应用于轨道交通电机健康状态评估的预测方法及系统技术方案

本发明专利技术涉及轨道交通技术领域，具体涉及应用于轨道交通电机健康状态评估的预测方法及系统，包括以下步骤：获取原始数据并依次对该原始数据进行异常值清洗和数据格式修正；数据输入到预测算法网络之中，利用特征学习能力对时序信号中前后连续的局部依赖关系进行提取，并完成序列的预测；对预测后的数据，基于多门限阈值划分真实和预测数据中每个评价值的统计概率生成评价集，同时通过层次分析法生成权重集；将评价集和权重集输入模糊综合评估，通过自底向上的评估得到最终健康得分。本发明专利技术解决了实时评估风险防范价值不高的问题，大大提高了监控系统对任务决策和避险的指导价值。高了监控系统对任务决策和避险的指导价值。高了监控系统对任务决策和避险的指导价值。

【技术实现步骤摘要】
应用于轨道交通电机健康状态评估的预测方法及系统


[0001]本专利技术涉及轨道交通
，具体涉及应用于轨道交通电机健康状态评估的预测方法及系统。

技术介绍

[0002]电机设备是列车动力系统的主要组成部分，是关乎列车安全最为重要的部件。电机组的牵引功率高达数千KW的功率，单个电机也有数百KW的功率。电力设备的零部件容易磨损，电气设备易受到环境因素的影响而产生潜在的故障源。列车一旦出现故障，所造成的经济损失、人员伤亡难以估量。
[0003]列车的运行状态关乎车辆的安全和人员的生命安全问题，电机设备的健康评估研究对交通风险防范有重要的意义。目前，针对于电机设备的PHM技术手段主要包括：故障诊断、故障隔离、健康评估等。在技术执行阶段又分为人工检修和通过信号处理、数理统计、深度学习等方法进行的异常检测和健康评估。
[0004]现有技术存在以下缺陷：
[0005]大量依赖于专家系统会导致主观经验占为主导，对于快速发展的现代设备来说，故障模式在快速的更迭，基于人工难以实现快速的分析和预判，在产品新旧更迭之时基于专家经验评估健康状态效果并不理想基于实时数据所做的推理和评估不能反映将来的趋势，对于任务执行决策的指导意义十分有限。
[0006]目前针对于列车的状态研究大多集中于实时状态，经过数据预处理、数据测算、异常检测等步骤形成评估结果，在一定程度上具有明显的评估延迟，对于决策人员的参考价值十分有限。
[0007]同时现代设备的层级复杂，系统、部件之间的关联性强，对于单个信号或同级的信号进行预测、评估并不能全面的反映所研究对象的状态，在实际工程落地时会存在虚警、误警的问题。
[0008]其次，目前的方法多集中于同一个设备在具体的环境条件下的状态，不具备较好的通用性，针对于异构的数据类型也很难做到精确的评估，通用的模块化平台可以根据不同的部件特点更换其中模块所包含的方法，使得适配性大大提高。

