动车组核心部件故障交叉验证评估方法与流程

本发明涉及轨道交通装备智能运维、动车组故障预测与健康管理（phm），具体涉及一种动车组核心部件故障交叉验证评估方法。

背景技术：

1、随着我国高速动车组路网规模化运营，动车组客室空调系统作为保障乘车舒适性与车载电气设备恒温工作环境的核心部件，长期处于启停频繁、车内外温差大、风道阻力动态变化的复杂工况下，极易出现换热效率下降、制冷剂微量泄漏、风机转速偏移、压缩机工况劣化等隐性故障，直接影响客室乘车体验与列车其他设备运行安全。动车组空调系统故障中，大多存在早期隐性特征，无明显停机故障表象，但现有phm系统难以精准捕捉，导致小隐患逐步演变为硬故障，故障扩大化后的维修成本较早期检修增加3-5倍，严重影响动车组运维效率与运营经济性。

2、现有技术存在三大核心缺陷：一是算法单一化局限，未形成多维度诊断能力互补，无法覆盖 时序趋势预测、全局异常检测、局部特征识别全场景；二是结果无校验机制，不同算法输出结果独立决策，无交叉互验逻辑；三是无机理约束支撑，未结合空调换热、制冷剂循环、压缩机做功等固有故障演化机理，诊断结果可能违背物理运行规律，导致大量无效预警。

技术实现思路

1、本发明的目的在于提出一种动车组核心部件故障交叉验证评估方法：通过多模型协同诊断、数学先验机理约束、结果交叉验证加权融合的技术路径，实现多维度故障诊断结果互验纠错；该方法具有更高的预警精度、更好的稳定性及更强的泛化能力。

2、为了达到上述目的，本发明采取的技术方案为：

3、一种动车组核心部件故障交叉验证评估方法，包括以下步骤：

4、1）多算法phm模型体系子算法选择，选取bpnn、ocsvm、cnn三种算法模型，分别适配时序参数趋势预测、小样本异常状态检测和温度时序突变局部故障特征提取；

5、2）搭建并训练多算法phm模型体系，采集动车组空调多维度传感数据构建全工况数据集，经特征筛选、标准化、数据集划分后，分别完成三类模型网络结构、超参数配置与迭代训练；

6、3）构建故障数理先验约束体系，依托空调换热、温压耦合、压缩机负载匹配物理机理提取先验公式、故障演化规律、参数耦合关系，建立多参数多工况阈值先验矩阵，剔除违背物理机理的诊断结果；

7、4）设置动态分级置信阈值，基于模型测试准确率与现场实测效果划分高、中、低置信区间，区间阈值随空调工况动态调整，仅高置信结果参与交叉验证；

8、5）执行三层递进交叉验证逻辑，先对bpnn、ocsvm结果开展同源参数双向互验；再结合cnn故障标签开展异源特征协同校验；多模型判定仍冲突时计算各结果与先验矩阵的机理契合度，选取最高契合度作为判定依据；

9、6）以模型置信度为权重计算0-1区间综合健康状态值，依据健康值划分四级健康等级并匹配对应标准化运维处置方案。

10、进一步的，所述步骤2）具体包括：

11、2.1）首先进行数据集构建，具体步骤如下：

12、a）数据采集：通过车载传感器采集空调系统多维度运行参数，采集时长≥6个月，全覆盖夏季高温制冷、春秋恒温、冬季除湿、稳态运行典型工况，涵盖正常工况、轻微故障工况、严重故障工况，样本总量≥5万条，空调系统核心采集参数：送风温度、回风温度、蒸发器温度、制冷管路高压压力、风机转速、压缩机工作电流，压缩机工作状态特征维度控制在8-12维；

