一种智慧列车整车服役寿命非侵入预测方法技术

本发明专利技术公开了一种智慧列车整车服役寿命非侵入预测方法，包括采集列车关键设备信号得到各关键设备的采样数据和总测点的采样数据并进行数据处理；构建各个关键设备的非侵入负荷分解模型；再次处理列车各关键设备的历史服役寿命参数与关键设备特征参数；构建得到列车各个关键设备的服役寿命预测模型和列车各个关键设备的服役寿命集成预测模型；构建得到列车整车的服役寿命预测模型；采用实时采集待预测的目标列车的实时信号并采用构建的模型对待预测的目标列车的关键设备寿命和整车寿命进行预测。本发明专利技术方法实现了列车整车服役寿命的非侵入预测，而且可靠性高，实用性好、成本低廉且可行性较好。

【技术实现步骤摘要】
一种智慧列车整车服役寿命非侵入预测方法
本专利技术属于轨道交通领域，具体涉及一种智慧列车整车服役寿命非侵入预测方法。
技术介绍
随着经济技术的发展和人们生活水平的提高，轨道交通已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。随着我国轨道交通技术的不断发展，列车的安全可靠运行受到广泛关注。列车的整车服役寿命有一定的期限，超龄服役的列车容易引发各种安全事故，带来人身伤害与财产损失，因此对列车整车服役寿命的预测具有重要意义。目前针对列车寿命预测的专利主要涉及以下两个方面：1.针对列车的单个设备进行寿命预测：如公开号CN105973597A的专利，利用布置在列车轴箱上的多个传感器采集实时载荷数据，并考虑固定时间内的轴承损伤，预测得到轴承的寿命。2.基于多传感器的列车整车服役寿命预测：如公开号为CN110376003A的专利，基于布置在列车各个部件内部的传感器网络时刻监测所有相关部件的工作性能参数，并利用智能模型实现了对列车整车服役寿命的预测。以上方法能够实现对列车单个设备或整车服役寿命的预本文档来自技高网...

【技术保护点】
1.一种智慧列车整车服役寿命非侵入预测方法，包括如下步骤：/nS1.采用侵入式方式对列车的关键设备进行信号采集，得到各关键设备的采样数据和总测点的采样数据；/nS2.对步骤S1获取的采样数据进行预处理，从而得到关键设备特征参数和总测点特征参数；/nS3.构建总测点与各个关键设备之间的特征关系原始模型，并采用步骤S2得到的关键设备特征参数对特征关系原始模型进行训练，从而得到各个关键设备的非侵入负荷分解模型；/nS4.对列车各个关键设备的历史服役寿命参数与步骤S2得到的关键设备特征参数再次进行处理；/nS5.构建各个关键设备的服役寿命预测原始模型和各个关键设备的服役寿命集成预测原始模型，并采用步骤...

【技术特征摘要】
1.一种智慧列车整车服役寿命非侵入预测方法，包括如下步骤：
S1.采用侵入式方式对列车的关键设备进行信号采集，得到各关键设备的采样数据和总测点的采样数据；
S2.对步骤S1获取的采样数据进行预处理，从而得到关键设备特征参数和总测点特征参数；
S3.构建总测点与各个关键设备之间的特征关系原始模型，并采用步骤S2得到的关键设备特征参数对特征关系原始模型进行训练，从而得到各个关键设备的非侵入负荷分解模型；
S4.对列车各个关键设备的历史服役寿命参数与步骤S2得到的关键设备特征参数再次进行处理；
S5.构建各个关键设备的服役寿命预测原始模型和各个关键设备的服役寿命集成预测原始模型，并采用步骤S4得到的数据对构建的两个模型进行训练，从而得到列车各个关键设备的服役寿命预测模型和列车各个关键设备的服役寿命集成预测模型；
S6.构建列车整车的服役寿命预测原始模型，采用步骤S5得到的列车各个关键设备的服役寿命预测模型的预测结果对服役寿命预测原始模型进行训练，从而得到列车整车的服役寿命预测模型；
S7.采用非侵入方式实时采集待预测的目标列车的实时信号，进行数据处理后，再通过步骤S5构建的列车各个关键设备的服役寿命预测模型和列车各个关键设备的服役寿命集成预测模型，以及步骤S7构建的列车整车的服役寿命预测模型，对待预测的目标列车的关键设备寿命和整车寿命进行预测。


