【技术实现步骤摘要】
本专利技术属于高速列车牵引系统故障诊断领域。
技术介绍
1、高速列车的安全运行事关经济效益，事关旅客的人身、财产安全。保障高速列车安全运行必须成为高速列车运营的第一要务。其中，牵引系统是核心系统，直接影响列车的运行速度、车辆运行安全等因素。因此，保障高速列车牵引系统安全可靠地完成工作是保障高速列车安全运行的重中之重。
2、目前，为保障列车安全运行，在运营的动车组中，都装有对关键部件进行状态信息检测的传感器，便于在列车运行时进行故障诊断，判断故障的发生位置，为维修人员制定维修计划提供依据，最大程度降低故障带来的一系列损失。
3、基于深度学习网络进行高速列车故障诊断，相较于传统的故障诊断途径，能对多源、海量的感知数据进行有效分析，挖掘出深层次的潜在规律，通过训练学习获得模型，更精准的进行故障诊断。
技术实现思路
1、本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此，本专利技术的目的在于提出一种区分高速列车牵引系统部件故障和传感器故障的诊断方法，用于解决现有故障诊断方向集中针对部件故障进行诊断或者传感器故障进行诊断的问题，提高故障诊断精度。。
3、为达上述目的，本专利技术第一方面实施例提出了一种区分高速列车牵引系统部件故障和传感器故障的诊断方法，包括：
4、获取高速列车多元故障时序数据；
5、对所述多元故障时序数据进行截取和预处理；
6、对预处理后的多元故障时序数据的多元特征进行特征
7、根据所述数据集训练深度学习网络，得到故障诊断模型，基于所述故障诊断模型进行时序数据分类，得到故障诊断结果。
8、另外，根据本专利技术上述实施例的一种区分高速列车牵引系统部件故障和传感器故障的诊断方法还可以具有以下附加的技术特征：
9、进一步地，在本专利技术的一个实施例中，所述对所述多元故障时序数据进行截取和预处理，包括：
10、截取故障发生后10个采样点数据作为该状态下的故障数据，并对所述故障数据采用0-1归一化方法，完成对故障数据的预处理。
11、进一步地，在本专利技术的一个实施例中，所述对预处理后的多元故障时序数据的多元特征进行特征重要性评估，包括：
12、基于随机森林分类模型中的基尼不纯度对预处理后的多元故障时序数据的多元特征进行特征重要性评估，表示为：
13、
14、其中，pk表示选中的样本属于k类别的概率。
15、进一步地，在本专利技术的一个实施例中，所述根据所述数据集训练深度学习网络，得到故障诊断模型，包括：
16、在训练学习过程中添加注意力机制，其中所述深度学习网络为lstm神经网络，包括遗忘门、输入门和输出门；其中lstm神经网络描述如下：
17、
18、其中，ft是遗忘门输出，xt是lstm单元的输入，it是输入门输出，是候选向量，ct是更新后的细胞状态，ot是输出门输出，ht表示lstm单元的输出；
19、所述遗忘门用于选择性丢弃细胞状态中的信息，保留有用信息用于lstm学习；所述输入门用于对细胞状态中的信息进行更新，用于传给下一时刻的lstm单元；所述输出门用于得到本lstm单元的最终输出。
20、进一步地，在本专利技术的一个实施例中，所述根据所述数据集训练深度学习网络，得到故障诊断模型，还包括：
21、通过交叉熵损失函数对故障诊断模型进行优化，其中交叉熵损失函数在多分类时表达式如下：
22、
23、其中，m表示类别数量，yic是符号函数，若样本i的真实类别等于c时yic取1，否则yic为0，pic表示观测样本i属于类别c的概率。
24、为达上述目的，本专利技术第二方面实施例提出了一种区分高速列车牵引系统部件故障和传感器故障的诊断装置，包括以下模块：
25、获取模块，用于获取高速列车多元故障时序数据；
26、预处理模块，用于对所述多元故障时序数据进行截取和预处理；
27、评估模块，用于对预处理后的多元故障时序数据的多元特征进行特征重要性评估，筛选主要特征变量以数据降维得到数据集，所述数据集包括训练集、验证集和测试集；
28、诊断模块，用于根据所述数据集训练深度学习网络，得到故障诊断模型，基于所述故障诊断模型进行时序数据分类，得到故障诊断结果。
29、进一步地，在本专利技术的一个实施例中，所述预处理模块，还用于：
30、截取故障发生后10个采样点数据作为该状态下的故障数据，并对所述故障数据采用0-1归一化方法，完成对故障数据的预处理。
31、进一步地，在本专利技术的一个实施例中，所述评估模块，还用于：
32、基于随机森林分类模型中的基尼不纯度对预处理后的多元故障时序数据的多元特征进行特征重要性评估，表示为：
33、
34、其中，pk表示选中的样本属于k类别的概率。
35、为达上述目的，本专利技术第三方面实施例提出了一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的一种区分高速列车牵引系统部件故障和传感器故障的诊断方法。
36、为达上述目的，本专利技术第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的一种区分高速列车牵引系统部件故障和传感器故障的诊断方法。
37、本专利技术实施例提出的区分高速列车牵引系统部件故障和传感器故障的诊断方法，通过获取高速列车多元故障时序数据；对数据进行截取和预处理；对处理后数据的多元特征进行特征重要性评估，筛选主要特征变量以数据降维得到数据集，所述数据集包括训练集、验证集和测试集；基于深度学习网络进行时序数据分类，得到故障诊断结果，从而可以有效区分高速列车牵引系统部件故障和传感器故障。
本文档来自技高网...【技术保护点】
1.一种区分高速列车牵引系统部件故障和传感器故障的诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述对所述多元故障时序数据进行截取和预处理，包括：
3.根据权利要求1所述的方法，其特征在于，所述对预处理后的多元故障时序数据的多元特征进行特征重要性评估，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述数据集训练深度学习网络，得到故障诊断模型，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据所述数据集训练深度学习网络，得到故障诊断模型，还包括：
6.一种区分高速列车牵引系统部件故障和传感器故障的诊断装置，其特征在于，包括以下模块：
7.根据权利要求6所述的装置，其特征在于，所述预处理模块，还用于：
8.根据权利要求6所述的装置，其特征在于，所述评估模块，还用于：
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-6中任一所述的区
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任意一项所述的区分高速列车牵引系统部件故障和传感器故障的诊断方法。
...【技术特征摘要】
1.一种区分高速列车牵引系统部件故障和传感器故障的诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述对所述多元故障时序数据进行截取和预处理，包括：
3.根据权利要求1所述的方法，其特征在于，所述对预处理后的多元故障时序数据的多元特征进行特征重要性评估，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述数据集训练深度学习网络，得到故障诊断模型，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据所述数据集训练深度学习网络，得到故障诊断模型，还包括：
6.一种区分高速列车牵引系统部件故障和传感器故障的诊断...
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。