[发明专利]基于隐马尔可夫模型的高速列车风管安全状态诊断方法

摘要

本发明公开的基于隐马尔可夫模型的高速列车风管安全状态诊断方法，以高速列车风管压力监测数据为基础，首先通过临近插值、smooth平滑处理，然后利用高速列车风管压力监测数据对隐马尔可夫模型进行训练并训练出若干故障模型，然后将监测数据带入故障模型求取似然概率，最后通过对比似然概率找出当前系统所处的安全状态。本发明基于隐马尔可夫模型的高速列车风管安全状态诊断方法能有效的反映出高速列车风管的隐状态，进而可以反映出高速列车风管的安全状态，为车辆的异常发现，现场的故障分析、排除，故障前特征判定与预警提供理论支持。

主权项

1.基于隐马尔可夫模型的高速列车风管安全状态诊断的方法，其特征在于，具体按照以下步骤实施：步骤1、先利用传感器对高速列车风管压力进行监测数据采集，然后对采集到的高速列车风管压力监测数据进行插值处理；步骤2、经步骤1后，对插值后的风管压力监测数据进行平滑处理；步骤3、经步骤2后，取四组平滑后的监测数据，这四组分别为：正常态监测数据、故障态1监测数据、故障态2监测数据以及故障态3监测数据；将取得的四组平滑后的监测数据作为样本数据，再将四组平滑后的监测数据分别带入隐马尔可夫模型中，经训练后得到四种不同的HMM诊断模型，这四种模型分别为：正常态HMM模型、风管漏风故障HMM模型、风管阻塞故障HMM模型、压缩机故障HMM模型；步骤4、待步骤3完成后，另取四组平滑后的监测数据，这四组监测分别为：正常态监测数据、故障态1监测数据、故障态2监测数据以及故障态3监测数据，将这些数据作为测试样本，并分别带入经步骤3训练完成的四个隐马尔可夫模型中，包括有：正常态HMM、故障态1HMM、故障态2HMM以及故障态3HMM，求取似然概率值；经步骤3完成HMM模型的训练，得到四种不同的HMM诊断模型之后，另外选择四组预处理之后的监测数据作为测试样本，并将其分别带入到四种不同的HMM诊断模型中，求取最大似然概率的对数值；求取得到的最大似然概率的对数值能表现出测试样本与四种不同的HMM诊断模型的拟合程度，lnp(O|λ)越大，最大为0，表明拟合程度越高，也就是测试样本越接近于该HMM诊断模型，即测试样本属于该HMM诊断模型对应的隐性状态；似然概率的计算主要是通过前向后向算法来实现的：首先需要定义两个辅助变量：第一个变量定义为t时状态i和t+1时状态j的概率，即ζt(i,j)＝P(qt＝i,qt+1＝j|O,λ)     (1)；公式1能等价于利用前向变量和后向变量，公式2能表示为如下形式：第二个变量定义为后验概率，也就是在给定观察状态序列和HMM的情况下，t时状态i的概率：即γt(i)＝P(qt＝i|O,λ)    (4)；利用前向变量和后向变量，公式4能表示为如下形式：定义的上述两个变量，即第一个变量与第二个变量之间的关系如下：隐马尔可夫模型在学习的过程中，不断更新HMM的参数，从而使P(O|λ)最大；设定初始的HMM参数为λ＝{π,A,B}；首先计算前向变量α和后向变量β；然后计算期望ξ；最后根据如下所示的三个重估计算法来更新HMM参数，具体算法分别如下：定义当前的HMM模型为λ＝{π,A,B}，则能利用该模型计算公式7～公式9的右端，再定义重新估计的HMM模型为则公式7～公式9的左端就是重估的HMM模型参数；迭代计算公式7～公式9，由此不断地重新估计HMM的参数，在多次迭代后能得到HMM模型的一个最大似然估计；步骤5、经步骤4分别计算出正常态、故障态1、故障态2、故障态3的似然概率之后，通过对比这四个似然概率的大小，最大的那一个似然概率对应的隐马尔可夫模型就是高速列车风管所对应的故障模型，至此，完成对高速列车风管安全状态的诊断，即高速列车风管的故障诊断。