CN111199257A - 高铁行车设备故障诊断方法及装置 - Google Patents

Abstract

本发明实施例提供一种高铁行车设备故障诊断方法及装置，方法包括：基于信号分析方法，从采集的高铁行车设备的一种或多种原始数据信号中提取故障特征；基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断，获取每种所述原始数据信号对应的初步诊断结果；基于多传感器融合算法将所有所述原始数据信号对应的初步诊断结果进行融合，获取所述高铁行车设备的最终诊断结果。本发明实施例实现对高铁行车设备进行自动故障诊断，而且诊断结果更加精确。

Description

高铁行车设备故障诊断方法及装置

技术领域

本发明属于智能交通技术领域，尤其涉及一种高铁行车设备故障诊断方法及装置。

背景技术

高速铁路行车安全监控信息物理系统是多因素交互作用的、动态的、实时的系统，系统的时间与空间的实时变换，使人，如动车组机车司机、列车调度员和车站值班员，以及高速列车、线路三个基本的简单静态的构成要素变成复杂的动态复合型系统，系统中的任何一个因素已不是原有意义的因素，随着时间与空间的扩展，动态行车效应的失调，使其系统的危险性放大，可操作性变弱，匹配性松弛。

系统中任何因素相互作用的失衡都会导致高速铁路行车事故，因此对高速铁路行车事故发生的机理、行车相关作业人员安全可靠性分析、行车设备安全性分析、安全保障体系构建及系统安全性评价等问题进行系统化研究具有极其重要的理论价值与现实意义。

目前轨道交通的高集成度设备设施给运营企业带来极大便利的同时，给运维人员提出更高的要求，尤其是自动化黑盒系统和重要的机电设备。而周期性检修易造成设备过修或欠修，而且费时费力；生产数据库存化严重，难以有效指导检修。尤其是对行车影响较大的系统，及早发现和预防事故是智能运维发展的核心目标。

发明内容

为克服上述现有的人工高铁行车设备故障诊断方法费时费力，而且诊断困难的问题或者至少部分地解决上述问题，本发明实施例提供一种高铁行车设备故障诊断方法及装置。

根据本发明实施例的第一方面，提供一种高铁行车设备故障诊断方法，包括：

基于信号分析方法，从采集的高铁行车设备的一种或多种原始数据信号中提取故障特征；

基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断，获取每种所述原始数据信号对应的初步诊断结果；

基于多传感器融合算法将所有所述原始数据信号对应的初步诊断结果进行融合，获取所述高铁行车设备的最终诊断结果。

具体地，基于信号分析方法，从采集的高铁行车设备的多种原始数据信号中提取故障特征的步骤包括：

对每种所述原始数据信号进行时域分析，获取每种所述原始数据信号的时域特征；

对每种所述原始数据信号进行频域分析，获取每种所述原始数据信号的频域特征；

对每种所述原始数据信号进行时频分析，获取每种所述原始数据信号的时频特征。

具体地，基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断，获取每种所述原始数据信号对应的初步诊断结果的步骤包括：

若所述高铁行车设备的原始数据信号为一种，则将所述原始数据信号的故障特征分别输入学习向量化神经网络和决策树模型，对所述高铁行车设备进行初步故障诊断，获取所述原始数据信号对应的初步诊断结果。

具体地，基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断，获取每种所述原始数据信号对应的初步诊断结果的步骤包括：

