[发明专利]多变量时间序列特征加强的列车制动系统故障预测方法

说明书

本发明提供了一种多变量时间序列特征加强的列车制动系统故障预测方法，包括：采集列车制动系统中主要部件对应的多变量时间序列的数据；根据采集的数据，将各个部件作为变量，采用改进的自适应最少的绝对收缩和选择操作方法对所述变量进行筛选；采用小波包分解算法和小波包重构算法对筛选后的变量进行特征提取，并根据灰色关联度算法对提取的特征进行选择；采用根据灰色关联度算法选择的特征对极端随机森林模型ERF进行训练和测试得到最优预测模型；根据所述的最优预测模型对列车制动系统故障进行预测。本发明的方法可以降低预测的复杂度和提高预测的准确性。

技术领域

本发明涉及轨道交通运输技术领域，尤其涉及一种多变量时间序列特征加强的列车制动系统故障预测方法。

背景技术

重载列车作为目前铁路货运的主要工具和发展方向，为经济的高速发展提供重要的保障。制动系统作为重载列车的主要部件之一，保证其正常运转对整个列车的安全具有非常重要的意义。由于制动系统结构复杂,故障模式众多,当制动系统发生故障时，快速、高效、准确地对故障进行预测是保证整个列车正常行驶的关键。

常见的基于时间序列的复杂系统故障预测的研究方法主要包括基于物理模型的方法、基于专家知识的方法和基于数据驱动的方法，基于物理模型的方法依据对功能损失的计算来预测重要部件的损坏程度，需要建立物理模型或对随机过程建模，以此来对部件剩余寿命进行预测，其缺点是更倾向于系统的整体状态，预测时间跨度大，对于复杂动态系统很难建立明确的数学模型；基于专家知识的方法通过专家知识构建专家预测系统对故障进行预测，系统包含了预测对象的故障特征信息，通过特征信息的因果关系进行预测，其缺点是专家信息的获取的不确定性，人工依赖性较强；基于数据驱动的方法根据主要部件的测试或传感器数据，利用不同数据分析和处理技术构建精确的数学模型进行预测，其缺点是主要部件的特征数据有时不容易获得，且数据具有较强的不确定性和不完整性，影响预测准确度。

由于列车行驶过程中，制动系统的多个主要部件状态值都有详细记载，所以适合采用基于数据驱动的故障预测方法。

因为具有高可靠性、较稳定的数据难以获取，目前研究多集中于主要部件的故障数据获取上，这些数据通常表现为有规则的变动，具有明确的变化趋势，能够很好地被单一机器学习模型拟合和预测。但是对于列车制动系统多变量故障时间序列这种复杂系统，故障是系统级别的，通过单一的预测模型对制动系统的预测结果效果并不理想，因此提出了由奇异谱分析(Singular Spectrum Analysis，SSA)和支持向量回归(Support VectorRegression，SVR)构建的组合预测模型，该模型首先对原始数据进行了特征提取，分析故障特征，然后对SSA和SVR分别建模，通过特征数据的输入进行预测，最后将预测结果组合，得到了比单一模型更理想的预测效果。

目前对于数据驱动的故障预测方法主要有基于统计学的，如移动平均法、指数平滑法、差分整合移动平均自回归模型(Autoregressive Integrated Moving Averagemodel，ARIMA)模型和状态空间模型，由于统计模型对数据的稳定性、完整性要求较高，因此不适合对行驶中的列车进行实时预测。另一类是通过机器学习建立预测模型，如K近邻(K-Nearest Neighbor，KNN)、支持向量机(Support Vector Machine,SVM)、循环神经网络(Recurrent Neural Network，RNN)、反向传播神经网络(Back Propagation Network，BP)模型思想成熟，预测结果精确，但在预测过程中准确度会受限于样本数量。