[发明专利]一种牵引系统故障的在线诊断方法及装置

权利要求书

1.一种牵引系统故障的在线诊断方法，其特征在于，包括：

监测所述牵引系统的故障特征变量；

响应于所述故障特征变量异常而输出对应的故障分类使能标志；

根据所述故障分类使能标志采集所述牵引系统的相关时域统计量；

从所述相关时域统计量提取相关特征指标以生成观测向量序列；以及

将所述观测向量序列载入经过预先训练的相关的故障模型，以确定最大概率值对应的故障模型为所述牵引系统的故障诊断结果。

2.如权利要求1所述的在线诊断方法，其特征在于，还包括：

判断所述故障特征变量是否超过给定的阈值；以及

响应于所述故障特征变量超过所述阈值而判断所述故障特征变量异常。

3.如权利要求1所述的在线诊断方法，其特征在于，根据所述故障分类使能标志采集所述相关时域统计量的步骤包括：

响应于所述故障分类使能标志而获取所述故障特征变量，并根据所述故障分类使能标志从对应的传感器获取其他相关的时域统计量。

4.如权利要求1所述的在线诊断方法，其特征在于，还包括：

对所述牵引系统的历史故障数据进行故障特征分析以提取相关特征变量；

根据所述相关特征变量计算故障特征指标，以得到所述故障特征指标的观测向量序列的样本库；以及

根据所述样本库训练所述牵引系统的各类所述故障模型。

5.如权利要求4所述的在线诊断方法，其特征在于，得到所述观测向量序列的样本库的步骤进一步包括：

将具有K个所述观测向量序列的样本库定义为O＝{O⁽¹⁾,O⁽²⁾,…,O^(K)}，其中，为第k个观测向量序列，为O^(k)的第t时刻的D维观测向量。

6.如权利要求5所述的在线诊断方法，其特征在于，训练各类所述故障模型的步骤包括：

建立描述所述观测向量序列的统计特征的HMM模型；

根据所述HMM模型建立GMM-HMM模型；

根据所述GMM-HMM模型确定所述观测向量序列的概率密度函数；以及

根据所述历史故障数据的样本库进行参数初始化，并对所述GMM-HMM模型进行参数估计。

7.如权利要求6所述的在线诊断方法，其特征在于，建立所述HMM模型的步骤进一步包括：

选择N个状态S＝{s₁,s₂,…,s_N}及M个高斯混合元以建立所述HMM模型，其中，x_nm为状态s_n的第m个混合元。

8.如权利要求7所述的在线诊断方法，其特征在于，建立所述GMM-HMM模型的步骤进一步包括：

将所述GMM-HMM模型描述为λ＝(π,A,C,μ,U)，其中，π为初始状态概率分布，A为状态转移概率分布，C为混合权利重，μ为均值矢量，U为协方差矩阵；

将所述初始状态概率分布π定义为π＝[π₁,π₁,…,π_N]^T，其中，q_t为t时刻所述观测向量序列的状态，P[·]为所述观测向量序列的概率，π_n＝P[q₁＝s_n]≥0且

将所述状态转移概率分布A定义为其中，a_ij＝P[q_t+1＝s_j|q_t＝s_i]≥0且所有i满足

将所述混合权利重C定义为其中，c_nm≥0且所有n满足

将所述均值矢量μ定义为其中，代表混合元x_nm的D维均值向量；以及

将所述协方差矩阵U定义为其中，U_nm代表混合元x_nm的D×D维协方差矩阵。