故障预测模型的训练方法、列车系统故障预测方法和装置与流程

1.本发明涉及轨道交通技术领域，特别涉及故障预测模型的训练方法、列车系统故障预测方法和装置。


背景技术：

2.随着轨道交通逐渐成为人们日常生活和国家经济发展中必不可少的交通工具，其运营中的安全性也越来越受到人们的关注。列车中的关键系统或部件的性能直接关系到列车运行的安全性和可靠性，如转向架、牵引电机和轮对等。因此，及时地进行故障预测对列车安全至关重要。
3.然而，目前的列车系统或部件具有较强的复杂性，而且会受到不确定环境的干扰，而这些环境因素与一些潜在的故障密切相关。比如，电机或转向架可能出现的故障会受到环境条件、负载以及路径条件等运行环境的影响；再比如，高速断路器会受到其控制单元、供电网络等环境因素的影响。因此，列车的故障不仅由某一系统或部件所决定，而且会受到其他系统或部件的干扰和影响，这导致目前在利用单一部件或系统的数据来对列车故障进行预测的准确性较低。


技术实现要素：

4.本发明提供了故障预测模型的训练方法、列车系统故障预测方法和装置，能够提高对列车故障进行预测的准确性。
5.第一方面，本发明实施例提供了一种故障预测模型的训练方法，包括：
6.获取当前列车系统的本地样本运行信号和样本环境信号；
7.对所述本地样本运行信号进行特征提取，得到关键指标特征；
8.对所述样本环境信号进行特征提取，得到环境指标特征；
9.根据所述关键指标特征和所述环境指标特征之间的依赖性，确定用于对故障进行预测的主导特征；
10.利用所述主导特征训练所述故障预测模型。
11.在一种可能的实现方式中，进行特征提取的步骤，包括：
12.当信号为高频信号时，在时域范围内进行特征提取、在频域范围内进行特征提取，和/或在时频域范围内进行特征提取；
13.当信号为低频信号时，提取如下中的至少一项：信号的变化趋势、自相关系数和坡度。
14.在一种可能的实现方式中，所述在时域范围内进行特征提取，包括：对信号的峰值、熵、标准差、均值和能量中的至少一个进行提取；
15.和/或，
16.所述在频域范围内进行特征提取，包括：对信号频谱曲线中能够指示列车系统处于异常状态的特征频率进行提取；其中，所述信号频谱曲线是由信号通过时域到频域的变
换得到；
17.和/或，
18.所述在时频域范围内进行特征提取，包括：对时频域功率谱中各个频带的能量幅值进行提取；其中，所述时频域功率谱是利用小波包变换和经验模式分解中的至少一个对信号进行分解得到。
19.在一种可能的实现方式中，所述根据所述关键指标特征和所述环境指标特征之间的依赖性确定用于对故障进行预测的主导特征的步骤，包括：
20.确定所述关键指标特征和所述环境指标特征之间的注意力得分；其中，所述注意力得分用于表征所述关键指标特征和环境指标特征中的其中一个对另一个的影响值；
21.利用所述注意力得分对所述关键指标特征和所述环境指标特征进行调整，得到调整指标特征；
22.根据所述调整指标特征、所述关键指标特征和所述环境指标特征，确定所述主导特征。
23.在一种可能的实现方式中，所述确定所述关键指标特征和所述环境指标特征之间的注意力得分的步骤，包括：
24.计算所述关键指标特征和所述环境指标特征之间的相似性；
25.根据所述相似性，分别计算第一注意力得分和第二注意力得分；其中，所述第一注意力得分用于表征所述环境指标特征对所述关键指标特征的影响值，所述第二注意力得分用于表征所述关键指标特征对所述环境指标特征的影响值。
26.在一种可能的实现方式中，所述计算所述关键指标特征和所述环境指标特征之间的相似性的步骤，包括：
27.利用如下计算式计算所述关键指标特征和所述环境指标特征之间的相似矩阵：
28.f(k,e)＝e
t
*k
29.其中，f(k,e)用于表征所述相似矩阵，k用于表征所述关键指标特征，e用于表征所述环境指标特征。
30.在一种可能的实现方式中，计算所述第一注意力得分的步骤，包括：
31.利用如下计算式计算所述第一注意力得分：
32.a_k＝softmax(f(k,e))
33.其中，a_k用于表征所述第一注意力得分，softmax(.x)用于表征变量为x的归一化指数函数；
34.和/或，
35.计算所述第二注意力得分的步骤，包括：
36.利用如下计算式计算所述第二注意力得分：
37.a_e＝softmax(f(k,e)
t
)
38.其中，a_e用于表征所述第二注意力得分，softmax(.x)用于表征变量为x的归一化指数函数。
39.在一种可能的实现方式中，所述利用所述注意力得分对所述关键指标特征和所述环境指标特征进行调整得到调整指标特征的步骤，包括：
40.利用第一注意力得分对环境指标特征进行调整，得到第一调整指标特征；
41.利用第二注意力得分对关键指标特征进行调整，得到第二调整指标特征；
42.将所述第一调整指标特征和所述第二调整指标特征进行共同注意力表征，得到所述调整指标特征。
43.在一种可能的实现方式中，所述利用第一注意力得分对环境指标特征进行调整得到第一调整指标特征的步骤，包括：
44.利用如下计算式计算所述第一调整指标特征：
45.c_k＝e*a_k
46.其中，c_k用于表征所述第一调整指标特征，e用于表征所述环境指标特征，a_k用于表征所述第一注意力得分；
