【技术实现步骤摘要】
本专利技术属于故障诊断领域。
技术介绍
1、高铁牵引和制动系统是高速铁路列车中关键的系统之一，获取其健康状态对保障乘客和列车的安全、评估系统效能和建立系统预警至关重要。但是对于这类复杂机电系统来说，测量他们精确的整体健康状态、甚至退化趋势是不可行的。针对这一问题，有两种主要的牵引和制动系统健康指标构建方法，分别为物理健康指标和虚拟健康指标。物理健康指标通常是通过提取单一机械组件传感器(如牵引力、制动力)的高频采样信号，或是从信号中提取的统计特征，并以数值或曲线的形式表示的系统健康状态，这类健康指标往往无法准确评价系统整体的健康状态。而虚拟健康指标通常是采用融合和降维技术，通过有监督学习或无监督学习方法，从多维传感器读数或整体物理特征中提取的一维无量纲指标。对于有监督学习来说，需要大量的退化数据用以进行训练，通过深度卷积神经网络或其他非线性模型提取特征，并将其映射到代表健康状态的目标值。这些退化数据往往通过模拟实验或实地采集获取。然而，由于一些机电系统的复杂性和工作环境的多样性，实际机电系统机械模块或系统的高质量综合退化状态数据的获取是较为困难的。相对而言，无监督学习方法无需任何退化数据，只使用健康状态的数据来学习预测算法，它存在的问题是，直接用健康数据训练的模型已经学习了特定操作参数的潜在模式，偏离这种操作参数会被错误地捕捉为系统退化。这导致基于无监督学习虚拟健康指标建立的预警系统往往存在虚警率过高的问题。另一方面，无论是有监督方法还是无监督方法，都是数据驱动挖掘测量参数与牵引制动系统健康状态相关性的有力工具。但由于混淆因子的影
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高铁牵引制动系统多传感器融合的异常识别方法，用于建立机电系统整体健康指标。
3、为达上述目的，本专利技术第一方面实施例提出了一种高铁牵引制动系统多传感器融合的异常识别方法，包括：
4、获取高铁牵引制动系统的多参量感知数据，将所述多参量感知数据划分为操作参数和测量参数并进行预处理；
5、将预处理后的操作参数和测量参数输入去混淆模型得到测量参数调整值；
6、根据反因果多元回归模型使用所述测量参数调整值对所述操作参数进行反向预测得到操作参数预测值；
7、通过所述操作参数和所述操作参数预测值建立各操作参数退化值，采用各操作参数历史时间序列复杂度作为权重，建立归一化的健康指标模型，从而评估高铁牵引制动系统健康状况。
8、另外，根据本专利技术上述实施例的一种高铁牵引制动系统多传感器融合的异常识别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，所述获取高铁牵引制动系统的多参量感知数据，将所述多参量感知数据划分为操作参数和测量参数并进行预处理，包括：
10、采集操作参数，包括牵引力/牵引力级别、制动力/制动力级别、加速度/减速度设定值、车速设定值、牵引/制动模式；
11、采集测量参数，包括列车速度、牵引力、制动力、加速度/减速度、制动器温度、车轮轨道力、制动距离；
12、对所述操作数据和所述测量参数进行数据清洗、缺失值处理、异常值检测和去除。
13、进一步地，在本专利技术的一个实施例中，所述将预处理后的操作参数和测量参数输入去混淆模型得到测量参数调整值，包括：
14、通过历史多源时间序列推断潜在变量；
15、建立操作参数和测量参数的多元回归模型；
16、根据所述潜在变量调整所述多元回归模型，得到测量参数调整值。
17、进一步地，在本专利技术的一个实施例中，所述根据反因果多元回归模型使用所述测量参数调整值对所述操作参数进行反向预测得到操作参数预测值，包括：
18、建立测量参数调整值与操作参数之间的结构因果模型；
19、通过所述结构因果模型，建立所述测量参数调整值为自变量、所述操作参数为因变量的反因果多元回归模型。
20、为达上述目的，本专利技术第二方面实施例提出了一种高铁牵引制动系统多传感器融合的异常识别装置，包括以下模块：
21、获取模块，用于获取高铁牵引制动系统的多参量感知数据，将所述多参量感知数据划分为操作参数和测量参数并进行预处理；
22、调整模块，用于将预处理后的操作参数和测量参数输入去混淆模型得到测量参数调整值；
23、预测模块，用于根据反因果多元回归模型使用所述测量参数调整值对所述操作参数进行反向预测得到操作参数预测值；
24、识别模块，用于通过所述操作参数和所述操作参数预测值建立各操作参数退化值，采用各操作参数历史时间序列复杂度作为权重，建立归一化的健康指标模型，从而评估高铁牵引制动系统健康状况。
25、进一步地，在本专利技术的一个实施例中，所述获取模块，还用于：
26、采集操作参数，包括牵引力/牵引力级别、制动力/制动力级别、加速度/减速度设定值、车速设定值、牵引/制动模式；
27、采集测量参数，包括列车速度、牵引力、制动力、加速度/减速度、制动器温度、车轮轨道力、制动距离；
28、对所述操作数据和所述测量参数进行数据清洗、缺失值处理、异常值检测和去除。
29、进一步地，在本专利技术的一个实施例中，所述调整模块，还用于：
30、通过历史多源时间序列推断潜在变量；
31、建立操作参数和测量参数的多元回归模型；
32、根据所述潜在变量调整所述多元回归模型，得到测量参数调整值。
33、进一步地，在本专利技术的一个实施例中，所述预测模块，还用于：
34、建立测量参数调整值与操作参数之间的结构因果模型；
35、通过所述结构因果模型，建立所述测量参数调整值为自变量、所述操作参数为因变量的反因果多元回归模型。
36、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高铁牵引制动系统多传感器融合的异常识别方法。
37、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高铁牵引制动系统多传感器融合的异常识别方法。
38、本专利技术实施例提出的高铁牵引制动系统多传感器融合的异常识别方法，突破了传统无监督学习建立虚拟健康指标鲁棒性差、泛化能力不足的问题，核心思想本文档来自技高网...
【技术保护点】
1.一种高铁牵引制动系统多传感器融合的异常识别方法，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，所述获取高铁牵引制动系统的多参量感知数据，将所述多参量感知数据划分为操作参数和测量参数并进行预处理，包括：
3.根据权利要求1所述的方法，其特征在于，所述将预处理后的操作参数和测量参数输入去混淆模型得到测量参数调整值，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据反因果多元回归模型使用所述测量参数调整值对所述操作参数进行反向预测得到操作参数预测值，包括：
5.一种高铁牵引制动系统多传感器融合的异常识别装置，其特征在于，包括以下模块：
6.根据权利要求5所述的装置，其特征在于，所述获取模块，还用于：
7.根据权利要求5所述的装置，其特征在于，所述调整模块，还用于：
8.根据权利要求5所述的装置，其特征在于，所述预测模块，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
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1-4任意一项所述的高铁牵引制动系统多传感器融合的异常识别方法。
...【技术特征摘要】
1.一种高铁牵引制动系统多传感器融合的异常识别方法，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，所述获取高铁牵引制动系统的多参量感知数据，将所述多参量感知数据划分为操作参数和测量参数并进行预处理，包括：
3.根据权利要求1所述的方法，其特征在于，所述将预处理后的操作参数和测量参数输入去混淆模型得到测量参数调整值，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据反因果多元回归模型使用所述测量参数调整值对所述操作参数进行反向预测得到操作参数预测值，包括：
5.一种高铁牵引制动系统多传感器融合的异常识别装置，其特征在于，包括以下模块：
...
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。