【技术实现步骤摘要】
一种基于深度自编码的高铁牵引系统异常检测方法
本专利技术涉及高铁牵引系统异常检测方法。它涉及深度学习异常检测和系统健康管理领域。
技术介绍
随着高铁规模快速发展，其高速准时的优点吸引了大量的旅客，但是其高速运行的同时也给人们带来了安全方面的风险。牵引系统作为其核心的部件之一，关系着高速动车组的正常启动、制动、调速及为辅助系统供电等功能，其出现故障将严重影响高铁牵引控制能力，导致列车牵引力不足、晚点及列车行驶中途下线等情况，甚至直接导致牵引力中断，很大程度破坏了乘客体验与高速铁路运营秩序。因此，研究高铁牵引系统异常检测方法有着重要的现实意义。随着深度学习的发展与应用，基于深度学习的异常检测成为了研究热点。Hundman等人利用LSTM网络对系统时间序列数据进行预测，并根据真实值和预测值计算误差，将此误差与阈值进行比较，高于阈值则为异常，虽然最后取得了一定的有效结果，但是此方法针对系统的各个指标的时间序列单独建模，后期维护模型难度太大，而且也舍弃了指标之间的关联性。部分研究者也使用1DCNN进行时间序列异常检测与分类，但...
【技术保护点】
1.一种基于深度自编码的高铁牵引系统异常检测方法，其特征在于，所述方法包括以下步骤：/n步骤1、获取牵引系统各项监测指标的时间序列数据，将时间序列数据划分成不同的时间尺度，不同的时间尺度对应不同的异常严重级别，为每一个时刻计算各时间尺度的指标关联矩阵，串联同一时刻各时间尺度的指标关联矩阵得到每个时刻的原始多尺度指标关联矩阵；/n步骤2、使用深度自编码网络捕获原始多尺度指标关联矩阵的时间和空间关联性，根据原始多尺度指标关联矩阵的时间和空间关联性重建原始多尺度指标关联矩阵，得到每个时刻的重建多尺度指标关联矩阵；/n步骤3、计算每个时刻的原始多尺度指标关联矩阵和重建多尺度指标关联...
【技术特征摘要】
1.一种基于深度自编码的高铁牵引系统异常检测方法，其特征在于，所述方法包括以下步骤：
步骤1、获取牵引系统各项监测指标的时间序列数据，将时间序列数据划分成不同的时间尺度，不同的时间尺度对应不同的异常严重级别，为每一个时刻计算各时间尺度的指标关联矩阵，串联同一时刻各时间尺度的指标关联矩阵得到每个时刻的原始多尺度指标关联矩阵；
步骤2、使用深度自编码网络捕获原始多尺度指标关联矩阵的时间和空间关联性，根据原始多尺度指标关联矩阵的时间和空间关联性重建原始多尺度指标关联矩阵，得到每个时刻的重建多尺度指标关联矩阵；
步骤3、计算每个时刻的原始多尺度指标关联矩阵和重建多尺度指标关联矩阵的残差矩阵，根据每个时刻的残差矩阵得到每个时刻的各尺度重建误差值，将同一时刻的各尺度重建误差值相加得到该时刻总重构误差值，判断每个时刻的总重建误差值是否超过预设值，如果是，则说明该时刻下牵引系统各项监测指标中存在异常，且异常出现在该时刻下的各尺度重建误差值中最大重建误差值对应的时间尺度内，异常严重级别为该时间尺度所属的级别，并在异常出现的时间尺度下将重建误差值超过预设误差值某行或者某列对应的监测指标作为异常指标，如果否，则说明该时刻下牵引系统各项监测指标正常。
2.根据权利要求1所述的一种基于深度自编码的高铁牵引系统异常检测方法，其特征在于，步骤1中，将时间序列数据划分成不同的时间尺度，具体为：
获取牵引系统各项监测指标的时间序列数据，根据异常持续的时间的长短将牵引系统各项监测指标的时间序列数据分为三个时间尺度，三个时间尺度分别表示轻度异常、中度异常和重度异常三个级别。
3.根据权利要求1所述的一种基于深度自编码的高铁牵引系统异常检测方法，其特征在于，
步骤1中，为每个时刻计算各时间尺度的指标关联矩阵，串联同一时刻各时间尺度的指标关联矩阵得到原始多尺度指标关联矩阵，具体为：
利用修改后的相关性函数计算每个时刻下各时间尺度内每两项监测指标的关联性，由同一时刻下每个时间尺度内每两项监测指标的关联性构成的集合构成一个时间尺度在该时刻的指标关联矩阵FAM，串联同一时刻各时间尺度的指标关联矩阵得到原始多尺度指标关联矩阵MSFAM，
其中，每个时间尺度的指标关联矩阵FAM表示为：
式中，n为监测指标的个数，FAM中任意元素rij表示第i个监测指标的时间序列X与第j个监测指标的时间序列Y的相关性，
其中，FAM中每个元素rij的计算方式如下：
式中，E(·)表示计算子时间序列的期望；σX表示计算X的方差；α根据X的期望或者Y的期望设置，...
【专利技术属性】
技术研发人员：李晋，王士豪，程建华，王春波，白玉，史长亭，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。