若所述高铁行车设备的原始数据信号包括声音信号，则将所述声音信号预处理成时频图后输入自适应堆叠式卷积神经网络模型，获取所述声音信号对应的初步诊断结果；或者，

将所述声音信号进行切片后输入端到端的堆叠式卷积神经网络模型，获取所述声音信号对应的初步诊断结果。

具体地，将所述声音信号预处理成时频图后输入自适应堆叠式卷积神经网络模型，获取所述声音信号对应的初步诊断结果的步骤包括：

对所述声音信号进行分片，基于小波变换方法将分片后的所述声音信号从时域转换到时频域，获取所述声音信号的时频图，对所述时频图的尺寸进行调整；

基于所述自适应堆叠式卷积神经网络模型中的卷积层和池化层对调整尺寸后的所述时频图进行特征提取和降维；

将所述自适应堆叠式卷积神经网络模型中最后一个卷积层输出的特征输入到全连接层；

根据所述全连接层的输出，基于Softmax函数获取所述声音信号对应的初步诊断结果。

具体地，将所述声音信号进行切片后输入端到端的堆叠式卷积神经网络模型，获取所述声音信号对应的初步诊断结果的步骤包括：

基于所述端到端的堆叠式卷积神经网络模型中的前两个卷积层提取所述声音信号的局部特征；

基于所述前两个卷积层之后的池化层对所述声音信号的局部特征进行不重叠的最大池化操作，输出类频率特征；

基于所述池化层后的数据重塑层对所述类频率特征进行重塑；

基于所述数据重塑层后的两个卷积层继续对重塑后的类频率特征进行特征提取；

将所述端到端的堆叠式卷积神经网络模型中最后一个卷积层输出的特征输入到全连接层；

根据所述全连接层的输出，基于Softmax函数获取所述声音信号对应的初步诊断结果。

具体地，基于信号分析方法，从采集的高铁行车设备的多种原始数据信号中提取故障特征的步骤之前还包括：

根据采集每种所述原始数据信号的接口，对所述每种所述原始数据信号进行预处理；其中，所述预处理包括信号转化和清洗；

基于改进的证据理论融合算法对处理后的所述原始数据信号进行数据融合。

根据本发明实施例第二方面提供一种高铁行车设备故障诊断装置，包括：

提取模块，用于基于信号分析方法，从采集的高铁行车设备的一种或多种原始数据信号中提取故障特征；

诊断模块，用于基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断，获取每种所述原始数据信号对应的初步诊断结果；

融合模块，用于基于多传感器融合算法将所有所述原始数据信号对应的初步诊断结果进行融合，获取所述高铁行车设备的最终诊断结果。

根据本发明实施例的第三个方面，还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的高铁行车设备故障诊断方法。

根据本发明实施例的第四个方面，还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的高铁行车设备故障诊断方法。

本发明实施例提供一种高铁行车设备故障诊断方法及装置，该方法通过基于信号分析方法从采集的高铁行车设备的原始数据信号中提取故障特征，基于分类器根据故障特征进行初步故障诊断，基于多传感器融合算法将初步故障诊断结果进行融合获取最终诊断结果，从而实现对高铁行车设备进行自动故障诊断，而且诊断结果更加精确。

附图说明

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，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的高铁行车设备故障诊断方法整体流程示意图；

图2为本发明实施例提供的高铁行车设备故障诊断方法中高铁行车设备状态监测和故障诊断的流程示意图；

图3为本发明实施例提供的高铁行车设备故障诊断方法中多信号源融合诊断的流程示意图；

图4为本发明实施例提供的高铁行车设备故障诊断方法中故障信息融合诊断流程示意图；

图5为本发明实施例提供的高铁行车设备故障诊断方法中基于设备健康度评价的预测维修流程示意图；

图6为本发明实施例提供的高铁行车设备故障诊断装置整体结构示意图；

图7为本发明实施例提供的电子设备整体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的一个实施例中提供一种高铁行车设备故障诊断方法，图1为本发明实施例提供的高铁行车设备故障诊断方法整体流程示意图，该方法包括：S101，基于信号分析方法，从采集的高铁行车设备的一种或多种原始数据信号中提取故障特征；

具体地，采用高速铁路行车安全监控信息物理系统的复杂感知技术采集高铁行车设备的实时运行数据。本实施例依托视频语音技术、智能移动终端、在线监测传感器、智能芯片等感知手段，采集信号、供电系统数据构建站、线、网三级运维云平台，对各业务监测系统、运营系统等不同平台数据实现统一的数据标准存储、元数据管理和数据质量监测，构建智能设备监测大数据平台。以智能运维管理为导向，构建统一编码体系，采用条码和RFID(Radio Frequency Identification，射频识别)电子标签的混合编码方式，形成支撑不同专业设备状态监测与智能运维管理的统一数据共享平台。

本实施例充分利用各种手段采集高铁行车设备的状态信息，利用信号分析方法提取故障特征，信号分析方法包括时域分析、频域分析和时频分析。

S102，基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断，获取每种所述原始数据信号对应的初步诊断结果；