47.和/或，
48.所述利用第二注意力得分对关键指标特征进行调整得到第二调整指标特征的步骤，包括：
49.利用如下计算式计算所述第二调整指标特征：
50.c_e＝k*a_e
51.其中，c_e用于表征所述第二调整指标特征，k用于表征所述关键指标特征，a_e用于表征所述第二注意力得分；
52.和/或，
53.所述将所述第一调整指标特征和所述第二调整指标特征进行共同注意力表征得到所述调整指标特征的步骤，包括：
54.利用如下计算式对所述第一调整指标特征和所述第二调指标整特征所对应的矩阵进行拼接，得到所述调整指标特征：
55.c＝concat(c_k,c_e)
56.其中，c用于表征所述调整指标特征，c_k用于表征所述第一调整指标特征，c_e用于表征所述第二调整指标特征，concat(c_k,c_e)用于表征对第一调整指标特征和第二调整指标特征所对应的矩阵进行拼接。
57.在一种可能的实现方式中，所述根据所述调整指标特征、所述关键指标特征和所述环境指标特征确定所述主导特征的步骤，包括：
58.对所述调整指标特征、关键指标特征和环境指标特征进行共同注意力表征，得到融合特征；
59.获取预先定义的故障类型向量；
60.确定所述融合特征和所述故障类型向量之间的第三注意力得分；以及，
61.利用所述第三注意力得分对所述融合特征进行调整，得到所述主导特征。
62.在一种可能的实现方式中，所述利用所述主导特征训练所述故障预测模型的步骤，包括：
63.将所述主导特征按照时序输入到长短时记忆网络中，得到所述故障预测模型。
64.第二方面，本发明实施例提供了一种列车系统故障预测方法，包括：
65.获取当前列车系统的本地运行信号和环境信号；
66.将所述本地运行信号和所述环境信号，输入到利用第一方面中任一所述的故障预测模型的训练方法所训练出的故障预测模型中，得到当前列车系统的故障预测结果。
67.第三方面，本发明实施例提供了一种故障预测模型的训练装置，包括：
68.一个样本信号获取模块，配置为获取当前列车系统的本地样本运行信号和样本环境信号；
69.一个特征提取模块，配置为对所述样本信号获取模块获取到的所述本地样本运行信号进行特征提取，得到关键指标特征；对所述样本信号获取模块获取到的所述样本环境信号进行特征提取，得到环境指标特征；
70.一个主导特征确定模块，配置为根据所述特征提取模块提取到的所述关键指标特征和所述环境指标特征之间的依赖性，确定用于对故障进行预测的主导特征；
71.一个模型训练模块，配置为利用所述主导特征确定模块确定的所述主导特征训练所述故障预测模型。
72.第四方面，本发明实施例提供了一种列车系统故障预测装置，包括：
73.一个预测信号获取模块，配置为获取当前列车系统的本地运行信号和环境信号；
74.一个结果输出模块，配置为将所述预测信号获取模块获取到的所述本地运行信号和所述环境信号，输入到利用第三方面所述的故障预测模型的训练装置所训练出的故障预测模型中，得到当前列车系统的故障预测结果。
75.第五方面，本发明实施例还提供了一种计算设备，包括：至少一个存储器和至少一个处理器；
76.所述至少一个存储器，用于存储机器可读程序；
77.所述至少一个处理器，用于调用所述机器可读程序，执行第一方面和第二方面中任一所述的方法。
78.第六方面，本发明实施例还提供了一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行第一方面和第二方面中任一所述的方法。
79.第七方面，本发明实施例还提供了一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现第一方面和第二方面中任一所述的方法。
80.由上述技术方案可知，在训练用于对列车系统的故障进行预测的故障预测模型时，首先考虑获取当前列车系统的本地样本运行信号和样本环境信号，然后分别对该本地样本运行信号和样本环境信号进行特征提取。进一步，根据提取到的关键指标特征和环境指标特征之间的依赖性，即可确定用于对故障进行预测的主导特征，进而利用该主导特征可训练得到故障预测模型。由此可见，本方案不仅考虑了当前列车系统本地的数据，而且考虑到了与该当前列车系统相关的环境数据，如此根据列车系统本地的数据和环境数据之间的依赖性，充分将能够对列车系统故障产生影响的环境因素考虑在其中，从而使训练得到的模型能够在对列车系统的故障进行预测时准确性更高。
附图说明
81.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以基于这些附图获得其他的附图。
82.图1是本发明一个实施例提供的一种故障预测模型的训练方法的流程图；
83.图2是本发明一个实施例提供的一种主导特征的确定方法的流程图；
84.图3是本发明一个实施例提供的一种注意力得分的确定方法的流程图；
85.图4是本发明一个实施例提供的一种调整指标特征的确定方法的流程图；
86.图5是本发明一个实施例提供的另一种主导特征的确定方法的流程图；
87.图6是本发明一个实施例提供的一种列车系统故障预测方法的流程图；
88.图7是本发明一个实施例提供的一种故障预测模型的训练装置的示意图；
