一种基于时空融合决策的高速列车温度异常检测方法技术

本发明专利技术公开了一种基于时空融合决策的高速列车温度异常检测方法。通过将时间维度轴温异常检测模型与空间维度轴温异常检测模型融合，并结合D‑S证据理论对高速列车车辆部件温度异常情况进行基于时空融合的检测。本发明专利技术利用D‑S证据理论将时间与空间两个维度的温度异常检测模型进行结合，既能降低虚警率，又能保证较大的提前预警量，实现了对时间、空间维度模型的“扬长避短”。

【技术实现步骤摘要】
一种基于时空融合决策的高速列车温度异常检测方法
本专利技术涉及一种高速列车温度异常检测方法，属于一类高速列车运行过程温度异常预测领域，是基于深度学习的高速列车运行过程温度异常检测方法。
技术介绍
高速列车温度预测方法是在高速列车行驶过程中依据若干个传感器采集到的原始信号传输至计算机，通过对原始信号进行一系列的信号处理，从而建立起与温度实时预测的映射关系，最后通过智能温度预测算法来预测当前时间后一段时间的车辆部件温度，并以此作为异常状态判别的依据。当前高速列车车载智能运维系统主要是对温度的一个监测，利用制定相应的逻辑规则与温度阈值实现车辆部件状态辨识，这种方法能够避免发生重大安全事故，但是一旦发生此类报警则意味着部件出现重大损伤，车辆运行事故发生，无法做到对部件温度进行早期的异常检测以及故障定位并发出预警。近年来利用温度数据对高速列车温度异常检测提供了丰富的思路与方法，但仍然存在难以实现车载智能运维系统温度异常升高预警的缺陷。由于高速列车车辆部件温度数据在空间维度与时间维度上有着强大的相关性，因此寻找一种能够反应温度数据空间维度与时间维度之间内在关联的车辆部件温度异常检测机制，十分重要。
技术实现思路
本专利技术为了克服现有技术中对车辆部件温度异常检测的不足，提出了一种基于时空对比的高速列车车辆部件温度异常检测方法，通过将时间维度车辆部件温度异常检测模型与空间维度车辆部件温度异常检测模型融合，并利用D-S证据理论将时间与空间两个维度的温度异常检测模型进行结合，通过兼顾时间空间两个维度的优点建立起一种基于时空融合决策的高速列车车辆部件温度异常检测方法，从而实现对高速列车车辆部件温度异常的准确判断。为了实现上述专利技术目的，本专利技术的技术方案具体包括以下技术步骤：一种基于时空融合决策的高速列车温度异常检测方法，其特征在于，包括如下步骤：步骤1、构建基于空间维度的高速列车车辆部件温度异常检测模型；步骤2、构建基于时间维度的高速列车车辆部件温度异常检测模型；步骤3、基于步骤1和步骤2中所述异常检测模型构建基于时空融合决策的高速列车车辆部件温度异常检测模型用于判断高速列车车辆部件的温度是否异常；其中，所述车辆部件包括齿轮箱、轴承、电机中的一个或多个。优选地，所述构建基于空间维度的高速列车车辆部件温度异常检测模型具体包括：步骤A：利用滑动窗口对所述车辆部件的同类测点每一时刻历史邻域区间内的温度数据进行多次采样，获取最大值、最小值、峰值、峰-峰值、均值、方差、均方值、均方幅值、方根幅值、平均幅值、峰值、波形、脉冲、裕度、峭度15维时域特征，建立各时刻的特征空间，其中，所述同类测点是指同一车辆上所述车辆部件的空间位置相同的温度测点；步骤B：利用主成分分析方法(PCA)对所述15维时域特征数据降维取其第一主成分，保留最能表征数据特点的一部分信息，去除存在的冗余信息；步骤C：将经过所述PCA处理后的时域特征信息通过K-means聚类将温度时域特征第一主成分聚为正常与异常两类，从而实现同类测点间异常温升的诊断与定位得到一级异常检测结果；步骤D：构建高速列车车辆部件异常温升决策模型对所述一级异常检测结果进行二次判定得到二级异常检测结果。其中，步骤D中构建的高速列车车辆部件异常温升决策模型具体包括：步骤1)：将所述车辆部件温度环境划分为低、中、高三个温区；并将每个温区按照持续时长划分为短时、中时、长时三个连续条件；在短时连续条件下设置方差增幅大、方差小和方差大三个判据，中、长时连续条件下设置方差小和方差大两个判据，并将所述PCA处理后的第一主成分方差值作为离群程度的度量指标；步骤2)：基于专家经验确定所述步骤1)中设置的每一个判据的权重分值，所述权重分值与危险程度成正比，当所述三个温区中任意一个温区的判据权重分值的总和大于设定阈值后则判定该时刻温升状态属于故障温升，从而构建出车辆部件异常温升的初始模型；步骤3)：基于步骤2构建的车辆部件异常温升的初始模型，利用AHP-熵值法对所述初始模型进行优化，获得高速列车车辆部件异常温升决策模型。优选地，所述构建基于时间维度的高速列车车辆部件温度异常检测模型具体包括：步骤A：采集高速列车历史履历数据，其中所述历史履历数据包括高速列车车辆部件的同类测点温度数据以及高速列车运行过程中的多种工况数据；步骤B：通过随机森林算法从所述工况数据中筛选出有利于车辆部件温度预测的敏感数据，筛除与车辆部件温度变化关联性较弱的数据；步骤C：构建车辆部件温度预测模型；将所述敏感数据和所述温度数据组成输入矩阵Xt，将所述输入矩阵Xt输入至双向长短时记忆神经网络中，并输出下一时刻的温度预测值；其中，所述双向长短时记忆神经网络中的学习率设置为0.0005，双向长短时记忆神经网络的隐层节点数为64，整个网络结构设置两层双向长短时记忆神经网络结构，Dropout层的丢失比例设置为0.5，批量设置为100，最大迭代次数设置为600次，优化器选择Adam梯度优化；步骤D：根据所述温度预测值与实际监测值之间的残差构建高速列车车辆部件温度异常预警策略。优选地，所述构建基于时空融合决策的高速列车车辆部件温度异常检测模型具体包括：步骤A：构造高速列车车辆部件温度异常辨识框架Θ＝{A1,A2,A3}；其中，A1、不A2、A3分别代表正常、不确定和故障三种状态；步骤B：构造高速列车车辆部件温度异常证据体与基本概率分配函数；将所述空间维度的高速列车车辆部件温度异常检测模型与所述时间维度的高速列车车辆部件温度异常检测模型的各自输出作为两个独立的证据体，计算两个维度证据体的基础概率分配函数，其中，计算公式如下：式中，i＝1，2，3，ri为不同长度历史邻域区间内的平均偏离程度，空间维度下即为同类测点温度的方差均值，时间维度下即为预测值与实际值的残差均值；步骤C：证据融合；将所述证据体对应的基本概率分配函数通过Dempster组合规则进行组合，得到新的基本概率分配函数，为基于时空对比融合决策的高速列车车辆部件温度异常诊断提供依据；步骤D：决策诊断；获得所述证据融合的结果后，若存在m(Ai)＝max{m(A)}且i≠2，并满足：则判定Ai为最终决策结果；式中ε1、ε2为设定阈值，此处设为ε1＝0.1，ε2＝0.3；根据所述最终决策结果判断高速列车车辆部件温度是否异常。与现有技术相比，本专利技术将正常情况下同类测点车辆部件工况的相似性与故障部件温升的离群特性作为出发点，使用K-means聚类定位异常温升测点，实现了无历史训练模型的车辆部件温度在线异常检测；在车辆部件异常温升检测模型的基础上，本专利技术提出一种基于AHP-熵值法优化的异常温升决策模型来对车辆部件温度异常检测结果进行二次判别，在针对故障温度数据的判别准确率方面，本专利技术提出的一、二级异常检测均能保证100％准确率，针对存在疑似故障温升的两组正常温度数据，本专利技术提出的决策模型极大程度本文档来自技高网...