将提取的每种故障特征输入分类器，对高铁行车设备进行初步故障诊断。分类器如学习向量化神经网络(Learning Vector Quantization，LVQ)和卷积神经网络(Convolutional Neural Networks，CNN)等。每种原始数据信号对应有一个初步诊断结果。

S103，基于多传感器融合算法将所有所述原始数据信号对应的初步诊断结果进行融合，获取所述高铁行车设备的最终诊断结果。

其中，多传感器融合算法可以为IDS(Intrusion Detection System，入侵检测系统)融合算法，但不限于这种算法。针对多传感器融合算法中应用最广泛的证据理论无法有效处理证据冲突的问题，提出一种改进的融合算法。首先，利用邻位借值的方式避免一票否决的现象；其次，利用距离函数和德尔菲法共同修正证据的基本概率赋值；然后，根据冲突因子和阈值的关系选择相应的融合规则完成数据融合；最后，将改进后的证据理论融合算法应用到设备的故障诊断中，获得了高于原始证据理论的故障诊断率。

多传感器融合算法将多种原始数据信号对应的初步诊断结果进行融合，获取最终的诊断结果。将诊断结果以可视化方式进行展示，以辅助决策人员作出决策。图2为高铁行车设备状态监测和故障诊断的流程示意图。

本实施例将相关的多源信息进行融合，预测设备可能出现的异常状态，提前对异常状态采取恰当的预测性维护，提前发现问题并处理，延长设备的正常运行时间；为设备最优使用和及时维护提供自主认知、学习、重构的能力，实现装备健康管理；在虚拟的设备健康诊断模型中进行预演推测，实现远程故障诊断并及时、快速地解决故障，减少并降低维修成本，同时带动信息物理系统技术在高铁行车安全中的应用。

本实施例通过建立影响高铁行车设备的全息感知体系，进行基于信息物理系统的车站设备特征自动识别、状态智能感知和大数据的主动采集。采集设备状态和故障信息的关键技术和接口标准，通过特征识别技术分析影响系统故障的设备及其关键部件的属性和性质，形成关键设备运维故障点图谱，按照线别、专业、设备种类、零部件等多个维度对数据统计分析，直观显示设备故障和维修记录等。

本实施例通过基于信号分析方法从采集的高铁行车设备的原始数据信号中提取故障特征，基于分类器根据故障特征进行初步故障诊断，基于多传感器融合算法将初步故障诊断结果进行融合获取最终诊断结果，从而实现对高铁行车设备进行自动故障诊断，而且诊断结果更加精确。

在上述实施例的基础上，本实施例中基于信号分析方法，从采集的高铁行车设备的多种原始数据信号中提取故障特征的步骤包括：对每种所述原始数据信号进行时域分析，获取每种所述原始数据信号的时域特征；对每种所述原始数据信号进行频域分析，获取每种所述原始数据信号的频域特征；对每种所述原始数据信号进行时频分析，获取每种所述原始数据信号的时频特征。

具体地，在对原始数据信号的时域特征进行提取时，时域分析以时间轴为横坐标，利用数据采集卡收集机械设备在运转过程中各种状态随时间变化的动态信息，如振动信号、声音信号和负载信号等，即可得到原始数据信号的时域信号。在对原始数据信号的频域特征进行提取时，频域分析以频率轴为横坐标表示信号的动态变化。把按照时间先后获得的时域信号通过傅里叶变换分解到频率空间，从而获取频率成分的幅值和相位信息。

在上述实施例的基础上，本实施例中基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断，获取每种所述原始数据信号对应的初步诊断结果的步骤包括：若所述高铁行车设备的原始数据信号为一种，则将所述原始数据信号的故障特征分别输入学习向量化神经网络和决策树模型，对所述高铁行车设备进行初步故障诊断，获取所述原始数据信号对应的初步诊断结果。

具体地，采用数据物理融合、神经网络和智能算法等技术从单信号源多传感器集成和多信号源多传感器融合两个角度对设备的故障状态进行诊断。利用分类器获得单信号源的初步诊断结果，结合改进的证据理论对初步诊断结果进一步的决策融合获得更可靠的设备运行状态。

