[发明专利]一种铁路车辆制动故障预测方法及健康管理系统

权利要求书

1.一种铁路车辆制动故障预测方法，实现步骤如下：

1）接收列车系统传感器采集到的列车管和制动缸压力数据，并对数据进行清洗整理，按时间顺序排序，删除重复的点，对缺失的点进行线性插值补齐；

2）根据列车管和制动缸压力变化特征，将数据按制动状态分为制动、缓解、保压阶段；

3）将分段后的数据采用专家系统分析判定各阶段的作用性能，得到制动机动作过程性能分数和专家评估信息；

采用专家系统分析判定各阶段的作用性能包括以下步骤：

（1）根据制动阶段的列车管压力和制动缸压力时间序列，计算出制动响应时间、制动缸压力升压量、制动缸升压量与列车管减压量的比值，并根据计算结果和专家规则给出5分制作用性能分数和评估信息；

（2）根据缓解阶段的列车管压力和制动缸压力时间序列，计算出缓解响应时间、制动缸压力下降量、制动缸压力下降速率，并根据计算结果和专家规则给出5分制作用性能分数和评估信息；

（3）根据保压阶段的列车管压力和制动缸压力时间序列，计算出保压时间、保压阶段的制动缸漏泄量、保压阶段的制动缸漏泄速率，并根据计算结果和专家规则给出5分制作用性能分数和评估信息；

4）AI分析作用性能：运用深度学习算法根据列车管压力曲线计算出制动缸预期压力曲线，并与实际曲线进行比较，判定制动机动作过程的作用性能；

采用AI分析作用性能的过程包括以下步骤：

（1）用列车管压力时间序列作为输入，用制动缸压力时间序列作为预期输出，建立包含卷积层或者LSTM层或者GRU层的深度学习模型；

（2）使用最小均方误差作为损失函数，使用Adam优化方法训练深度学习模型，收敛后保存模型；

（3）使用保存的深度学习模型进行预测，得到任意一段列车管压力时间序列对应的预期制动缸压力时间序列；

（4）比较预期制动缸压力时间序列和实际制动缸压力时间序列，计算平均误差，得到制动机动作过程的AI作用性能分数。

2.根据权利要求1所述的铁路车辆制动故障预测方法，其特征在于：采用步骤3）、4）两种方式分析制动机的作用性能，进行综合的性能判定：对每次制动机动作过程进行打分，并按时间顺序综合历史动作过程得分计算每个制动阀的当前性能分数，对低于阈值的动作过程和制动阀当前性能分数进行故障预警判定。

3.一种铁路车辆制动故障预测及健康管理系统，采用如权利要求1所述的铁路车辆制动故障预测方法，包括如下模块：

M1制动数据预处理模块：接收列车系统传感器采集到的列车管和制动缸压力数据，并对数据进行清洗整理；

M2作用性能分析模块：利用专家系统及AI两种方式结合后对动作过程进行精准分析，判定制动机的作用性能，从而有效预测制动阀的健康状况；

M3制动阀健康管理模块：构建健康管理系统，当制动阀处于亚健康状况时提出预警。

4.根据权利要求3所述的铁路车辆制动故障预测及健康管理系统，其特征在于：所述制动数据预处理模块执行数据采集及整理的步骤如下：

S11，接收列车系统传感器采集到的列车管和制动缸压力数据；

S12，对数据进行清洗整理，按时间顺序排序，删除重复的点，对缺失的点进行线性插值补齐；

S13，清洗整理后的数据保存到数据库。

5.根据权利要求3或4所述的铁路车辆制动故障预测及健康管理系统，其特征在于：所述作用性能分析模块执行制动机综合性能分析的过程如下：

S21，数据分段：根据列车管压力变化特征，将数据按制动状态分为制动、缓解、保压阶段；

S22，分段后的数据分别交给相应的专家系统分析判定各阶段的作用性能，得到制动机动作过程性能分数和专家评估信息；

S23，AI分析作用性能：运用深度学习算法根据列车管压力曲线计算出制动缸预期压力曲线，并与实际曲线进行比较，判定制动机的作用性能；

S24，预警判定：综合S22和S23的性能判定，对每次动作过程进行打分，并按时间顺序综合历史动作过程得分计算每个制动阀的性能分数，对低于阈值的动作过程和制动阀性能分数产生预警信息，保存至数据库。