89.图8是本发明一个实施例提供的一种列车系统故障预测装置的示意图；
90.图9是本发明一个实施例提供的一种计算设备的示意图。
91.附图标记列表
92.101：获取当前列车系统的本地样本运行信号和样本环境信号
93.102：对本地样本运行信号进行特征提取，得到关键指标特征
94.103：对样本环境信号进行特征提取，得到环境指标特征
95.104：根据关键指标特征和环境指标特征之间的依赖性，确定用于对故障进行预测的主导特征
96.105：利用主导特征训练故障预测模型
97.201：确定关键指标特征和环境指标特征之间的注意力得分
98.202：利用注意力得分对关键指标特征和环境指标特征进行调整，得到调整指标特征
99.203：根据调整指标特征、关键指标特征和环境指标特征，确定主导特征
100.301：计算关键指标特征和环境指标特征之间的相似性
101.302：根据相似性，分别计算第一注意力得分和第二注意力得分
102.401：利用第一注意力得分对环境指标特征进行调整，得到第一调整指标特征
103.402：利用第二注意力得分对关键指标特征进行调整，得到第二调整指标特征
104.403：将第一调整指标特征和第二调整指标特征进行共同注意力表征，得到调整指标特征
105.501：对调整指标特征、关键指标特征和环境指标特征进行共同注意力表征，得到融合特征
106.502：获取预先定义的故障类型向量
107.503：确定融合特征和故障类型向量之间的第三注意力得分
108.504：利用第三注意力得分对融合特征进行调整，得到主导特征
109.601：获取当前列车系统的本地运行信号和环境信号
110.602：将本地运行信号和环境信号，输入到上述提供的任一故障预测模型的训练方法所训练出的故障预测模型中，得到当前列车系统的故障预测结果
111.701：样本信号获取模块
ꢀꢀꢀꢀꢀ
702：特征提取模块
112.703：主导特征确定模块
ꢀꢀꢀꢀꢀ
704：模型训练模块
113.801：预测信号获取模块
ꢀꢀꢀꢀꢀ
802：结果输出模块
114.901：存储器
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
902：处理器
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
900：计算设备
115.100：故障预测模型的训练方法
116.600：列车系统故障预测方法
117.700：故障预测模型的训练装置
118.800：列车系统故障预测装置
具体实施方式
119.如前所述，随着科学技术和经济的发展，轨道交通已经成为了人们日常生活和国家经济发展中必不可少的交通工具，但同时带来的轨道交通安全也越来越受到人们的关注。在轨道交通领域中，诸如牵引电机、转向架和轮对等列车中的关键系统或部件的性能直接关系到列车运行的安全性和可靠性。因此，及时地进行故障预测是列车安全运营的关键。
120.然而，列车系统或部件具有较强的复杂性，而且会受到不确定环境的干扰，而这些环境因素与一些潜在的故障密切相关。比如，振动或声学信号主要用于检测电机或转向架的健康状况，而诸如负载、转速和路径条件等环境条件会给电机或转向架带来不同程度的应力，从而导致不同程度的振动水平。也就是说，电机或转向架的故障预测应考虑其与环境之间的相关性；再比如，对于逆变器来说，输入电压和电流的稳定性将影响逆变器的性能，而当逆变器出现异常行为时，其负载的输出电压或电流将显示异常行为。也就是说，在对逆变器部件进行故障预测时，逆变器和它的高压供电网络之间的相互依赖性是必须考虑的。然而，目前在对列车的故障进行预测时，采用了深度学习中的图像应用和目标识别对列车故障进行故障检测或预测。比如，利用长短时记忆网络lstm模型，通过恒定速度的振动数据对转向架的已知故障进行检测；再比如，通过卷积神经网络对高速列车转向架的故障进行诊断。容易看出的是，现有的故障检测方案主要集中在目标系统或部件的信号或数据上，没有充分考虑环境数据的依赖性，导致对列车故障进行预测的准确性较低。
121.基于此，本发明考虑不仅对当前列车系统的本地信号进行关注，而且同时对该当前列车系统的环境信号进行关注，充分捕捉本地信号和环境信号之间的依赖性，以此来提高对列车进行故障预测的准确性。
122.如图1所示，本发明提供了一种故障预测模型的训练方法100，该方法可以包括如下步骤：
123.步骤101：获取当前列车系统的本地样本运行信号和样本环境信号；
124.步骤102：对本地样本运行信号进行特征提取，得到关键指标特征；
125.步骤103：对样本环境信号进行特征提取，得到环境指标特征；
126.步骤104：根据关键指标特征和环境指标特征之间的依赖性，确定用于对故障进行预测的主导特征；
127.步骤105：利用主导特征训练故障预测模型。