针对单信号源非集成模型受单一结构的约束，难以全面反映设备状态的问题，给出一种基于改进证据理论的融合学习向量化神经网络和决策树的集成诊断模型。例如以轴承为研究对象，首先，利用轴承故障实验数据提取多信息域的统计特征；其次，采用主成分分析的方法对统计特征进行降维，并将风扇端和驱动端的特征分别送入学习向量化神经网络和决策树模型进行初步的轴承故障诊断；最后，将单模型的故障识别率作为证据传入改进的融合算法，通过进一步的决策融合，实现对轴承的故障诊断。

在上述实施例的基础上，本实施例中基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断，获取每种所述原始数据信号对应的初步诊断结果的步骤包括：若所述高铁行车设备的原始数据信号包括声音信号，则将所述声音信号预处理成时频图后输入自适应堆叠式卷积神经网络模型，获取所述声音信号对应的初步诊断结果；或者，将所述声音信号进行切片后输入端到端的堆叠式卷积神经网络模型，获取所述声音信号对应的初步诊断结果。

具体地，针对单信号源传感器受信号源单一和自身性能的局限，难以在不同工况条件下全面反映机械设备运行状态的问题，给出一种基于卷积神经网络的多源传感器融合振声信号的诊断方法。例如，以齿轮为研究对象，选取200个声音样本，给出一种多信号源融合诊断方法。首先，在半消声室环境中搭建齿轮箱故障诊断平台并采集不同工况条件下的声音信号；其次，将声音信号预处理成时频图送入自适应堆叠式卷积神经网络(AdaptiveStacked Convolutional Neural Network，ASCNN)模型获得声音信号的初步诊断结果。另一种方法是将声音信号直接切片送入端到端的堆叠式卷积神经网络(End-to-end StackedConvolutional Neural Network，ESCNN)模型获得声音信号的初步诊断结果；最后，利用改进的证据融合算法将原始数据信号中除声音信号以外的其他信号和声音信号的初步诊断结果进一步融合决策，得到更精确、更可靠的齿轮状态。

针对齿轮箱的声音信号，提出一种自适应堆叠式卷积神经网络模型。按照常规的特征提取方法，利用小波变换将信号从时域转化到时频域，将调整尺寸后的时频图送入ASCNN模型诊断；针对齿轮箱的声音信号，提出一种端到端的堆叠式卷积神经网络模型，避免了人工提取特征的背景依赖，将特征提取和故障分类两大步骤合二为一成在一个模型中自适应地完成，将原始的声音信号切片处理后直接送入ESCNN模型，交由卷积层完成特征提取和分类识别的操作。最后，为了解决单信息源无法充分反映被测对象全面信息的局限性，利用多传感器融合算法将其他信号的和声音信号的初步诊断结果进行融合决策，得到更精确、更可靠的设备运行状态。基于卷积神经网络的多源传感器融合诊断流程图如图3所示。

在上述实施例的基础上，本实施例中将所述声音信号预处理成时频图后输入自适应堆叠式卷积神经网络模型，获取所述声音信号对应的初步诊断结果的步骤包括：对所述声音信号进行分片，基于小波变换方法将分片后的所述声音信号从时域转换到时频域，获取所述声音信号的时频图，对所述时频图的尺寸进行调整；基于所述自适应堆叠式卷积神经网络模型中的卷积层和池化层对调整尺寸后的所述时频图进行特征提取和降维；将所述自适应堆叠式卷积神经网络模型中最后一个卷积层输出的特征输入到全连接层；根据所述全连接层的输出，基于Softmax函数获取所述声音信号对应的初步诊断结果。

具体地，针对齿轮箱变转速工况下的故障问题，通过卷积运算作用于声音信号的时频图，自适应地提取所需特征和池化操作合并相似语义，减小计算规模，搭建ASCNN的齿轮箱故障诊断模型。该模型包括输入层、三个卷积层、两个子采样层，即池化层、一个全连接层和输出层。通过多个卷积层和池化层的堆叠运算实现对声音信号时频图的自适应特征提取和降维。