【技术保护点】
1.一种基于时空融合决策的高速列车温度异常检测方法，其特征在于，包括如下步骤：/n步骤1、构建基于空间维度的高速列车车辆部件温度异常检测模型；/n步骤2、构建基于时间维度的高速列车车辆部件温度异常检测模型；/n步骤3、基于步骤1和步骤2中所述异常检测模型构建基于时空融合决策的高速列车车辆部件温度异常检测模型用于判断高速列车车辆部件的温度是否异常；其中，所述车辆部件包括齿轮箱、轴承、电机中的一个或多个。/n

【技术特征摘要】
1.一种基于时空融合决策的高速列车温度异常检测方法，其特征在于，包括如下步骤：
步骤1、构建基于空间维度的高速列车车辆部件温度异常检测模型；
步骤2、构建基于时间维度的高速列车车辆部件温度异常检测模型；
步骤3、基于步骤1和步骤2中所述异常检测模型构建基于时空融合决策的高速列车车辆部件温度异常检测模型用于判断高速列车车辆部件的温度是否异常；其中，所述车辆部件包括齿轮箱、轴承、电机中的一个或多个。


2.如权利要求1所述的一种基于时空融合决策的高速列车温度异常检测方法，其特征在于，所述步骤1具体包括：
步骤A：利用滑动窗口对所述车辆部件的同类测点每一时刻历史邻域区间内的温度数据进行多次采样，获取最大值、最小值、峰值、峰-峰值、均值、方差、均方值、均方幅值、方根幅值、平均幅值、峰值、波形、脉冲、裕度、峭度15维时域特征，建立各时刻的特征空间，其中，所述同类测点是指同一车辆上所述车辆部件的空间位置相同的温度测点；
步骤B：利用主成分分析方法(PCA)对所述15维时域特征数据降维取其第一主成分，保留最能表征数据特点的一部分信息，去除存在的冗余信息；
步骤C：将经过所述PCA处理后的时域特征信息通过K-means聚类将温度时域特征第一主成分聚为正常与异常两类，从而实现同类测点间异常温升的诊断与定位得到一级异常检测结果；
步骤D：构建高速列车车辆部件异常温升决策模型对所述一级异常检测结果进行二次判定得到二级异常检测结果。


3.如权利要求2所述的一种基于时空融合决策的高速列车温度异常检测方法，其特征在于，所述步骤D中构建的高速列车车辆部件异常温升决策模型具体包括：
步骤1)：将所述车辆部件温度环境划分为低、中、高三个温区；并将每个温区按照持续时长划分为短时、中时、长时三个连续条件；在短时连续条件下设置方差增幅大、方差小和方差大三个判据，中、长时连续条件下设置方差小和方差大两个判据，并将所述PCA处理后的第一主成分方差值作为离群程度的度量指标；
步骤2)：基于专家经验确定所述步骤1)中设置的每一个判据的权重分值，所述权重分值与危险程度成正比，当所述三个温区中任意一个温区的判据权重分值的总和大于设定阈值后则判定该时刻温升状态属于故障温升，从而构建出车辆部件异常温升的初始模型；
步骤3)：基于步骤2构建的车辆部件异常温升的初始模型，利用AHP-熵值法对所述初始模型进行优化，获得高速列车车辆部件异常温升决策...

【专利技术属性】
技术研发人员：邹益胜，史珂铭，吴宇，丁国富，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川;51