13、b）特征筛选：采用pearson相关性分析+互信息熵计算，筛选与空调故障强相关的核心特征，剔除冗余、弱相关干扰参数，提升模型训练效率与诊断精度；

14、c）数据集划分：按7:2:1比例划分为训练集、验证集、测试集，采用z-score标准化处理数据：

15、

16、其中，为原始数据，为参数均值，为参数标准差，为标准化后的取值；

17、2.2）三类模型参数配置与训练，具体步骤如下：

18、a）bpnn模型：

19、网络结构：输入层神经元数=核心特征维度，隐藏层2层，其中第一层32个神经元，第二层16个神经元，输出层2个神经元，分别为空调送风温度预测值和系统故障概率；

20、激活函数：隐藏层relu函数，输出层sigmoid函数；

21、训练参数：学习率0.001，迭代次数1000次，批处理大小64，优化器adam，损失函数均方误差mse；

22、输出结果：温度/压力时序预测值、故障概率、模型置信度，其中故障概率和模型置信度均位于0-1区间；

23、b）ocsvm模型：

24、核函数：rbf核函数，，其中与为两个样本点；为核参数，控制相似度随距离衰减的速度；rbf核函数则代表样本点之间的相似度，两个样本越近，核值越接近 1；越远，核值越接近 0；

25、训练样本：仅采用空调正常工况样本，训练目标是精准构建空调全工况正常运行边界；

26、输出结果：异常判定标签，当时表示正常，当时表示异常；异常置信度、异常距离；

27、c）cnn模型：

28、网络结构：输入层形状为1×n×m，其中n=时序长度，m=特征维度；第一层卷积层为32个3×3卷积核，其中步长1；第一层池化为2×2最大池化；第二层卷积为64个3×3卷积核，其中步长1；第二层池化为2×2最大池化；全连接层共128个神经元，输出层共1个神经元，故障类型识别标签；

29、训练参数：学习率0.0005，迭代次数300次，批处理大小32，优化器rmsprop，损失函数交叉熵；

30、输出结果：故障类型识别标签，当=0时表示正常，当=1时表示换热器换热不良，当=2时表示风机转速异常，当=3时表示制冷剂泄漏，当=4时表示压缩机工况异常、故障置信度、特征匹配度。

31、进一步的，所述步骤3）具体包括：

32、3.1）基于动车组空调系统换热平衡机理、制冷管路压力-温度耦合机理、压缩机负载电流匹配机理，构建故障数理先验约束体系，包括先验矩阵、先验公式、先验阈值，作为多算法结果交叉验证的底层判定基准，具体选择算法如下：

33、数学先验知识提取，具体步骤如下：

34、a）空调换热平衡先验公式：

35、

36、式中：为时刻空调送风温度（℃）；为回风温度（℃）；为换热器换热功率；为换热效率；为空气比热容；为风道空气质量流量；空调正常工况下换热效率稳定在 0.75~0.85，同样需要根据实际测量来修改；

37、b）故障演化先验规律：

38、正常工况下，空调送风温度波动速率；故障工况下，送风温度波动速率；

39、c）参数耦合先验关系：

40、制冷管路高/低压压力与蒸发器温度呈强耦合关系：高压耦合公式，低压耦合公式，公式中权重需经过实际测量得到，，，，，其中为制冷管路高压压力，为制冷管路低压压力，为蒸发器温度；同时，回风温度作为空调负荷判定核心参数，直接决定换热功率匹配阈值，正常工况下回风温度与送风温度差值稳定在3℃~8℃；

41、压缩机工作状态耦合机理：压缩机工作电流与制冷管路压力、运行负载率呈强关联特性，构建压缩机电流-负载匹配公式：，式中为压缩机实时工作电流，、为实车测量系数，为压缩机运行负载率；正常工况下，压缩机电流随制冷管路压差、负载率线性平稳变化，无突变、无持续偏移；故障工况下，电流出现骤增、骤降或稳态偏移，对应压缩机卡滞、润滑不良、负载过载、制冷剂循环异常故障；