对于加速度传感器采集到的每一个声音信号，对其分片并进行时频变换，获得时频图，进而调整时频图的尺寸为32*32以符合ASCNN的输入要求。接着是一个“卷积－池化”的堆叠运算，设置了5个尺寸为28*28的卷积核作用于卷积层1，移动步长为1，采用2*2的最大池化操作，移动步长为2；第二个卷积层则有10个尺寸为10*10的卷积核，移动步长为1，子采样层2的参数等同于前一个池化层；第三个卷积层设置有步长为1的10个4*4的卷积核。

为了尽可能多的提取局部特征，在卷积部分均采用了小尺寸的卷积核过滤时频图。然后是包含200个隐藏单元的全连接层和使用Softmax函数进行故障分类的Logistic-regression层，最后的输出层则输出齿轮箱的10种故障类型的识别精度。

网络训练开始则随机初始化权值，在训练过程中通过计算预测值和真实值的误差，反向传播并修正网络权值，直至满足终止条件。从每一种齿轮箱故障对应的时频图样本中，随机选择75％的样本作为训练集，剩下的25％作为测试集。ASCNN利用75％的训练样本自适应的学习和记忆故障特征，获得一个训练好的预测模型，再将25％的测试集送入训练好的ASCNN网络，借助于Softmax函数获得预测结果。

在上述实施例的基础上，本实施例中将所述声音信号进行切片后输入端到端的堆叠式卷积神经网络模型，获取所述声音信号对应的初步诊断结果的步骤包括：基于所述端到端的堆叠式卷积神经网络模型中的前两个卷积层提取所述声音信号的局部特征；基于所述前两个卷积层之后的池化层对所述声音信号的局部特征进行不重叠的最大池化操作，输出类频率特征；基于所述池化层后的数据重塑层对所述类频率特征进行重塑；基于所述数据重塑层后的两个卷积层继续对重塑后的类频率特征进行特征提取；将所述端到端的堆叠式卷积神经网络模型中最后一个卷积层输出的特征输入到全连接层；根据所述全连接层的输出，基于Softmax函数获取所述声音信号对应的初步诊断结果。

具体地，将声音信号直接输入端到端的堆叠式卷积神经网络中，利用卷积层自动学习和提取模型所需要的特征，再对齿轮的运行状态进行故障识别。ESCNN模型包括输入层、四个卷积层、两个子采样层、一个全连接层和输出层。端到端的优势体现在输入层直接输入声音信号，略去了人工提取特征的步骤，将特征提取交给前两个卷积层完成。采用小尺寸的卷积核滑动在卷积层1和卷积层2来提取声音信号的局部特征。在对声音信号提取特征时，设置第一个卷积层有步长为1的40个1*8的卷积核，第二个卷积层有步长为1的40个40*8的卷积核来提取不同的声音特征。

将切分后时长为1s的声音片段送入输入层，经过两层卷积以后，采用大小为160*1，移动步长为160，不重叠的最大池化操作获取时间序列的输出特征。由于卷积和池化作用于时间序列上，每个40维向量表示相应的10ms时间区域的类频率特征。下一步的卷积目标为故障识别，将类频率特征作为图像送入识别阶段。经过Reshape函数重塑数据获得40*160的二维矩阵，类似于时频图送入下一层的卷积操作。接着是两个卷积层继续提取和学习不同声音信号的特征。然后是包含200个隐藏单元的全连接层，为故障识别做准备。下一层使用Softmax函数进行故障分类的Logistic-regression层，该层包含样本相应的类标签。最后的输出层则输出齿轮的10种故障精度。

每一层的权重在模型开始时随机初始化，并在训练过程中利用误差反向传播不停的修正与优化。训练结束后，测试样本被送入ESCNN模型，通过对比每个样本的真实标签和预测标签，获得每类故障的识别精度。

在上述各实施例的基础上，本实施例中从采集的高铁行车设备的多种原始数据信号中提取故障特征的步骤之前还包括：根据采集每种所述原始数据信号的接口，对所述每种所述原始数据信号进行预处理；其中，所述预处理包括信号转化和清洗；基于改进的证据理论融合算法对处理后的所述原始数据信号进行数据融合。

具体地，从原始数据信号中提取表征故障本质的特征，送入分类器通过大量样本的学习，自主对输入特征分类识别，完成故障诊断过程。首先对原始数据信号进行预处理，按照不同的采集接口要求进行信号转化和清洗去燥去冗余，然后逐级经过数据融合和特征融合进行综合分析处理。在数据层融合中，对原始数据信号进行快速傅里叶变换、小波分析等提取特征数据，获得原始数据信号的特征并进行特征层的融合。

