基于机器学习的闸瓦压力状态识别装置及故障诊断方法制造方法及图纸

本发明专利技术提供基于机器学习的闸瓦压力状态识别装置及故障诊断方法，涉及闸瓦故障诊断技术领域。该基于机器学习的闸瓦压力状态识别装置及故障诊断方法，包括火车机体、驱动轮组、中央驱动箱与，所述火车机体底部设置有四组横向排列的驱动轮组，所述火车机体底部中心固定连接中央驱动箱，所述驱动轮组前后侧输出轮均设置有一组。通过对于给定任意一组待识别的闸瓦信号，先通过One

【技术实现步骤摘要】
SVM异常算法单元与数据归一化单元，所述数据分类接收单元通过信号连接综合数据统计单元，所述数据分类接收单元连接数据过滤器，所述数据过滤器包括One
‑
Class SVM异常算法单元以及数据归一化单元，所述One
‑
Class SVM异常算法单元通过信号连接数据归一化单元。
[0010]优选的，所述数据分析模块包括数据接入单元、向量机、PSO
‑
SVM异常算法单元与状态分析单元，所述数据接入单元通过信号连接数据归一化单元，所述数据接入单元通过信号连接向量机，所述向量机包括PSO
‑
SVM异常算法单元与状态分析单元，所述PSO
‑
SVM异常算法单元通过信号连接状态分析单元。
[0011]基于机器学习的闸瓦压力状态识别故障诊断方法，其特征在于：包括以下步骤：
[0012]S1：预先准备105辆待测车辆，每辆装有8个数据采集模块，通过压力传感器以及压力数据统计单元获取每片闸瓦上的压力数据，通过速度传感器、速度数据统计单元以及加速数据统计单元获取每辆车的速度、加速度数据，则每辆车的数据组包括8个压力数据、1个速度数据和1个加速度数据，三个数据通过综合数据统计单元进行综合打包并传输给中央驱动箱内部设置的数据预处理模块；
[0013]S2：数据预处理模块包含的数据分类接收单元接收到综合数据统计单元的数据后，One
‑
Class SVM异常算法单元采用One
‑
Class SVM异常检测算法建立数据过滤器，将几乎所有的数据点与零点在特征空间分离开，并且最大化分离超平面到零点的距离，产生一个binary函数能够获取特征空间中数据的概率密度区域。当处于训练数据点区域时，返回+1，处于其他区域返回－1，从而排除异常值。通过该数据过滤器将压力、速度、加速度数据中的异常值排除，数据归一化单元再将过滤后的数据进行归一化，归一化后的数据输入后端的数据分析模块；
[0014]S3：在数据分析模块中，所包含的向量机建立PSO
‑
SVM异常算法单元基于PSO
‑
SVM算法的信号预测模型，其具体过程为：首先用PSO方法寻找最优的惩罚参数C和RBF(径向基函数)核函数的参数ε，再用训练样本集求解SVM的模型参数，建立SVM分类器，并使用训练样本集(包括压力数据、速度、加速度)对信号预测模型进行训练；
[0015]S4：将预处理后的数据组(包括8个压力数据、1个速度数据、1个加速度数据)输入到训练好的信号预测模型中，状态分析单元判别该组数据属于何种分类，从而判断该辆车的闸瓦属于何种状态。
[0016]优选的，所述S4步骤中，闸瓦工作时包括三种状态：正常状态、车轮抱死以及制动失效。
[0017]本专利技术提供了基于机器学习的闸瓦压力状态识别装置及故障诊断方法。具备以下有益效果：
[0018]本专利技术通过给特定火车加装可供识别的数据采集模块，采集任意一组待识别的闸瓦信号，先利用One
‑
Class SVM异常检测算法排除异常值并进行归一化，然后输入到训练好的信号预测模型中，再通过PSO
‑
SVM算法来有效的判别该组信号数据属于何种分类，从而判断闸瓦属于何种状态，可实现闸瓦工作状态的实时监测和故障识别诊断，具有准确性高、效率高且可靠性高等优点，引入深度学习的方法大幅提升智能性，针对国内煤炭铁路运输专用线具有编组固定、线路固定、货物固定、车型一致等特点，结合运用检修模式的变化，采用国外成熟的轨边闸瓦测量技术对列车闸瓦状况进行精准检测和判断，实现列车定检时批量
更换的条件已基本具备，可有效提高工作效率，减低成本。
附图说明
[0019]图1为本专利技术的安装状态示意图；
[0020]图2为本专利技术图1中A处放大示意图；
[0021]图3为本专利技术的系统架构示意图；
[0022]图4为本专利技术的数据采集模块系统架构示意图；
[0023]图5为本专利技术的数据预处理模块系统架构示意图；
[0024]图6为本专利技术的数据分析模块系统架构示意图。
[0025]其中，1、火车机体；2、驱动轮组；3、中央驱动箱；4、数据采集模块；5、数据预处理模块；6、数据分析模块；401、闸瓦组件；402、压力传感器；403、速度传感器；404、压力数据统计单元；405、速度数据统计单元；406、加速数据统计单元；407、综合数据统计单元；501、数据分类接收单元；502、数据过滤器；503、One
‑
Class SVM异常算法单元；504、数据归一化单元；601、数据接入单元；602、向量机；603、PSO
‑
SVM异常算法单元；604、状态分析单元。
