基于Informer的高速列车制动系统故障预测方法技术方案

本发明专利技术提出了一种基于Informer的高速列车制动系统故障预测方法，通过皮尔森相关系数筛选与制动系统故障相关的列车状态变量，将变量数据标准化后，进行降维处理得到中间特征；构建基于改进的一维CNN的故障识别模型，Informer的时间序列预测模型对降维后的中间特征进行时间序列预测得到未来中间特征，然后通过训练好的故障识别模型将未来中间特征映射为故障标签，以此达到故障预测的效果。本发明专利技术方法中的组合方法，即可充分学习输入中间特征中的长期依赖关系并进行较长期的预测，同时也保证了预测故障标签的准确性。也保证了预测故障标签的准确性。也保证了预测故障标签的准确性。

【技术实现步骤摘要】
基于Informer的高速列车制动系统故障预测方法


[0001]本专利技术属于高速列车故障预测领域，具体涉及一种基于Informer的高速列车制动系统故障预测方法。

技术介绍

[0002]近年来，随着我国各项建设飞速发展，高速铁路在我国现代化建设过程中发挥着重要作用，为带动各大区域的经济发展提供了巨大动力。高速铁路相比于其他交通方式，有着载客量高、安全性高、速度快、更环保等突出优势，目前已经属于人们出行的第一选择。我国的高铁技术也逐渐从以往的向发达国家学习发展到了现在自己掌握核心科技进行研发创新的新阶段。现在我国高速铁路的技术水平处于世界领先行列，从和谐号到复兴号动车组车型经历了更新，速度更快服务质量更好。然而无论如何发展，运行安全始终是第一要务，更长的运行里程和更快的运行速度给高速列车的运行安全性提出了更高的要求。
[0003]高速铁路事业高速发展的过程中，高速列车的服役时间也在加长，其安全性问题显得十分重要。制动系统在保障列车运行的安全性、保证乘客出行舒适度、精准控制列车运行速度等方面都扮演着十分重要的角色，是高速列车的关键子系统。制动系统的整体稳定性直接关系到旅客的生命财产安全以及运营的成本和效率。由于制动系统结构和故障模型都相对复杂，车载设备的集成化、复杂化的特点，使得制动系统可能产生故障也是随机的，突发的，多样的和重叠的，难以实现故障定位，这无疑极大的增加了运行过程中对制动系统故障的发现、处理和维护的工作难度。
[0004]而随着高速铁路的不断发展和车载设备的迭代更新，海量的列车状态数据也为故障预测研究提供了坚实的数据基础，推动了基于大数据的理论模型研究。受益于各类继电器和传感器数据的增加，基于数据驱动的深度学习模型可以更加有效地挖掘传感器数据中隐含的时域特征和相关关系，显示出比传统方法更大的潜力。

