[发明专利]一种高速列车走行部系统智能故障诊断方法

说明书

本发明公开了一种高速列车走行部系统智能故障诊断方法，该方法包括，获取列车运行状态下包括多工况下温度测量数据构成训练集，由领域专家给定置信规则库的初始经验并构建初始诊断模型；提取训练集的均值、峰度等统计特征，并计算静态、动态可靠性；构建待优化参数的目标函数并训练初始参数；实时采集走行部系统当前时刻温度的测量数据并将其转换为均值、峰度作为测试数据；基于证据折扣理论将静态、动态可靠性融入置信规则库的推理部分中，并聚合库中激活的置信规则，从得到的分布式诊断结果判断该测试样本是否包含故障。该方法可以及时对故障进行诊断，及严重故障的预测，为部件的及时维修与替换提供一定参考，以避免重大事故的发生。

技术领域

本发明属于故障诊断领域，其中具体涉及到的是高速列车系统级的智能故障诊断方法。

背景技术

高速列车走行部系统在本质上是一类复杂系统，具有复杂性、时变性、强耦合性等特点，系统数据变量之间存在复杂的耦合关系。因此，按照传统系统工程还原理论，试图通过对组成此类系统基本单元状态变化的分析和叠加来诊断系统的故障是行不通的，必须利用先进的理论方法，对此类复杂系统进行故障检测与诊断。我们认为，目前主流的复杂系统故障诊断方法分为解析模型、数据驱动以及融合方法。

数据驱动方法通过数据建立与系统之间的非线性关系，根据可确定性的失效阈值来诊断系统的故障。融合方法也称基于半定量信息的方法，是解析模型和数据驱动方法的组合。然而，随着高速列车越来越复杂化、大规模化，通常很难提前凭借系统机理而精确地得到系统的解析模型。另外，高速列车的监测数据具有高维数、强耦合、非线性等特点，如果仅通过大量数据建模，那么将不能较好地解释系统出现的故障，对系统的变化缺少机理的解释。

相反，基于半定量信息的方法试图将定量信息和定性知识相结合，不仅不依赖于数学解析模型，而且在处理小样本数据方面也有较大的优势，如置信规则库理论。但在当前研究中，大多都假设模型的输入是可靠的，输入也就是故障特征，来源于传感器的监测，但工程实际中的监测过程会受到很多因素的影响，它们会将干扰信息引入监测数据中，也就是说含有故障特征的数据会变得不可靠性，将这样的数据作为置信规则库的输入，势必会影响置信规则库的建模精度。

不可靠数据主要来源于两种扰动因子，它们在复杂系统中的真实存在。它不光与传感器自身的物理特性密切有关，还与外界环境的噪声干扰有关。受这些干扰因素的影响，观测数据可能存在误差，如果不采用一些方法处理这些干扰因素，可能会导致对系统故障的错误诊断。因此，亟需一种新的基于置信规则库的智能故障诊断方法实现高速列车走行部系统的故障检测与诊断。

发明内容

本发明所要解决的技术问题之一是在不了解走行部系统详细的数学模型及面对具有海量、实时、高维等复杂特性的监测数据时，考虑走行部系统实际监测环境的影响，对高速列车进行实时故障诊断。

为了解决上述技术问题，本申请的实施案例提供了一种高速列车走行部系统智能故障诊断方法，包括，获取列车运行状态下包括多种工况下的温度测量数据构成训练集，由领域专家给定置信规则库的初始经验并构建初始诊断模型；提取每个训练集的均值、峰度等统计特征，并计算传感器所带来的干扰，得到静态可靠性和动态可靠性；构建置信规则库的待优化参数的目标函数并训练模型的初始参数；实时采集走行部系统当前时刻的温度测量数据并将其转换为均值、峰度等统计特性作为测试数据；基于证据折扣理论将静态、动态可靠性融入置信规则库的推理部分中，并聚合库中激活的置信规则，从得到的分布式诊断结果判断该测试样本是否包含故障。

1.优选地，由领域专家给定置信规则库的初始经验并构建初始诊断模型的步骤包括：

领域专家给出置信规则库模型的参数向量V＝[θ_k,δ_i,β_n,k]^T,θ_k表示第k条规则的权重，δ_i是第i个前提属性的权重，β_n,k表示第k条规则第n个结果的置信度；