128.本发明实施例中，在训练用于对列车系统的故障进行预测的故障预测模型时，首先考虑获取当前列车系统的本地样本运行信号和样本环境信号，然后分别本地样本运行信号和样本环境信号进行特征提取。进一步，根据本地样本运行信号得到的关键指标特征和样本环境信号得到的环境指标特征之间的依赖性，确定出用于对故障进行预测的主导特征，进而可以利用该主导特征训练得到故障预测模型。由此可见，本方案不仅考虑了当前列车系统本地的数据，而且考虑到了与该当前列车系统相关的环境数据，如此通过捕获列车系统本地的数据和环境数据之间的依赖性，充分将能够对列车系统故障产生影响的环境因
素考虑在其中，从而能够提高故障预测模型在对列车系统的故障进行预测时的准确性。
129.下面结合具体的实施例对图1中的各个步骤进行说明。
130.在步骤101中，获取当前列车系统的本地样本运行信号和样本环境信号。
131.本步骤中，在获取当前列车系统的本地样本运行信号和样本环境信号时，可以获取与该当前列车系统所有相关的数据，比如：传感器数据、列车系统的运行数据、该当前列车系统的过程数据、列车运行的环境数据、传感器数据和运行条件数据等。其中，本地样本运行信号为当前列车系统内部所产生的数据信号，而环境信号为当前列车系统外部能够对当前列车系统产生故障影响的数据信号。
132.比如，以牵引电机为例，其本地运行信号可以包括能够指示牵引电机健康或故障状态的振动信号、电机温度以及电机电流等。而牵引电机的环境信号可以包括供电系统的电压、电流、供电稳定性、列车负载、以及列车运行的路况等。
133.在步骤102中，对本地样本运行信号进行特征提取，得到关键指标特征；以及，在步骤103中，对样本环境信号进行特征提取，得到环境指标特征。
134.步骤102和步骤103中，考虑分别对本地运行信号和环境信号进行特征提取，从其中提取出对故障预测更具针对性的特征。比如，提取出在列车系统发生故障时，相应特征值会发生显著变化的特征，以此利用该与列车故障更加相关的特征进行模型训练，能够提高模型对故障预测的准确性。
135.在实际获取到的本地样本运行信号和样本环境信号中，同时会存在诸如传感器检测到的振动信号和声发射信号等高频信号，还会存在诸如路况、温度等低频信号，显然采用相同的特征提取方式同时对高频信号和低频信号进行特征提取时，很难同时对高频信号下的特征和低频信号下的特征进行准确提取。因此，在进行特征提取时，考虑分别对高频信号和低频信号进行提取。
136.比如，当信号为低频信号时，可以考虑提取信号的变化趋势、自相关系数和坡度等中的一个或多个作为提取出的特征。如从列车运行的路线信号中提取出列车运行路线的坡度变化等。
137.再比如，当信号为高频信号时，考虑从多个维度对对信号进行特征提取。在一种可能的实现方式中，考虑在时域范围内进行特征提取、在频域范围内进行特征提取，和/或在时频域范围内进行特征提取。如此，在实际应用中，不仅可以根据故障类型所对应的特征值情况选择合适的性能维度进行特征提取，比如某一故障类型在频域范围下的特征变化最能反映该故障类型，则可以选择在频域范围下进行特征提取。除此之外，可以选择多维度的特征提取，比如同时对时域范围、频域范围和时频域范围中的任意两个或多个进行特征提取，如此通过多维度的特征提取可以提升故障预测模型的可靠性。
138.当在时域范围内进行特征提取时，考虑对信号的峰值、熵、标准差、均值和能量等中的至少一个进行提取。
139.在本发明实施例中，考虑到当列车系统发生故障时，会导致采集的信号发生相应的变化。本实施例通过提取信号的峰值、均值、方差、标准差、能量等特征，可以通过这些特征量分析出该信号发生变化的情况。比如，信号的强度变化(峰值)和信号的波动情况(方差、标准差)等。因此，在时域范围内对上述特征量进行提取，可以准确地提取出能够反映列车系统发生故障时引起变化的特征，从而能够故障预测模型的可靠性。
140.当在频域范围内进行特征提取时，考虑对信号频谱曲线中能够指示列车系统处于异常状态的特征频率进行提取。
141.本发明实施例中，还可以考虑将信号通过时域到频域的变化得到信号频谱曲线，然后通过对特定的频率进行提取得到频率特征。比如，可以首先设置特征缺陷频带对照集合，该特征缺陷带对照集合中可以包括列车系统故障类型和各类型故障对应的特征缺陷频带。然后可以根据特征缺陷频带对照集合，从信号频谱曲线中提取各个特征缺陷频带所对应的幅值。如此通过在频率范围内提取能够反映列车系统发生故障所对应的各个频带的幅值，从而能够利用更有针对性的数据来提升故障预测的准确性。
142.当在时频域范围内进行特征提取时，考虑对时频域功率谱中各个频带的能量幅值进行提取。
143.本发明实施例中，还可以考虑利用小波包变换或经验模式分解对信号进行分解，得到时频域功率谱，然后提取该功率谱中各个频带的能量幅值作为时频域范围内提取出的特征，以此来提升故障预测模型的可靠性。比如，小波包变换实现了对频带部分的多层次划分，对频带分析中没有细分的高频部分也进行了进一步分解，并能够根据被分析的信号特征自适应地选择相应的频带，使之与信号频谱相匹配，从而提高时频分辨率。由此可见，通过小波包变换或经验模式分解能够得到分辨率更高的时频域功率谱，因此通过从该精度更高的时频域谱中获取相应频带的幅值，能够提升特征提取的准确性，进而利用该准确性更高的特征进行模型训练能够提高模型故障预测的准确性。
144.需要指出的是，上述各个实施例提供的进行特征提取的方法同时适用于步骤101中的本地样本运行信号和样本环境信号。
