【技术实现步骤摘要】
一种地铁制动系统的故障预测方法、系统及介质
[0001]本专利技术涉及人工智能领域,特别是涉及一种地铁制动系统的故障预测方法、系统及介质。
技术介绍
[0002]地铁作为一种客容量大、安全、快速、舒适和节能的交通方式,其载运量大、客流集中的特点,决定了城市轨道交通设备安全性和可靠性的极端重要性。轨道交通车辆制动系统是事关列车运营安全的重要系统,必须确保其本身的安全可靠。制动系统的故障的发展是渐变的,制动系统中的关键部件电磁阀的故障是以损耗型故障为主,存在一个性能逐渐劣化的过程。随着电磁阀阀体的逐渐老化,而使制动系统的性能降低直至发生故障。在性能开始劣化至故障发生的临界点之前的这段时间将电磁阀隐患挖掘出来,并采取主动安全措施,是降低事故发生率和减少事故危害的必由之路。同时,隐患挖掘也能为维修决策提供指导,节省维护成本。
技术实现思路
[0003]本专利技术的目的是针对上述存在的电磁阀老化而导致制动系统故障问题,提供一种地铁制动系统的故障预测方法、系统及介质,该方法能够预测电磁阀的剩余使用寿命,从而解决了由电磁阀老化而引发的地铁制动系统故障问题。
[0004]本专利技术技术方案如下:
[0005]一方面,一种地铁制动系统的故障预测方法,包括以下步骤:
[0006]步骤1:获取地铁历史制动过程中的电磁阀压力数据,构建样本数据集合;
[0007]步骤2:构建地铁制动电磁阀实际压力与目标压力的变化曲线;
[0008]依据地铁电磁阀实际压力变化曲线与目标压力变化曲线的跟随性 ...
【技术保护点】
【技术特征摘要】
1.一种地铁制动系统的故障预测方法,其特征在于,包括以下步骤:步骤1:获取地铁历史制动过程中的电磁阀压力数据,构建样本数据集合;步骤2:构建地铁制动电磁阀实际压力与目标压力的变化曲线;依据地铁电磁阀实际压力变化曲线与目标压力变化曲线的跟随性,构建地铁制动电磁阀实际压力与目标压力的变化曲线;步骤3:分阶段对每个样本进行制动特征提取;利用实际压力与目标压力曲线之间的互相关函数关系,提取制动减速阶段特征:制动电磁阀实际压力与目标压力之间的延迟时间M1、误差E1以及最大相关系数C
c
;提取制动保压阶段特征:调整时间M2与稳态误差E2;提取制动缓解阶段特征:缓解时间M3;步骤4:依据设定的检修时间间隔PH,通过实验仿真平台对制动特征阈值进行设置;通过设置电磁阀不同老化程度的故障,在电磁阀不同老化程度下,得到随着时间变化的压力曲线与制动特征指标;当电磁阀的老化程度能够刚好满足电磁阀正常工作至下一个检修时,即剩余寿命等于设定检修时间间隔PH值时,基于这个状态下的电磁阀老化程度,得到在设定PH值下,各制动特征阈值;步骤5:构建随机森林预测模型;依据从样本数据集合选取的训练样本数量N,人为设定决策树的数量值K,K为奇数;从容量为N的训练样本数据中采取放回抽样方式随机抽取训练样本,重复K次形成K个容量为N的新训练数据集;利用每个新训练数据集和对应的特征进行树生长,按照节点熵值最小的原则从这g个特征中选出一个特征进行分枝生长,然后分别递归调用上述节点确定的过程构造各个分枝,直到这棵树上的特征都已被使用过,以得到的K个决策树作为随机森林预测模型;步骤6:基于随机森林预测模型中每颗决策树分类输出的结果,采用多数投票的方法得出最终结果,输出的结果为正常,表示可以使用至下一次检修时间点,输出的结果为故障,表示电磁阀不能使用至下一次检修时间点,建议维护。2.根据权利要求1所述的方法,其特征在于,所述制动减速阶段特征包括制动电磁阀实际压力与目标压力之间的延迟时间M1、误差E1以及最大相关系数C
c
;其中,m为实际压力曲线和目标压力曲线的互相关函数取最大值时对应的延迟采样点个数;R(m)
max
为所述互相关函数的最大值;m1为互相关系函数取最大值时对应延迟的采样个数;Δt为采样间隔时间,n为实际压力曲线和目标压力曲线之间所有延迟时间段的采样个数;i为采样点次序,P
实际,i+m1
为该第(i+m1)个采样点的实际压力;P
目标,i
为第i个采样点的目标压力;所述制动保压阶段特征包括调整时间M2与稳态误差E2;以制动电磁阀实际压力与目标压力的误差值第一次达到目标压力值的
±
5%之内所需的时间为调整时间M2,以制动电磁阀实际压力进入稳态之后的连续10个点计算平均绝对误
差作为稳态误差E2;所述制动缓解阶段特征包括缓解时间M3;以制动缓解阶段,从指定压力降至0所需的时间作为缓解时间M3。3.根据权利要求1所述的方法,其特征在于,对获取地铁历史制动过程中的原始电磁阀压力数据,使用全样本法进行处理,即从每辆地铁原始电磁阀压力数据集中选取任意数量的样本,构建样本数据集合。4.根据权利要求1所述的方法,其特征在于,若样本数据集合中正负样本不平衡,使用合成少数过采样技术合成样本,构建正负样本平衡的样本数据集合。5.根据权利要求1所述的方法,其特征在于,随机森林预测模型中每颗决策树分类输出结果的过程如下:将待分类数据导入随机森林预测模型中,待分类数据进一步导入到每棵决策树中;首先,用于根节点处特征的比较,如果待分类数据中对应根节点处的特征值满足根节点的条件,则表示当前用于判断电磁阀老化的特征满足PH值条件,并继续通过根节点连接的二级节点分支进入到二级节点处的节点特征值比较;若待分类数据中所对应的根节点特征值不满足根节点处的特征条件,即分类截止,当前这棵树所对应的输出结果为故障,即表示待分类数据对应的电磁阀不能正常工作至下一阶段的检修时间点;对于待数据满足根节点的特征条件,则输入到二级节点中继续进行与根节点一样的特征值对比分类,与根节点的处理过程一样,将满足节点条件,通过分支继续输入到下一级节点进行节点的特征对比,不满足节点条件的,则分类截止,表示这棵树的分类结果是故障;若满足节点条件,则输入到下一级节点继续进行分类对比,直至到最后节点还满足特征值条件,则输出正常的分类结果,反之,不满足节点条件,则直接输出故障的结果;K棵决策树,输出K个分类结果,使用投票的方法,将结果数目多的一方作为最终结果,从而确定电磁阀能...
【专利技术属性】
技术研发人员:高凯,罗彬仁,李勋豪,贾文昊,黄浩,陈彬,黄毅,杜荣华,
申请(专利权)人:长沙理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。