本实施例运用人工智能方法如神经网络、支持向量机、决策树、故障树等进行诊断，获得更精确的诊断结果。首先进行数据融合，根据融合的数据进行特征提取，再进行特征融合，将特征融合的结果送入决策层。利用贝叶斯理论、最大似然估计、专家系统、聚类、卡尔曼滤波、加权最小二乘法和证据理论等智能融合算法进行终极决策，辅助管理人员进行设备维护，如图4所示。

在对收集到的原始数据信号进行预处理时，提取预维护、报警、遥测、遥信、运营、记录信息等建立相关数据库。构建设备间的逻辑故障标准化规则并形成故障诊断专家知识库，使用孤立森林算法完成数据标注预处理。通过究智能信息集成，实现高铁行车设备的智能状态监测、数据查询、报表功能和状态评估等功能。

在进行数据级融合时，对同类型的数据源，直接分析处理原始传感器获取的数据。特征级融合通过提取传感器测量值的特征获得相应的特征向量，然后对特征向量进行综合分析和处理，该方式保留了信息的主要特征，实现了一定程度的信息压缩，但确保了实时性，属于中间层次的融合。决策级融合从具体决策问题出发，对各个传感器特征向量进行初步决策，再根据一定的规则和可信度将初步诊断结果重新组合评价，针对具体决策目标获得一个最优决策。

此外，利用高频故障聚类等大数据分析方法和人工智能机器学习更迭技术，基于状态数据的关系诊断研判高频故障和预防修重点部件定位，以及预知故障，如图5所示。结合维修管理，进行基于IoT(Internet of Things，物联网)感知技术的机房设备智能巡检，利用激光雷达构建隧道内精确的三维模型，基于大数据分析挖掘故障隐患特征。

基于设备健康度评价的预测维修中的设备寿命预计是基于故障曲线。首先基于高加速试验的方法获得设备的使用寿命；在工作过程中对设备的使用时间进行累加，并基于人工智能的方法对不同工况下的负载进行归一化计算，形成加权工作时间；基于加权工作时间和高加速试验获得设备使用寿命预测故障和寿命。

利用数据交互、通信、视频语音可视化的新型信息交互平台，采用系统专有关键设备系统故障研判、维修业务工作单自启动与自定义，获得预防性维修、预测性维修的主要装备设施的优先级和运维优化方案。同时根据故障模式和影响分析结果，建立预防性维修的评估模型，自动化生成智能维修计划、维修资源调度。通过人员轨迹监控、作业过程指导，完成从人机器化像机器人化过渡，避免重复、不稳定的人工作业。达到关键装备系统的全生命周期管控维护的智能监测与运营决策。

以LSTM(Long Short-Term Memory，长短时记忆)算法为基础设计趋势预测模块，预测不同数据的未来趋势走向的功能。通过XGBoost模型构建异常检测模型，根据车站设备的数据集训练多个不同的异常检测模型，异常检测模块根据实时数据来源加载对应的异常检测模型诊断异常，通过可视化的智能监测模块实现最小可维护单元的故障报警及管理分析，并可调用预定义的处理流程，实现故障无干预自动处理。

围绕信号、供电关键设备的维修业务，故障关联制约条件建立智能运维业务应用及运维管理模块。运维业务应用对于设备状态监测、异常报警、趋势预测、可靠性评估、故障统计，从运维服务角度提出预防性维修、预测性维修的主要装备设施的优先级和运维优化方案。运维管理对关键设备类数据按不同层次维修工区和运维人员进行数据分类，建立全生命周期的记录和维护台账，制定检修维护流程、制定维修规程、智能维护指导、检修计划管理等内容。

在本发明的另一个实施例中提供一种高铁行车设备故障诊断装置，该装置用于实现前述各实施例中的方法。因此，在前述高铁行车设备故障诊断方法的各实施例中的描述和定义，可以用于本发明实施例中各个执行模块的理解。图6为本发明实施例提供的高铁行车设备故障诊断装置整体结构示意图，该装置包括提取模块601、诊断模块602和融合模块603，其中：

