重载机车的诊断方法、装置、计算机设备、可读存储介质和程序产品与流程

摘要: 本技术涉及重载机车运维,特别是涉及一种重载机车的诊断方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。背景技术:1、随着重载机车的推广,出现了重载机车...
重载机车的诊断方法、装置、计算机设备、可读存储介质和程序产品与流程

本技术涉及重载机车运维,特别是涉及一种重载机车的诊断方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术:

1、随着重载机车的推广,出现了重载机车运维技术,该技术能够保障重载机车的运行安全。

2、传统的重载机车维护工作主要依赖于定期检修,缺乏基于实时运行状态的在线监测与预警手段。而且,现有的监测系统多是针对单一子系统的孤立存在,各子系统间缺乏数据交互与逻辑融合,难以实现全机车维度的综合协同诊断。另外,车载端的计算资源相对有限,无法在车上独立完成复杂的深度学习模型运算,导致诊断精度受限。同时,机车运行产生的原始高频信号数据量巨大,在全量传输至地面云平台时,难以保障数据的实时性。此外,故障定位和检修建议的生成高度依赖专家个人经验,缺乏自动化的知识生成与智能化决策支持手段。

技术实现思路

1、基于此,有必要针对上述技术问题,提供一种能够提升诊断精度的重载机车的诊断方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面,本技术提供了一种重载机车的诊断方法,包括:

3、获取重载机车的历史运行数据;

4、对历史运行数据进行时序对齐处理,得到多源时空数据矩阵;

5、对多源时空数据矩阵中的多源数据进行拼接和投影处理,得到融合向量;

6、基于融合向量,通过域对抗训练将域对抗神经网络转换为适配于重载机车的诊断预警模型;

7、将重载机车的运行数据输入至诊断预警模型,得到故障诊断结果。

8、在其中一个实施例中,对多源时空数据矩阵中的多源数据进行拼接和投影处理,得到融合向量,包括:

9、对多源时空数据矩阵中的多源数据进行拼接,得到特征向量;特征向量包括物理域特征向量和逻辑域特征向量;

10、基于第一预设核函数,将物理域特征向量映射至希尔伯特空间;

11、基于第二预设核函数,将逻辑域特征向量映射为高维向量;

12、采用降维算法分别将映射后的物理域特征向量和映射后的逻辑域特征向量投影至同一低维平滑曲面,得到物理域投影和逻辑域投影;

13、对物理域投影和逻辑域投影进行拼接,得到融合向量。

14、在其中一个实施例中,历史运行数据包括子系统关键部件的控制信号、机车环境变量数据、以及列车运行数据;对历史运行数据进行时序对齐处理,得到多源时空数据矩阵,包括:

15、基于子系统关键部件的控制信号提取子系统关键部件的退化特征;

16、对退化特征、环境变量数据和列车运行数据进行时序对齐处理,得到多源时空数据矩阵。

17、在其中一个实施例中,将重载机车的运行数据输入至诊断预警模型,得到故障诊断结果之后,还包括:

18、通过物理失效模型对故障诊断结果进行合理性校验;

19、在故障诊断结果不合理的情况下,基于故障诊断模型对故障诊断结果进行验证,得到最终的故障诊断结果。

20、在其中一个实施例中,该方法还包括:

21、基于机车运维知识构建知识向量空间;

22、针对故障诊断结果,通过智能交互模型在知识向量空间中检索检修建议。

23、在其中一个实施例中,该方法还包括:

24、根据重载机车的运行数据和故障诊断结果,对重载机车进行健康解算,得到健康指标;健康指标包括电容器健康指数、绝缘栅双极型晶体管健康指数、传感器故障偏差、电机滤网状态等级。

25、第二方面,本技术还提供了一种重载机车的诊断装置,包括:

26、获取模块,用于获取重载机车的历史运行数据;

27、处理模块,用于对历史运行数据进行时序对齐处理,得到多源时空数据矩阵;

28、融合模块,用于对多源时空数据矩阵中的多源数据进行拼接和投影处理,得到融合向量;

29、转换模块,用于基于融合向量,通过域对抗训练将域对抗神经网络转换为适配于重载机车的诊断预警模型;

30、故障诊断模块,用于将重载机车的运行数据输入至诊断预警模型,得到故障诊断结果。

31、第三方面,本技术还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:

32、获取重载机车的历史运行数据;

33、对历史运行数据进行时序对齐处理,得到多源时空数据矩阵;

34、对多源时空数据矩阵中的多源数据进行拼接和投影处理,得到融合向量;

35、基于融合向量,通过域对抗训练将域对抗神经网络转换为适配于重载机车的诊断预警模型;

36、将重载机车的运行数据输入至诊断预警模型,得到故障诊断结果。

37、第四方面,本技术还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:

38、获取重载机车的历史运行数据;

39、对历史运行数据进行时序对齐处理,得到多源时空数据矩阵;

40、对多源时空数据矩阵中的多源数据进行拼接和投影处理,得到融合向量;

41、基于融合向量,通过域对抗训练将域对抗神经网络转换为适配于重载机车的诊断预警模型;

42、将重载机车的运行数据输入至诊断预警模型,得到故障诊断结果。

43、第五方面,本技术还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:

44、获取重载机车的历史运行数据;

45、对历史运行数据进行时序对齐处理,得到多源时空数据矩阵;

46、对多源时空数据矩阵中的多源数据进行拼接和投影处理,得到融合向量;

47、基于融合向量,通过域对抗训练将域对抗神经网络转换为适配于重载机车的诊断预警模型;

48、将重载机车的运行数据输入至诊断预警模型,得到故障诊断结果。

49、上述重载机车的诊断方法、装置、计算机设备、计算机可读存储介质和计算机程序产品,获取重载机车的历史运行数据;对历史运行数据进行时序对齐处理,得到多源时空数据矩阵;对多源时空数据矩阵中的多源数据进行拼接和投影处理,得到融合向量;基于融合向量,通过域对抗训练将域对抗神经网络转换为适配于重载机车的诊断预警模型;将重载机车的运行数据输入至诊断预警模型,得到故障诊断结果。在本技术中,通过将车载边缘层采集的重载机车的历史运行数据发送至车载中枢层,从而车载中枢层对该历史运行数据依次执行时序对齐处理、拼接和投影处理,得到融合向量后,完成从域对抗神经网络到诊断预警模型的转换,能够适配不同重载机车的运行特征,不仅有效解决了不同机车个体运行工况差异导致的通用模型诊断精度不足问题,还避免了完全离线训练模型带来的适配成本过高问题,从而有效提升了重载机车故障诊断的准确性与适配率。同时仅通过车载边缘层与车载中枢层进行数据交互,而无需将全量原始运行数据上传至地面云平台,不仅降低了数据传输带宽压力,也提升了故障诊断的响应速度,从而能够更好地满足重载机车运行过程中实时故障诊断的应用需求。