145.在步骤104中，根据关键指标特征和环境指标特征之间的依赖性，确定用于对故障进行预测的主导特征。
146.本实施例中，在通过特征提取得到关键指标特征和环境指标特征之后，进一步考虑对关键指标特征和环境指标特征之间的依赖性进行捕获，以确定出用于对故障进行预测的主导特征。比如，如图2所示，在确定主导特征时，步骤104可以包括如下如下步骤：
147.步骤201：确定关键指标特征和环境指标特征之间的注意力得分；其中，注意力得分用于表征关键指标特征和环境指标特征中的其中一个对另一个的影响值；
148.步骤202：利用注意力得分对关键指标特征和环境指标特征进行调整，得到调整指标特征；
149.步骤203：根据调整指标特征、关键指标特征和环境指标特征，确定主导特征。
150.本实施例中，在确定主导特征时，首先确定关键指标特征和环境指标特征之间的注意力得分，然后利用该注意力得分对关键指标特征和环境指标特征进行调整得到调整指标特征，进而可以利用得到的调整指标特征、关键指标特征和环境指标特征确定出主导特征。由此可见，本方案是通过确定关键指标特征和环境指标特征之间的相互影响得到注意力得分，并进一步将该注意力得分体现在原始数据上，即体现在关键指标特征和环境指标特征上。如此充分对关键指标特征和环境指标特征之间的依赖关系进行了考虑，从而利用确定的主导特征训练得到的模型可靠性较高。
151.对步骤201进行说明。
152.如图3所示，步骤201在确定关键指标特征和环境指标特征之间的注意力得分时，
可以通过如下步骤实现：
153.步骤301：计算关键指标特征和环境指标特征之间的相似性；
154.步骤302：根据相似性，分别计算第一注意力得分和第二注意力得分；其中，第一注意力得分用于表征环境指标特征对关键指标特征的影响值，第二注意力得分用于表征关键指标特征对环境指标特征的影响值。
155.本实施例中，在确定关键指标特征和环境指标特征之间的注意力得分时，首先考虑计算关键指标特征和环境指标特征之间的相似性，然后根据该相似性计算表征环境指标特征对关键指标特征的影响值的第一注意力得分，以及计算表征关键指标特征对环境指标特征的影响值的第二注意力得分。由此可见，本实施例是根据环境指标特征建立了关键指标特征的第一注意力得分矩阵，以及根据关键指标特征建立了环境指标特征的第二注意力得分矩阵，实现了从本地信号到环境信号和环境信号到本地信号的双向共同关注，能够建立起本地信号和环境信号之间的强耦合关系，从而捕获更多的与故障预测相关的特征数据。
156.比如，步骤301在计算关键指标特征和环境指标特征之间的相似性时，可以利用如下计算式计算关键指标特征和环境指标特征之间的相似矩阵：
157.f(k,e)＝e
t
*k
158.其中，f(k,e)用于表征相似矩阵，k用于表征关键指标特征，e用于表征环境指标特征。
159.本实施例中，通过计算环境指标特征矩阵的转置与关键指标特征矩阵的乘积，得到环境信号对本地信号产生影响时所对应的相似矩阵，进而步骤302可以利用如下计算式计算得到第一注意力得分：
160.a_k＝softmax(f(k,e))
161.其中，a_k用于表征第一注意力得分，softmax(.x)用于表征变量为x的归一化指数函数。
162.再比如，步骤301在计算本地信号对环境信号产生影响时所对应的相似矩阵时，通过对上述相似矩阵求转置得到，即f(k,e)
t
，进而步骤302可以利用如下计算式计算得到第二注意力得分：
163.a_e＝softmax(f(k,e)
t
)
164.其中，a_e用于表征第二注意力得分，softmax(.x)用于表征变量为x的归一化指数函数。
165.由此可见，确定关键指标特征和环境指标特征之间的注意力得分时，首先需要得到环境信号对本地信号产生影响时所对应的相似矩阵，以及本地信号对环境信号产生影响时所对应的相似矩阵，然后分别对这两个相似矩阵进行指数归一化处理，如此基于softmax能够确保较小的值也有较小的概率，不会被直接舍弃掉的性质，得到对应各个特征的得分，即得到第一注意力得分矩阵和第二注意力得分矩阵。
166.需要指出的是，关键指标特征和环境指标特征所对应的矩阵应至少具有相同的行数。比如，关键指标特征的矩阵k∈r
l*n
，环境指标特征的矩阵e∈r
l*m
，那么得到的a_k∈r
m*n
，而a_e∈r
n*m
。
167.对步骤202进行说明。
168.如图4所示，步骤202在利用注意力得分对关键指标特征和环境指标特征进行调整得到调整指标特征时，可以通过如下步骤实现：
169.步骤401：利用第一注意力得分对环境指标特征进行调整，得到第一调整指标特征；
170.步骤402：利用第二注意力得分对关键指标特征进行调整，得到第二调整指标特征；
171.步骤403：将第一调整指标特征和第二调整指标特征进行共同注意力表征，得到调整指标特征。
172.本实施例中，在利用注意力得分对关键指标特征和环境指标特征进行调整时，首先利用第一注意力得分对环境指标特征进行调整，以及利用第二注意力得分对关键指标特征进行调整，进一步在对调整后得到的第一调整指标特征和第二调整指标特征进行共同注意力表征，得到调整指标特征。如此，通过将针对每个特征的注意力得分映射到原始数据上，以通过特征值的缩放对各个特征的影响进行放大，使更加显著的差异体现在模型训练中，能够提升模型的可靠性。
