一种基于列车的牵引系统健康度评估的研究方法与流程

技术特征：
1.一种基于列车的牵引系统健康度评估的研究方法，其特征在于，包括以下步骤：s1.分析数据，调取牵引系统的设备数据进行分析和处理，通过pce的状态识别出牵引系统的状态，并对牵引系统的状态进行命名；s2.特征提取，获得与设备健康相关的变量，并从设备健康相关的变量中提取特征；s3.建立模型，根据提取的特征建立无监督学习模型和有监督学习模型；s4.模型实践；s4.1，无监督学习模型，通过向模型输入特征数据，然后经模型输出健康类别的类概率值；s4.2，有监督学习模型：利用先验知识，定义一个阈值来划分设备该特征的健康状况，然后输出每一个状态处于故障与非故障的概率值；s5.输出系统健康度得分，在无监督和有监督的模型中，利用模型得到的每一个状态划分到健康类别的类概率值，再利用类概率值作为该状态的健康度得分。2.根据权利要求1所述的一种基于列车的牵引系统健康度评估的研究方法，其特征在于：在所述s1中，牵引系统的状态进行命名内容为：0＝未知，1＝hscb断开，2＝故障，3＝牵引施加，4＝牵引未施加，在数据预处理中，将异常为负的电压转化为0，将有发生故障的状态标记为1，没有发生故障的状态标记为0。3.根据权利要求1所述的一种基于列车的牵引系统健康度评估的研究方法，其特征在于：在所述s2中，特征包括：原始特征、时频域特征和相关性特征。4.根据权利要求1所述的一种基于列车的牵引系统健康度评估的研究方法，其特征在于：在所述s4中，无监督学习模型包括高斯混合模型，通过高斯混合模型表示在总体分布中含有k个子分布的概率模型，所述高斯混合模型由k个单高斯模型组合而成，k个所述子模型为高斯混合模型的隐变量，通过高斯概率密度函数参数不同，每一个高斯模型可以看作一种类别，当输入一个样本x，即可通过pdf计算其值，然后通过一个阈值来判断该样本是否属于高斯模型，即可给出样本被划分到每一个类别的类概率信息。5.根据权利要求1所述的一种基于列车的牵引系统健康度评估的研究方法，其特征在于：在所述s4中，有监督学习模型包括逻辑回归模型，在逻辑回归模型中，令g(z)的值分布在(0，1)之间，当g(z)接近于0时样本的标签为0，当g(z)接近于1时样本的标签为类别1。6.根据权利要求4所述的一种基于列车的牵引系统健康度评估的研究方法，其特征在于：所述高斯混合模型的训练方法为：输入特征数据，利用高斯混合模型进行训练，将数据分为两类，一类倾向于识别出特征中的毛刺状态，一类倾向识别非毛刺的数据，将识别出毛刺的一类作为不健康的一类，输出每一个状态划分到健康类别的类概率值。7.根据权利要求5所述的一种基于列车的牵引系统健康度评估的研究方法，其特征在于：所述逻辑回归模型的训练方法为：利用经验知识，定义一个阈值来划分设备该特征的健康状况，此处采用统计学中的sigma准则来作为阈值的划分，将所有特征在区间[μ
‑
3σ，μ 3σ]之外的数据定义成异常，利用有监督的逻辑回归分类算法进行训练，输出每一个状态处于故障与非故障的概率值，利用逻辑回归模型将训练集和测试集以7：3的比例进行模型的训练，通过网格搜索进行调参，获得最佳分类效果的模型参数。8.根据权利要求1所述的一种基于列车的牵引系统健康度评估的研究方法，其特征在于：在所述s7中，当牵引系统本身曝出故障时，认定在该状态下设备的健康度为0，在非牵引
状态下和hscb断开的状态下，不考虑该状态的得分，最后牵引系统某一天的得分，综合牵引状态的健康得分与报故障的健康得分平均来综合，若该车在某一天里面没有牵引状态，则用前一天的得分来作为今天的打分。9.根据权利要求1所述的一种基于列车的牵引系统健康度评估的研究方法，其特征在于：所述原始特征包括：列车托架轴的速度、本架轴的速度、本架基轮径值、车架pce心跳、车架本架牵引力、车架电网电压、车架中间电压、车架中间电流、车架逆变电流、车架电机综合速度、车架斩波电流、车架给定牵引制动力、车架电机温度、车架电机转速、车架再生制动能耗脉冲、车架牵引能耗脉冲、车架本架电制动能力值、车架转向架电网电压和车架转向架牵引力完成值；所述时域特征包括：在序列随时间变化的过程中，所具有的与时间相关的一些特征；所述频域特征包括：直流分量dc、幅度、功率谱密度psd，所述功率谱密度包括幅度统计特征和形状统计特征。10.根据权利要求9所述的一种基于列车的牵引系统健康度评估的研究方法，其特征在于：所述频域特征用于发现信号的周期性信息，频域分析通过傅里叶变换来计算，所述直流分量是傅里叶变换后的第一个分量，所述幅度为数据变换后的绝对值，所述功率谱密度用来描述数据在频域的能量分布。

技术总结
本发明涉及列车技术领域，具体是一种基于列车的牵引系统健康度评估的研究方法，S1.分析数据，调取牵引系统的设备数据进行分析和处理，通过PCE的状态识别出牵引系统的状态，并对牵引系统的状态进行命名；S2.特征提取，获得与设备健康相关的变量，并从设备健康相关的变量中提取特征；S3.建立模型，根据提取的特征建立无监督学习模型和有监督学习模型；S4.模型实践；S4.1，无监督学习模型，通过向模型输入特征数据，然后经模型输出健康类别的类概率值。本发明利用从数据中提取原始特征、时频域特征和相关性特征，通过这些变量分析其业务上面的强相关性，使得在某状态下两两检测值相异，即可反应出设备在一定程度隐藏不健康信息。反应出设备在一定程度隐藏不健康信息。反应出设备在一定程度隐藏不健康信息。


技术研发人员：常伟 余捷全
受保护的技术使用者：广东毓秀科技有限公司
技术研发日：2021.07.14
技术公布日：2021/10/19