提取模块601用于基于信号分析方法，从采集的高铁行车设备的一种或多种原始数据信号中提取故障特征；

提取模块601利用各种手段采集高铁行车设备的状态信息，利用信号分析方法提取故障特征，信号分析方法包括时域分析、频域分析和时频分析。

诊断模块602用于基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断，获取每种所述原始数据信号对应的初步诊断结果；

诊断模块602将提取的每种故障特征输入分类器，对高铁行车设备进行初步故障诊断。分类器如学习向量化神经网络和卷积神经网络等。每种原始数据信号对应有一个初步诊断结果。

融合模块603用于基于多传感器融合算法将所有所述原始数据信号对应的初步诊断结果进行融合，获取所述高铁行车设备的最终诊断结果。

融合模块603使用多传感器融合算法将多种原始数据信号对应的初步诊断结果进行融合，获取最终的诊断结果。将诊断结果以可视化方式进行展示，以辅助决策人员作出决策。

本实施例通过基于信号分析方法从采集的高铁行车设备的原始数据信号中提取故障特征，基于分类器根据故障特征进行初步故障诊断，基于多传感器融合算法将初步故障诊断结果进行融合获取最终诊断结果，从而实现对高铁行车设备进行自动故障诊断，而且诊断结果更加精确。

在上述实施例的基础上，本实施例中提取模块具体用于：对每种所述原始数据信号进行时域分析，获取每种所述原始数据信号的时域特征；对每种所述原始数据信号进行频域分析，获取每种所述原始数据信号的频域特征；对每种所述原始数据信号进行时频分析，获取每种所述原始数据信号的时频特征。

在上述实施例的基础上，本实施例中诊断模块具体用于：若所述高铁行车设备的原始数据信号为一种，则将所述原始数据信号的故障特征分别输入学习向量化神经网络和决策树模型，对所述高铁行车设备进行初步故障诊断，获取所述原始数据信号对应的初步诊断结果。

在上述实施例的基础上，本实施例中诊断模块具体用于：若所述高铁行车设备的原始数据信号为声音信号，则将所述声音信号预处理成时频图后输入自适应堆叠式卷积神经网络模型，获取所述声音信号对应的初步诊断结果；将所述声音信号进行切片后输入端到端的堆叠式卷积神经网络模型，获取所述声音信号对应的初步诊断结果。

在上述实施例的基础上，本实施例中诊断模块进一步用于：对所述声音信号进行分片，基于小波变换方法将分片后的所述声音信号从时域转换到时频域，获取所述声音信号的时频图，对所述时频图的尺寸进行调整；基于所述自适应堆叠式卷积神经网络模型中的卷积层和池化层对调整尺寸后的所述时频图进行特征提取和降维；将所述自适应堆叠式卷积神经网络模型中最后一个卷积层输出的特征输入到全连接层；根据所述全连接层的输出，基于Softmax函数获取所述声音信号对应的初步诊断结果。

在上述实施例的基础上，本实施例中诊断模块进一步用于：基于所述端到端的堆叠式卷积神经网络模型中的前两个卷积层提取所述声音信号的局部特征；基于所述前两个卷积层之后的池化层对所述声音信号的局部特征进行不重叠的最大池化操作，输出类频率特征；基于所述池化层后的数据重塑层对所述类频率特征进行重塑；基于所述数据重塑层后的两个卷积层继续对重塑后的类频率特征进行特征提取；将所述端到端的堆叠式卷积神经网络模型中最后一个卷积层输出的特征输入到全连接层；根据所述全连接层的输出，基于Softmax函数获取所述声音信号对应的初步诊断结果。

在上述实施例的基础上，本实施例中还包括预处理模块，用于根据采集每种所述原始数据信号的接口，对所述每种所述原始数据信号进行预处理；其中，所述预处理包括信号转化和清洗；基于改进的证据理论融合算法对处理后的所述原始数据信号进行数据融合。

图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)701、通信接口(Communications Interface)702、存储器(memory)703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信。处理器701可以调用存储器703中的逻辑指令，以执行如下方法：基于信号分析方法，从采集的高铁行车设备的一种或多种原始数据信号中提取故障特征；基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断，获取每种所述原始数据信号对应的初步诊断结果；基于多传感器融合算法将所有所述原始数据信号对应的初步诊断结果进行融合，获取高铁行车设备的最终诊断结果。