173.需要指出的是，步骤401中的第一注意力得分和步骤402中的第二注意力得分可以通过上述对步骤201进行解释说明时的相关实施例得到。
174.在步骤401中，考虑利用第一注意力得分对环境指标特征进行调整，比如可以利用如下计算式计算第一调整指标特征：
175.c_k＝e*a_k
176.其中，c_k用于表征第一调整指标特征，e用于表征环境指标特征，a_k用于表征第一注意力得分；
177.在步骤402中，考虑利用第二注意力得分对关键指标特征进行调整，比如可以利用如下家算是计算第二调整指标特征：
178.c_e＝k*a_e
179.其中，c_e用于表征第二调整指标特征，k用于表征关键指标特征，a_e用于表征第二注意力得分；
180.由此可见，步骤401通过计算环境指标特征的矩阵与第一注意力得分的矩阵之间的乘积，实现了将第一注意力得分映射到环境指标特征上。而步骤402通过计算关键指标特征的矩阵和第二注意力得分的矩阵之间的乘积，实现了将第二注意力得分映射到关键指标特征上。如此通过特征值的缩放对各个特征的影响进行放大，使更加显著的差异体现在模型训练中，能够提升模型的可靠性。
181.当得到第一调整指标特征和第二调整指标特征之后，考虑将第一调整指标特征和第二调整指标特征进行融合，得到调整指标特征。比如，在一种可能的实现方式中，可以利用如下计算式对第一调整指标特征和第二调整指标特征所对应的矩阵进行拼接：
182.c＝concat(c_k,c_e)
183.其中，c用于表征调整指标特征，c_k用于表征第一调整指标特征，c_e用于表征第二调整指标特征，concat(c_k,c_e)用于表征对第一调整指标特征和第二调整指标特征所对应的矩阵进行拼接。
184.在对第一调整指标特征和第二调整指标特征所对应的矩阵进行拼接时，考虑按照
增加列的方式进行拼接。比如，c_k∈r
l*n
,c_e∈r
l*m
，那么，通过将c_k和c_e进行拼接后，得到的c∈r
l*(n m)
。
185.对步骤203进行说明。
186.在根据调整指标特征、关键指标特征和环境指标特征确定主导特征时，考虑将调整指标特征和原始的关键指标特征和环境指标特征进行融合，使其包含的数据更加全面。
187.具体的，如图5所示，步骤203可以通过如下步骤实现：
188.步骤501：对调整指标特征、关键指标特征和环境指标特征进行共同注意力表征，得到融合特征；
189.步骤502：获取预先定义的故障类型向量；
190.步骤503：确定融合特征和故障类型向量之间的第三注意力得分；以及，
191.步骤504：利用第三注意力得分对融合特征进行调整，得到主导特征。
192.本实施例中，在确定主导特征时，首先考虑对调整指标特征、关键指标特征和环境指标特征进行共同注意力表征得到融合特征，然后获取预先定义的故障类型向量。如此可以确定出融合特征和故障类型向量之间的第三注意力得分，进而利用该第三注意力得分对融合特征进行调整，即可得到主导特征。如此通过在共同注意层上捕获各种故障类型对连接特征的注意，从而连接出对每种类型的故障最相关的特征，进而能够使得利用主导特征训练得到的故障预测模型具有较高的可靠性。
193.调整指标特征中实现了对本地运行信号和环境信号的共同注意，考虑到了信号之间的相互影响，为了进一步提高指标特征与故障的关联性的准确性，可以将原始的关键指标特征和环境指标特征与调整指标特征进行融合。如此能够在调整指标特征中环境信号无法与故障建立联系时，可以通过环境指标特征进行支持，从而能够提高利用模型进行故障预测的准确性。
194.步骤501在对调整指标特征、关键指标特征和环境指标特征进行共同注意力表征得到融合特征时，可以通过如下计算式得到：
195.f＝concat(c,k,e)
196.其中，f用于表征融合特征，c用于表征调整指标特征，k用于表征关键指标特征，e用于表征环境指标特征。
197.当c∈r
l*(n m)
，关键指标特征的矩阵k∈r
l*n
，环境指标特征的矩阵e∈r
l*m
时，f∈r
l*(2n 2m)
。即通过增加列的方式将调整指标特征、关键指标特征和环境指标特征所对应的矩阵进行拼接。
198.进一步，在得到融合特征之后，步骤502-504考虑将空间注意机制，以获得融合特征和故障类型向量之间的关系，进而得到主导特征。比如，
199.首先，可以利用如下计算式得到融合特征f与故障类型向量p之间的相似矩阵：
200.f(f,p)＝p
t
*f
201.其中，f(f,p)用于表征f和p之间的相似矩阵，f用于表征融合特征，p用于表征故障类型向量；其中，故障类型向量可以通过专家知识得到。
202.然后，可以利用如下计算式得到融合特征和故障类型向量之间的第三注意力得分：
203.a_f＝softmax(f(f,p))
204.其中，a_f用于表征第三注意力得分，softmax(.x)用于表征变量为x的归一化指数函数。
205.最后，可以通过如下计算式，利用第三注意力得分对融合特征进行调整，得到主导特征：
206.c_f＝f*a_f
207.其中，c_f用于表征主导特征。