2.根据权利要求1所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤S1所述的采用侵入式方式对列车的关键设备进行信号采集，得到各关键设备的采样数据和总测点的采样数据，具体为采用如下步骤得到各关键设备的采样数据和总测点的采样数据：
A.将列车分为机械部分和电气部分，并针对每个部分选定相应的关键设备；同时选定列车整体的总测点；
B.选取带有不同剩余服役寿命的列车；
C.针对步骤B选取的各个列车，获取步骤A中各个关键设备处的振动加速度信号和负荷有功功率信号，同时获取总测点处的振动加速度信号和负荷有功功率信号；
D.对步骤C得到的信号数据进行数据处理，从而得到最终的各关键设备的采样数据和总测点的采样数据。


3.根据权利要求2所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤S2所述的对步骤S1获取的采样数据进行预处理，从而得到关键设备特征参数和总测点特征参数，具体为采用如下步骤得到关键设备特征参数：
a.采用傅里叶变换，将步骤S1获取的所有的原始采样数据变换为高低频信号，并采用低通滤波器进行去噪，从而得到总测点有效特征参数和各个关键设备有效特征参数；
b.对步骤a得到的有效特征参数进行归一化处理，从而保证归一化处理后的数据符合标准正态分布；
c.采用滑动窗的方式将步骤b处理后的数据信息，以统一的格式进行存储，从而得到最终的关键设备特征参数p'＝[pe,pl,pt,p'(t)]和a'＝[ae,al,at,a'(t)]，以及总测点特征参数P'＝[Pl,Pt,P'(t)]和A'＝[Al,At,A'(t)]；其中p'(t)为处理后的电气设备的负荷有功功率信号值，a'(t)为处理后的机械设备的振动加速度信号的信号值，P'(t)为处理后的总测点处的负荷有功功率信号值，A'(t)为处理后的总测点处的振动加速度信号的信号值。


4.根据权利要求3所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤S3所述的构建总测点与各个关键设备之间的特征关系原始模型，并采用步骤S2得到的关键设备特征参数对特征关系原始模型进行训练，从而得到各个关键设备的非侵入负荷分解模型，具体为采用如下步骤得到各个关键设备的非侵入负荷分解模型：
(1)将卷积层内置到门控循环单元神经网络中，从而构建得到非侵入负荷分解模型；
(2)将步骤S2处理后的数据分为训练集和验证集，逐一训练各个关键设备的非侵入负荷分解初步模型；
(3)用验证集对步骤(2)得到的非侵入负荷分解初步模型进行验证，选取误差函数最优秀的模型，作为最终的各个关键设备的非侵入负荷分解模型。


5.根据权利要求4所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤(1)所述的将卷积层内置到门控循环单元神经网络中，从而构建得到非侵入负荷分解模型，具体为将卷积层内置到门控循环单元神经网络中，得到的神经网络包括输入层、一个卷积层、一个隐藏层和一个输出层；隐藏层包括一个门控循环单元和一个全连接层；采用ReLU函数和linear作为激活函数；采用交叉熵函数作为损失函数；采用NAG算法作为参数优化算法进行后续的模型训练，同时设定学习率η＝0.01，衰减率γ＝0.9。


6.根据权利要求5所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤S4所述的对列车各个关键设备的历史服役寿命参数与步骤S2得到的关键设备特征参数再次进行处理，具体为采用如下步骤进行处理：
1)采用经验小波变换算法，将步骤S1得到的数据信息pl和al，以及步骤S2得到的数据信息p'(t)和a'(t)，分解为固定数量的高低频的子序列；
2)利用样本熵评估步骤1)得到的子序列的平稳性；
3)根据步骤2)得到的子序列的平稳性，采用ICEEMDAN算法对不平稳子序列进行进一步分解；
4)利用主成分分析法进行降维，从而得到最终的处理数据pl'＝[pl1',pl2',...,plc']、p”(t)＝[p1”(t),p2”(t),...pc”(t)]、al'＝[al1',al2',...,alc']和a”(t)＝[a1”(t),a2”(t),...,ac”(t)]。


7.根据权利要求6所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤S5所述的构建各个关键设备的服役寿命预测原始模型和各个关键设备的服役寿命集成预测原始模型，并采用步骤S4得到的数据对构建的两个模型进行训练，从而得到列车各个关键设备的服役寿命预测模型和列车各个关键设备的服役寿命集成预测模型，具体为采用如下步骤得到列车各个关键设备的服役寿命预测模型：
Ⅰ.以蜻蜓算法优化的回声状态网络模型作为原始模型，构建针对各个关键设备的服役寿命预测原始模型；并采用步骤S4得到的处理后的数据，对构建的各个关键设备的服役寿命预测原始模型进行训练，从而得到列车各个关键设备的服役寿命预测模型；
Ⅱ.以蜻蜓算法优化的回声状态网络模型作为原始模型，构建各个关键设备的服役寿命集成预测原始模型；并采用步骤S4得到的处理后的数据，对构建的各个关键设备的服役...

【专利技术属性】
技术研发人员：刘辉，尹诗，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43