技术实现思路

[0009]针对现有技术的不足，本专利技术公开了一种应用于轨道交通电机健康状态评估的预测方法及系统，用于上述问题。
[0010]本专利技术通过以下技术方案予以实现：
[0011]第一方面，本专利技术提供了一种应用于轨道交通电机健康状态评估的预测方法，包括以下步骤：
[0012]S1获取原始数据并依次对该原始数据进行异常值清洗和数据格式修正；
[0013]S2数据输入到预测算法网络之中，利用特征学习能力对时序信号中前后连续的局
部依赖关系进行提取，并完成序列的预测；
[0014]S3对预测后的数据，基于多门限阈值划分真实和预测数据中每个评价值的统计概率生成评价集，同时通过层次分析法生成权重集；
[0015]S4将评价集和权重集输入模糊综合评估，通过自底向上的评估得到最终健康得分。
[0016]更进一步的，所述S1中，对原始数据进行修正数据格式，缺失值处理和振动数据的频域变换。
[0017]更进一步的，所述S2中，基于VSCODE平台，TensorFlow框架，将电机的转速、振动、电流的多个传感器采样数据输入到预测算法网络之中，通过特征学习能力对时序信号中前后连续的局部依赖关系进行提取，并完成序列的预测。
[0018]更进一步的，所述S2中，基于LSTM、WMA、GRU预测方法，通过实际的算法实验得到各类方法对短、长数据的适用性；
[0019]所述LSTM方法中，遗忘门函数为：
[0020]f
t
＝σ(W
f
·
(h
t
‑1,x
t
)+b
f
)
[0021]输入门输出：
[0022]i
t
＝σ(W
i
·
(h
t
‑1,x
t
)+b
i
)
[0023]候选向量为：
[0024][0025]受候选向量影响状态更新：
[0026][0027]过滤后输出函数为：
[0028]o
t
＝σ(W
o
·
(h
t
‑1,x
t
)+b
o
)
[0029]h
t
＝o
t
*tanh(c
t
)
[0030]所述WMA方法中，移动平均算法公式如下表示：
[0031][0032]其中，Ft为对下一期的预测值；n为移动平均的时期个数；A
t
‑1为前期实际值；A
t
‑2,A
t
‑3和A
t
‑
n
分别表示前两期、前三期直至前n期的实际值；
[0033]加权移动平均模型如下公式所示
[0034][0035]w1+w2+
…
+w
n
＝1
[0036]其中w
i
为权重系数，和为1。
[0037]更进一步的，所述S3中，评价集生成方法结合电机运行的实际经验，以正常条件下理想的信号状态为基准；
[0038]根据专家经验评语集设为：M＝{优秀，良好，正常，坏，恶化}，分别对应各颜色区块；故障条件发生前的信号的平均波形幅度为A，测试数据总采样点为N，基准波形上下界阈值分别设为U
i
,D
i
(0＜i＜＝4)，各阈值区间的点数为n
i
；各状态区间设为代表状态优秀，代表状态良好以此类推：
[0039][0040]评价集矩阵每个单项评价P由预测数据每个采样点进行状态区间统计，按照区间概率进行百分比打分：
[0041][0042]更进一步的，所述S3中，权重分析基于层次分析法，分析决策的系统分解为总目标、各层子目标、评价准则，多层级多指标的对复杂系统进行权重的模糊量化；权重集生成基于权重分析模块，生成模糊综合评价中所需的权重矩阵。
[0043]更进一步的，所述权重集中，运用层次分析法构造火箭发动机振动信号模型并求解每一类因素的权重时，包括如下步骤：
[0044]根据电机信号类别和批次建立层次模型；
[0045]基于历史统计和专家经验，按照同级别中因素两两权重关系构建判断矩阵，也称为正互反矩阵：
[0046][0047]其中a
ij
＞0，a
ij
×
a
ji
＝1；
[0048]根据准则A
ij
w＝λw计算正互反矩阵的最大特征根λ
max
和特征向量w，便于后续计算；
[0049]归一化特征向量，分别计算每一层中所包含的所有元素的权重值:
[0050][0051]对矩阵进行一致性检验，其中检验人工判断矩阵的可信度，若出现元素两两权重关系的矛盾，则一致性检验不通过，增加引入人工本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于轨道交通电机健康状态评估的预测方法，其特征在于，包括以下步骤：S1获取原始数据并依次对该原始数据进行异常值清洗和数据格式修正；S2数据输入到预测算法网络之中，利用特征学习能力对时序信号中前后连续的局部依赖关系进行提取，并完成序列的预测；S3对预测后的数据，基于多门限阈值划分真实和预测数据中每个评价值的统计概率生成评价集，同时通过层次分析法生成权重集；S4将评价集和权重集输入模糊综合评估，通过自底向上的评估得到最终健康得分。2.根据权利要求1所述的应用于轨道交通电机健康状态评估的预测方法，其特征在于，所述S1中，对原始数据进行修正数据格式，缺失值处理和振动数据的频域变换。3.根据权利要求1所述的应用于轨道交通电机健康状态评估的预测方法，其特征在于，所述S2中，基于VSCODE平台，TensorFlow框架，将电机的转速、振动、电流的多个传感器采样数据输入到预测算法网络之中，通过特征学习能力对时序信号中前后连续的局部依赖关系进行提取，并完成序列的预测。4.根据权利要求3所述的应用于轨道交通电机健康状态评估的预测方法，其特征在于，所述S2中，基于LSTM、WMA、GRU预测方法，通过实际的算法实验得到各类方法对短、长数据的适用性；所述LSTM方法中，遗忘门函数为：f
t
＝σ(W
f
·
(h
t
‑1,x
t
)+b
f
)输入门输出：i
t
＝σ(W
i
·
(h
t
‑1,x
t
)+b
i
)候选向量为：受候选向量影响状态更新：过滤后输出函数为：o
t
＝σ(W
o
·
(h
t
‑1,x
t
)+b
o
)h
t
＝o
t
*tanh(c
t
)所述WMA方法中，移动平均算法公式如下表示：其中，Ft为对下一期的预测值；n为移动平均的时期个数；A
t
‑1为前期实际值；A
t
‑2,A
t
‑3和A
t
‑
n
分别表示前两期、前三期直至前n期的实际值；加权移动平均模型如下公式所示w1+w2+
…
+w
n
＝1其中w
i
为权重系数，和为1。5.根据权利要求1所述的应用于轨道交通电机健康状态评估的预测方法，其特征在于，所述S3中，评价集生成方法结合电机运行的实际经验，以正常条件下理想的信号状态为基
准；根据专家经验评语集设为：M＝{优秀，良好，正常，坏，恶化}，分别对应各颜色区块；故障条件发生前的信号的平均波形幅度为A，测试数据总采样点为N，基准波形上下界阈值分别设为U
...

【专利技术属性】
技术研发人员：周治国，周学华，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：