技术实现思路

[0005]为克服现有技术的缺陷，一方面，本专利技术提出了一种基于Informer的高速列车制动系统故障预测方法，其特征在于，包括如下步骤：
[0006]步骤1：通过皮尔森相关系数筛选与制动系统故障相关的列车状态变量；
[0007]步骤2：变量数据标准化；
[0008]步骤3：将标准化后的变量数据进行降维处理得到中间特征；
[0009]步骤4：构建基于改进的一维CNN故障识别模型，并进行训练得到最终的故障识别模型；
[0010]步骤5：构建基于Informer的时间序列预测模型，基于步骤3得到的中间特征预测未来中间特征；
[0011]步骤6：将步骤5预测得到的未来中间特征输入步骤4训练得到最终故障识别模型中进行故障识别，得到最终的故障预测结果。
[0012]优选地，设置皮尔森系数绝对值的阈值为0.5进行相关的列车状态变量筛选。
[0013]优选地，步骤2中，基于修改后的最大最小值标准化方法对变量进行处理，将变量{x1，x2，
…
，x
n
}的值域范围转化为[
‑
1,1]，得到变量的新值{y1，y2，
…
，y
n
}，其公式为：
[0014][0015]优选地，步骤3中，使用编码器从标准化后的数据特征中学习得到特征向量，即隐层输出，然后使用其对应的解码器，将隐层输出重新构造出输出特征，在训练过程中让输出特征与标准化后的数据特征的误差尽可能的小。
[0016]优选地，步骤4中，对一维CNN的故障识别模型进行修改，通过跳层连接的形式形成类似于残差连接结构，将最后一层卷积层的输出和降维后的数据特征输入相加得到新的输出。
[0017]更优选地，步骤4中，改进的一维CNN故障识别模型训练时每个样本选取时间窗大小为10。
[0018]更优选地，步骤4中，采用Adam算法作为学习率控制器对改进的一维CNN的故障识别模型进行优化训练。
[0019]更优选地，步骤4中，改进的一维CNN的故障识别模型设置有40个卷积核。
[0020]更优选地，步骤4中，改进的一维CNN的故障识别模型训练时的初始学习率为0.005。
[0021]另一方面，本专利技术提出了一种基于Informer的高速列车制动系统故障预测系统，其特征在于，所述系统包括：
[0022]列车状态变量筛选模块，通过皮尔森相关系数筛选与制动系统故障相关的列车状态变量；
[0023]变量数据标准化模块，用于将变量进行数据标准化；
[0024]数据特征降维模块，用于将标准化后的变量数据进行降维处理得到中间特征；
[0025]故障识别模型形成模块，用于构建基于改进的一维CNN故障识别模型，并进行训练得到最终的故障识别模型；
[0026]未来中间特征预测模块，基于构建的Informer时间序列预测模型，并利用数据特征降维模块得到的中间特征预测未来中间特征；
[0027]故障预测模块，用于将未来中间特征预测模块预测得到的未来中间特征输入形成的故障识别模型中进行故障识别，得到最终的故障预测结果。
附图说明
[0028]图1为本专利技术的一种基于Informer的高速列车制动系统故障预测方法的流程图；
[0029]图2为本专利技术方法中自动编码器示意图；
[0030]图3为本专利技术方法中基于CNN的故障识别框架图；
[0031]图4(a)
‑
4(d)为本专利技术方法的具体示例中不同初始化学习率和卷积核数量下的模型性能，图4(a)为初始化学习率为0.05的模型性能，图4(b)为初始化学习率为0.01的模型性能，图4(c)为初始化学习率为0.005的模型性能，图4(d)初始化学习率为0.001的模型性能；
[0032]图5为本专利技术方法中Informer时间序列预测模型示意图；
[0033]图6为本专利技术具体实例中不同步长下各模型中间特征预测性能对比。
具体实施方式
[0034]下面结合附图和实施例进一步说明本专利技术。
[0035]图1示出了本专利技术的一种基于Informer的高速列车制动系统故障预测方法的流程，包括以下步骤：
[0036]步骤1：通过皮尔森相关系数筛选与制动系统故障相关的列车状态变量。
[0037]数据的选取对于模型训练至关重要，在历史数据中，有些数据并不能满足模型训练要求，或者说会干扰模型训练，所以需要通过合适的特征提取操作提取高质量数据，以减少劣质数据对模型训练造成的干扰。本专利技术引入了皮尔森相关系数作为评价指标，筛选与制动系统故障相关的列车状态变量。
[0038]皮尔森相关系数计算公式如下：
[0039][0040]筛选相关变量时，设置皮尔森系数绝对值的阈值为0.5，即是将所有与制动系统故障的皮尔森系数绝对值超过0.5的变量筛选为相关变量用于后续模型的训练。公式中，u表示制系统故障，v表示某一相关变量，N表示变量的历史数据量。
[0041]步骤2：变量数据标准化。
[0042]初始历史数据中包含许多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Informer的高速列车制动系统故障预测方法，其特征在于，包括如下步骤：步骤1：通过皮尔森相关系数筛选与制动系统故障相关的列车状态变量；步骤2：变量数据标准化；步骤3：将标准化后的变量数据进行降维处理得到中间特征；步骤4：构建基于改进的一维CNN的故障识别模型，并进行训练得到最终的故障识别模型；步骤5：构建基于Informer的时间序列预测模型，基于步骤3得到的中间特征预测未来中间特征；步骤6：将步骤5预测得到的未来中间特征输入步骤4训练得到最终故障识别模型中进行故障识别，得到最终的故障预测结果。2.根据权利要求1所示的一种基于Informer的高速列车制动系统故障预测方法，其特征在于：所述步骤1中，设置皮尔森系数绝对值的阈值为0.5进行相关的列车状态变量筛选。3.根据权利要求1所示的一种基于Informer的高速列车制动系统故障预测方法，其特征在于：所述步骤2中，基于修改后的最大最小值标准化方法对变量进行处理，将变量{x1，x2，
…
，x
n
}的值域范围转化为[
‑
1,1]，得到变量的新值{y1，y2，
…
，y
n
}，其公式为：4.根据权利要求1所示的一种基于Informer的高速列车制动系统故障预测方法，其特征在于：所述步骤3中，使用编码器从标准化后的数据特征中学习得到特征向量，即隐层输出，然后使用其对应的解码器，将隐层输出重新构造出输出特征，在训练过程中让输出特征与标准化后的数据特征的误差尽可能的小。5.根据权利要求1所示的一种基于Informer的高速列车制动系统故障预测方法，其特征在于...

【专利技术属性】
技术研发人员：董宏辉，吴忠强，贾利民，秦勇，杨志强，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：