208.在步骤105中，利用主导特征训练故障预测模型。
209.本步骤中，在利用主导特征训练故障预测模型时，考虑将主导特征按照时序输入到长短时记忆网络lstm中，得到故障预测模型。如此通过lstm模型将主导特征和其所包含的时间信息进行融合，捕获每个特征内部的时间相关性，以在预定义的未来窗口中预测列车系统的故障概率和故障类型。比如，cf
t
为时序t时的主导特征，h
t-1
为来自lstm模型t-1时的输出，则lstm模型则有h
t
＝lstm(h
t-1
,cf
t
)。
210.如图6所示，本发明实施例还提供了一种列车系统故障预测方法600，该方法可以包括如下步骤：
211.步骤601：获取当前列车系统的本地运行信号和环境信号；
212.步骤602：将本地运行信号和环境信号，输入到上述提供的任一故障预测模型的训练方法所训练出的故障预测模型中，得到当前列车系统的故障预测结果。
213.本发明实施例中，由于用于进行故障预测的故障预测模型是考虑了本地信号和环境信号训练得到的，即考虑了本地信号和环境信号之间的依赖性得到的，因此利用该故障预测模型进行模型训练时能够提高故障预测的准确性。
214.如图7所示，本发明实施例提供了一种故障预测模型的训练装置700，该装置包括：
215.一个样本信号获取模块701，配置为获取当前列车系统的本地样本运行信号和样本环境信号；
216.一个特征提取模块702，配置为对样本信号获取模块701获取到的本地样本运行信号进行特征提取，得到关键指标特征；对样本信号获取模块701获取到的样本环境信号进行特征提取，得到环境指标特征；
217.一个主导特征确定模块703，配置为根据特征提取模块702提取到的关键指标特征和环境指标特征之间的依赖性，确定用于对故障进行预测的主导特征；
218.一个模型训练模块704，配置为利用主导特征确定模块703确定的主导特征训练故障预测模型。
219.在一种可能的实现方式中，特征提取模块702在进行特征提取时，配置成执行如下操作：
220.当信号为高频信号时，在时域范围内进行特征提取、在频域范围内进行特征提取，和/或在时频域范围内进行特征提取；
221.当信号为低频信号时，提取如下中的至少一项：信号的变化趋势、自相关系数和坡度。
222.在一种可能的实现方式中，特征提取模块702在进行特征提取时，配置成执行如下操作：
223.在时域范围内进行特征提取，包括：对信号的峰值、熵、标准差、均值和能量中的至
少一个进行提取；
224.和/或，
225.在频域范围内进行特征提取，包括：对信号频谱曲线中能够指示列车系统处于异常状态的特征频率进行提取；其中，信号频谱曲线是由信号通过时域到频域的变换得到；
226.和/或，
227.在时频域范围内进行特征提取，包括：对时频域功率谱中各个频带的能量幅值进行提取；其中，时频域功率谱是利用小波包变换和经验模式分解中的至少一个对信号进行分解得到。
228.在一种可能的实现方式中，主导特征确定模块703在根据关键指标特征和环境指标特征之间的依赖性确定用于对故障进行预测的主导特征时，配置成执行如下操作：
229.确定关键指标特征和环境指标特征之间的注意力得分；其中，注意力得分用于表征关键指标特征和环境指标特征中的其中一个对另一个的影响值；
230.利用注意力得分对关键指标特征和环境指标特征进行调整，得到调整指标特征；
231.根据调整指标特征、关键指标特征和环境指标特征，确定主导特征。
232.在一种可能的实现方式中，主导特征确定模块703在确定关键指标特征和环境指标特征之间的注意力得分时，配置成执行如下操作：
233.计算关键指标特征和环境指标特征之间的相似性；
234.根据相似性，分别计算第一注意力得分和第二注意力得分；其中，第一注意力得分用于表征环境指标特征对关键指标特征的影响值，第二注意力得分用于表征关键指标特征对环境指标特征的影响值。
235.在一种可能的实现方式中，主导特征确定模块703在计算关键指标特征和环境指标特征之间的相似性时，配置成执行如下操作：
236.利用如下计算式计算关键指标特征和环境指标特征之间的相似矩阵：
237.f(k,e)＝e
t
*k
238.其中，f(k,e)用于表征相似矩阵，k用于表征关键指标特征，e用于表征环境指标特征。
239.在一种可能的实现方式中，主导特征确定模块703在计算第一注意力得分时，配置成执行如下操作：
240.利用如下计算式计算第一注意力得分：
241.a_k＝softmax(f(k,e))
242.其中，a_k用于表征第一注意力得分，softmax(.x)用于表征变量为x的归一化指数函数；
243.在一种可能的实现方式中，主导特征确定模块703在计算第二注意力得分时，配置成执行如下操作：
244.利用如下计算式计算第一注意力得分：
245.a_e＝softmax(f(k,e)
t
)
246.其中，a_e用于表征第二注意力得分，softmax(.x)用于表征变量为x的归一化指数函数。
247.在一种可能的实现方式中，主导特征确定模块703在利用注意力得分对关键指标
特征和环境指标特征进行调整得到调整指标特征时，配置成执行如下操作：
248.利用第一注意力得分对环境指标特征进行调整，得到第一调整指标特征；