42、3.2）故障数理先验矩阵构建，具体步骤如下：

43、建立维度为的先验约束矩阵，其中为空调系统核心运行参数数量，为运行状态类型，包括正常工况、轻微故障工况、严重故障工况，矩阵元素表示第个参数在第类状态下的约束阈值/取值范围，故障数理先验矩阵如下：

44、

45、其中，送风温度正常范围，轻微故障阈值，严重故障阈值；蒸发器温度正常上限，轻微故障阈值，严重故障阈值；制冷管路高压值正常范围，轻微故障阈值，严重故障阈值；制冷管路高压值正常范围，轻微故障阈值，严重故障阈值；

46、风机转速正常范围，轻微故障阈值，严重故障阈值；回风温度正常范围，轻微故障阈值，严重故障阈值；压缩机实时工作电流正常范围，轻微故障阈值，严重故障阈值；压缩机运行负载率正常范围，轻微故障阈值，严重故障阈值；

47、3.3）先验约束判定规则，具体步骤如下：

48、对于算法输出的诊断结果集合，中每个元素需满足：

49、

50、若不满足，则判定该诊断结果违背空调物理运行机理，直接剔除，不参与后续交叉验证与融合计算。

51、进一步的，所述步骤4）具体包括：结合模型测试集准确率、现场实测诊断效果为三类模型划分为高、中、低置信区间，置信区间阈值随空调工况变化动态调整，仅高置信区间结果直接参与交叉验证，中置信区间结果作为辅助参考，不主导判定结果，低置信区间结果直接剔除，避免干扰诊断精度。

52、进一步的，所述步骤5）具体包括：

53、5.1）首先进行同源参数双向互验，互验对象为bpnn输出的空调送风温度预测值与ocsvm输出的系统全局异常判定标签，互检规则具体步骤如下：

54、a）若且，且两者均为高置信结果，初步判定为“疑似轻微故障”，进入下一层校验；

55、b）若且，初步判定为 “正常状态”；

56、c）若结果冲突，如但，则使用数学先验复核：计算是否满足空调换热平衡先验公式，若满足则以bpnn结果为准，否则以ocsvm结果为准；

57、5.2）其次，进行异源特征协同校验，较验对象为第一层初步判定结果与cnn输出的空调故障类型标签、特征匹配度，互检规则具体步骤如下：

58、a）若初步判定为 “疑似轻微故障”，且、、或，且，则确认 “轻微故障”；

59、b）若初步判定为“正常状态”，但且，则重新启动第一层互验，修正判定结果，规避隐性漏检；

60、c）若cnn结果为中置信区间，则结果将仅作为参考，不改变初步判定结果；

61、5.3）最后，进行数学先验计算，若前两层校验后仍存在判定冲突，如bpnn与cnn判定故障，ocsvm判定正常，则计算所有冲突结果与先验约束矩阵的契合度：

62、

63、其中为参与计算的参数数量，为算法输出的参数预测值，越接近1表示与空调物理运行机理契合度越高；选择最大的结果作为最终判定依据。

64、进一步的，所述步骤6）具体包括：

65、6.1）对通过交叉验证的有效结果，以各模型有效置信度为权重，计算空调系统综合健康状态值，1为完全健康，0为完全故障失效：

66、其中bpnn空调系统健康度，ocsvm空调系统健康度，cnn空调系统健康度；

67、6.2）根据综合健康状态值划分正常、亚健康、轻微故障、严重故障四级；正常等级执行常规巡检；亚健康等级增加监测频率，定修重点检查滤网、换热器积灰、管路密封；轻微故障等级 24 小时内开展专项检修；严重故障等级立即停机检修。

68、本发明的有益效果为：本发明方法通过多模型协同诊断、数学先验机理约束、结果交叉验证加权融合的技术路径，以送风温度、回风温度、蒸发器温度、制冷管路高压压力、制冷管路高压压力、风机转速、压缩机工作电流，压缩机工作状态等维度，实现多维度故障诊断结果互验纠错；该方法具有更高的预警精度、更好的稳定性及更强的泛化能力。