型构建模块，用于构建城轨车辆制动系统正常行为模型，其中所述正常行为模型为描述制动减速度与其影响因素之间的非线性关系的模型，其中所述城轨车辆的制动减速度的影响因素包括城轨车辆的车速、车重、制动缸压力、制动切除数量以及制动手柄级位；模型拟合模块，采用人工神经网络对所述正常行为模型进行拟合，以得到拟合后的神经网络模型，和以所述城轨车辆在正常状态运行时的正常行为数据构建样本，对所述神经网络模型进行训练，以得到描述所述城轨车辆制动系统在正常状态运行时的制动减速度的正常行为模型，其中所述正常行为数据包括所述城轨车辆在正常状态运行时的各制动手柄级位对应的制动减速度、车速、车重、制动缸压力以及制动手柄级位；制动减速度期望值计算模块，用于构建所述城轨车辆在正常状态运行时各制动手柄级位对应的模型输入样本，并分别通过所述正常行为模型计算得到各制动手柄级位对应的制动减速度期望值；以及偏差值计算模块，用于分别计算得到所述城轨车辆在实际运行时每个制动手柄级位对应的制动减速度平均值与所述制动减速度期望值之间的偏差值，其中所述偏差值用于评估所述城轨车辆的性能状态。依本专利技术的另一方面，进一步提供一种电子设备，包括：存储器；和处理器，其中所本文档来自技高网...

【技术保护点】
1.一种城轨车辆制动系统的性能检测方法，其特征在于，包括：/nA、构建城轨车辆制动系统正常行为模型，其中所述正常行为模型为描述制动减速度与其影响因素之间的非线性关系的模型，其中所述城轨车辆的制动减速度的影响因素包括城轨车辆的车速、车重、制动缸压力、制动切除数量以及制动手柄级位；/nB、采用人工神经网络对所述正常行为模型进行拟合，以得到拟合后的神经网络模型；/nC、以所述城轨车辆在正常状态运行时的正常行为数据构建样本，对所述神经网络模型进行训练，以得到描述所述城轨车辆制动系统在正常状态运行时的制动减速度变化的正常行为模型，其中所述正常行为数据包括所述城轨车辆在正常状态运行时的各制动手柄级位对应的制动减速度、车速、车重、制动缸压力以及制动手柄级位；/nD、构建所述城轨车辆在正常状态运行时各制动手柄级位对应的模型输入样本，并分别通过所述步骤C得到的正常行为模型计算得到各制动手柄级位对应的制动减速度期望值；以及/nE、分别获得所述城轨车辆在实际运行时每个制动手柄级位对应的制动减速度平均值与所述制动减速度期望值之间的偏差值，其中所述偏差值用于评估所述城轨车辆的性能状态。/n

【技术特征摘要】
1.一种城轨车辆制动系统的性能检测方法，其特征在于，包括：
A、构建城轨车辆制动系统正常行为模型，其中所述正常行为模型为描述制动减速度与其影响因素之间的非线性关系的模型，其中所述城轨车辆的制动减速度的影响因素包括城轨车辆的车速、车重、制动缸压力、制动切除数量以及制动手柄级位；
B、采用人工神经网络对所述正常行为模型进行拟合，以得到拟合后的神经网络模型；
C、以所述城轨车辆在正常状态运行时的正常行为数据构建样本，对所述神经网络模型进行训练，以得到描述所述城轨车辆制动系统在正常状态运行时的制动减速度变化的正常行为模型，其中所述正常行为数据包括所述城轨车辆在正常状态运行时的各制动手柄级位对应的制动减速度、车速、车重、制动缸压力以及制动手柄级位；
D、构建所述城轨车辆在正常状态运行时各制动手柄级位对应的模型输入样本，并分别通过所述步骤C得到的正常行为模型计算得到各制动手柄级位对应的制动减速度期望值；以及
E、分别获得所述城轨车辆在实际运行时每个制动手柄级位对应的制动减速度平均值与所述制动减速度期望值之间的偏差值，其中所述偏差值用于评估所述城轨车辆的性能状态。


2.根据权利要求1所述的性能检测方法，其特征在于，所述步骤A中，所述正常行为模型为：



其中，表示城轨车辆的第k个制动手柄级位(Lk)对应的制动减速度期望值，V表示车速，M表示车重，Pcy表示制动缸压力，Nbr_ex表示切除制动数量，如果没有车辆制动被切除，则Nbr_ex＝0，如果有一个车厢制动被切除，则Nbr_ex＝1，Moi表示空气湿度，ek表示模型拟合误差，f(·)表示描述制定减速度与其影响因素之间的非线性关系。


3.根据权利要求1所述的性能检测方法，其特征在于，所述步骤B中，采用单隐层人工神经网络对所述正常行为模型进行拟合。


4.根据权利要求1所述的性能检测方法，其特征在于，所述步骤C中，若当前制动手柄级位为Lk，则选择制动手柄级位切换到Lk的时刻tk-1到制动手柄级位从Lk切换到另外一个级位时刻tk之间的正常行为数据构建一个样本，采用制动级位Lk进行了N次制动的方式，则构建N个样本，表示为如下的方式：



其中，表示城轨车辆的第k个制动手柄级位(Lk)对应的制动减速度平均值，V表示车速，M表示车重，Pcy表示制动缸压力，Nbr_ex表示切除制动数...

【专利技术属性】
技术研发人员：文永亮，于东明，王艳秋，于闯，杨东，于超然，梁昕，雷达，崔凯，
申请(专利权)人：上海杰之能软件科技有限公司，
类型：发明
国别省市：上海;31