249.利用第二注意力得分对关键指标特征进行调整，得到第二调整指标特征；
250.将第一调整指标特征和第二调整指标特征进行共同注意力表征，得到调整指标特征。
251.在一种可能的实现方式中，主导特征确定模块703在利用第一注意力得分对环境指标特征进行调整得到第一调整指标特征时，配置成执行如下操作：
252.利用如下计算式计算第一调整指标特征：
253.c_k＝e*a_k
254.其中，c_k用于表征第一调整指标特征，e用于表征环境指标特征，a_k用于表征第一注意力得分；
255.在一种可能的实现方式中，主导特征确定模块703在利用第二注意力得分对关键指标特征进行调整得到第二调整指标特征时，配置成执行如下操作：
256.利用如下计算式计算第二调整指标特征：
257.c_e＝k*a_e
258.其中，c_e用于表征第二调整指标特征，k用于表征关键指标特征，a_e用于表征第二注意力得分；
259.在一种可能的实现方式中，主导特征确定模块703在将第一调整指标特征和第二调整指标特征进行共同注意力表征得到调整指标特征时，配置成执行如下操作：
260.利用如下计算式对第一调整指标特征和第二调指标整特征所对应的矩阵进行拼接，得到调整指标特征：
261.c＝concat(c_k,c_e)
262.其中，c用于表征调整指标特征，c_k用于表征第一调整指标特征，c_e用于表征第二调整指标特征，concat(c_k,c_e)用于表征对第一调整指标特征和第二调整指标特征所对应的矩阵进行拼接。
263.在一种可能的实现方式中，主导特征确定模块703在根据调整指标特征、关键指标特征和环境指标特征确定主导特征时，配置成执行如下操作：
264.对调整指标特征、关键指标特征和环境指标特征进行共同注意力表征，得到融合特征；
265.获取预先定义的故障类型向量；
266.确定融合特征和故障类型向量之间的第三注意力得分；以及，
267.利用第三注意力得分对融合特征进行调整，得到主导特征。
268.在一种可能的实现方式中，模型训练模块704在利用主导特征训练故障预测模型时，配置成执行如下操作：
269.将主导特征按照时序输入到长短时记忆网络中，得到故障预测模型。
270.如图8所示，本发明实施例还提供了一种列车系统故障预测装置800，包括：
271.一个预测信号获取模块801，配置为获取当前列车系统的本地运行信号和环境信号；
272.一个结果输出模块802，配置为将预测信号获取模块801获取到的本地运行信号和
环境信号，输入到利用上述提供的任一故障预测模型的训练装置所训练出的故障预测模型中，得到当前列车系统的故障预测结果。
273.如图9所示，本发明一个实施例还提供了计算设备900，包括：至少一个存储器901和至少一个处理器902；
274.至少一个存储器901，用于存储机器可读程序；
275.至少一个处理器902，与至少一个存储器901耦合，用于调用机器可读程序，执行上述任一实施例提供的故障预测模型的训练方法100和列车系统故障预测方法600。
276.本发明还提供了一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述任一实施例提供的故障预测模型的训练方法100和列车系统故障预测方法600。本发明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上述任一所述的故障预测模型的训练方法100和列车系统故障预测方法600。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。
277.在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
278.用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。
279.此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
280.此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的cpu等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
281.需要说明的是，上述各流程和各系统结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。其中，上述装置实施例与方法实施例基于同一发明构思。
282.以上各实施例中，硬件模块可以通过机械方式或电气方式实现。例如，一个硬件模块可以包括永久性专用的电路或逻辑(如专门的处理器，fpga或asic)来完成相应操作。硬件模块还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
283.上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同
实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。