具体实施方式
[0026]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，都属于本专利技术保护的范围。
[0027]实施例：
[0028]如图1
‑
6所示，本专利技术实施例提供基于机器学习的闸瓦压力状态识别装置，包括火车机体1、驱动轮组2、中央驱动箱3与数据采集模块4，火车机体1底部设置有四组横向排列的驱动轮组2，火车机体1底部中心固定连接中央驱动箱3，驱动轮组2前后侧输出轮均设置有一组数据采集模块4。
[0029]数据采集模块4包括闸瓦组件401、压力传感器402与速度传感器403，闸瓦组件401固定连接在驱动轮组2的两侧输出轮的内侧壁，闸瓦组件401的顶部均固定连接一组压力传感器402与速度传感器403。
[0030]基于机器学习的闸瓦压力状态识别系统，其特征在于：包括中央驱动箱3、数据采集模块4、数据预处理模块5与数据分析模块6，中央驱动箱3内部设置有数据预处理模块5与数据分析模块6，中央驱动箱3均通过导线连接多组数据采集模块4，数据预处理模块5通过信号连接数据分析模块6。
[0031]数据采集模块4包括闸瓦组件401、压力传感器402、速度传感器403、压力数据统计单元404、速度数据统计单元405、加速数据统计单元406与综合数据统计单元407，压力传感器402的输出端连接闸瓦组件401的输入端，速度传感器403的输出端连接驱动轮组2的驱动轴，闸瓦组件401分别连接压力数据统计单元404、速度数据统计单元405与加速数据统计单元406，压力数据统计单元404、速度数据统计单元405与加速数据统计单元406分别连接综合数据统计单元407。
[0032]数据预处理模块5包括数据分类接收单元501、数据过滤器502、One
‑
Class SVM异
常算法单元503与数据归一化单元504，数据分类接收单元501通过信号连接综合数据统计单元407，数据分类接收单元501连接数据过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的闸瓦压力状态识别装置，包括火车机体(1)、驱动轮组(2)、中央驱动箱(3)与数据采集模块(4)，其特征在于：所述火车机体(1)底部设置有四组横向排列的驱动轮组(2)，所述火车机体(1)底部中心固定连接中央驱动箱(3)，所述驱动轮组(2)前后侧输出轮均设置有一组数据采集模块(4)。2.根据权利要求1所述的基于机器学习的闸瓦压力状态识别装置，其特征在于：所述数据采集模块(4)包括闸瓦组件(401)、压力传感器(402)与速度传感器(403)，所述闸瓦组件(401)固定连接在驱动轮组(2)的两侧输出轮的内侧壁，所述闸瓦组件(401)的顶部均固定连接一组压力传感器(402)与速度传感器(403)。3.根据权利要求1所述的基于机器学习的闸瓦压力状态识别系统，其特征在于：包括中央驱动箱(3)、数据采集模块(4)、数据预处理模块(5)与数据分析模块(6)，所述中央驱动箱(3)内部设置有数据预处理模块(5)与数据分析模块(6)，所述中央驱动箱(3)均通过导线连接多组数据采集模块(4)，所述数据预处理模块(5)通过信号连接数据分析模块(6)。4.根据权利要求3所述的基于机器学习的闸瓦压力状态识别装置及故障诊断方法，其特征在于：所述数据采集模块(4)包括闸瓦组件(401)、压力传感器(402)、速度传感器(403)、压力数据统计单元(404)、速度数据统计单元(405)、加速数据统计单元(406)与综合数据统计单元(407)，所述压力传感器(402)的输出端连接闸瓦组件(401)的输入端，所述速度传感器(403)的输出端连接驱动轮组(2)的驱动轴，所述闸瓦组件(401)分别连接压力数据统计单元(404)、速度数据统计单元(405)与加速数据统计单元(406)，所述压力数据统计单元(404)、速度数据统计单元(405)与加速数据统计单元(406)分别连接综合数据统计单元(407)。5.根据权利要求3所述的基于机器学习的闸瓦压力状态识别系统，其特征在于：所述数据预处理模块(5)包括数据分类接收单元(501)、数据过滤器(502)、One
‑
Class SVM异常算法单元(503)与数据归一化单元(504)，所述数据分类接收单元(501)通过信号连接综合数据统计单元(407)，所述数据分类接收单元(501)连接数据过滤器(502)，所述数据过滤器(502)包括One
‑
Class SVM异常算法单元(503)以及数据归一化单元(504)，所述One
‑
Class SVM异常算法单元(503)通过信号连接数据归一化单元(504)。6.根据权利要求3所述的基于机器学习的闸瓦压力状态识别系统，其特征在于：所述数据分析模块(6)包括数据接入单元(601)、向量机(602)、P...

【专利技术属性】
技术研发人员：任万君，周君，李文轩，邱华，
申请(专利权)人：重庆市宇红轨道车辆配件有限公司，
类型：发明
国别省市：