此外，上述的存储器703中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：基于信号分析方法，从采集的高铁行车设备的一种或多种原始数据信号中提取故障特征；基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断，获取每种所述原始数据信号对应的初步诊断结果；基于多传感器融合算法将所有所述原始数据信号对应的初步诊断结果进行融合，获取所述高铁行车设备的最终诊断结果。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种高铁行车设备故障诊断方法，其特征在于，包括：

基于信号分析方法，从采集的高铁行车设备的一种或多种原始数据信号中提取故障特征；

基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断，获取每种所述原始数据信号对应的初步诊断结果；

基于多传感器融合算法将所有所述原始数据信号对应的初步诊断结果进行融合，获取所述高铁行车设备的最终诊断结果。

2.根据权利要求1所述的高铁行车设备故障诊断方法，其特征在于，基于信号分析方法，从采集的高铁行车设备的多种原始数据信号中提取故障特征的步骤包括：

对每种所述原始数据信号进行时域分析，获取每种所述原始数据信号的时域特征；

对每种所述原始数据信号进行频域分析，获取每种所述原始数据信号的频域特征；

对每种所述原始数据信号进行时频分析，获取每种所述原始数据信号的时频特征。

3.根据权利要求1所述的高铁行车设备故障诊断方法，其特征在于，基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断，获取每种所述原始数据信号对应的初步诊断结果的步骤包括：

若所述高铁行车设备的原始数据信号为一种，则将所述原始数据信号的故障特征分别输入学习向量化神经网络和决策树模型，对所述高铁行车设备进行初步故障诊断，获取所述原始数据信号对应的初步诊断结果。

4.根据权利要求1所述的高铁行车设备故障诊断方法，其特征在于，基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断，获取每种所述原始数据信号对应的初步诊断结果的步骤包括：

若所述高铁行车设备的原始数据信号包括声音信号，则将所述声音信号预处理成时频图后输入自适应堆叠式卷积神经网络模型，获取所述声音信号对应的初步诊断结果；或者，

将所述声音信号进行切片后输入端到端的堆叠式卷积神经网络模型，获取所述声音信号对应的初步诊断结果。

5.根据权利要求4所述的高铁行车设备故障诊断方法，其特征在于，将所述声音信号预处理成时频图后输入自适应堆叠式卷积神经网络模型，获取所述声音信号对应的初步诊断结果的步骤包括：

对所述声音信号进行分片，基于小波变换方法将分片后的所述声音信号从时域转换到时频域，获取所述声音信号的时频图，对所述时频图的尺寸进行调整；

基于所述自适应堆叠式卷积神经网络模型中的卷积层和池化层对调整尺寸后的所述时频图进行特征提取和降维；

将所述自适应堆叠式卷积神经网络模型中最后一个卷积层输出的特征输入到全连接层；

根据所述全连接层的输出，基于Softmax函数获取所述声音信号对应的初步诊断结果。

6.根据权利要求4所述的高铁行车设备故障诊断方法，其特征在于，将所述声音信号进行切片后输入端到端的堆叠式卷积神经网络模型，获取所述声音信号对应的初步诊断结果的步骤包括：

基于所述端到端的堆叠式卷积神经网络模型中的前两个卷积层提取所述声音信号的局部特征；

基于所述前两个卷积层之后的池化层对所述声音信号的局部特征进行不重叠的最大池化操作，输出类频率特征；

基于所述池化层后的数据重塑层对所述类频率特征进行重塑；

基于所述数据重塑层后的两个卷积层继续对重塑后的类频率特征进行特征提取；

将所述端到端的堆叠式卷积神经网络模型中最后一个卷积层输出的特征输入到全连接层；

根据所述全连接层的输出，基于Softmax函数获取所述声音信号对应的初步诊断结果。

7.根据权利要求1-6任一所述的高铁行车设备故障诊断方法，其特征在于，基于信号分析方法，从采集的高铁行车设备的多种原始数据信号中提取故障特征的步骤之前还包括：

根据采集每种所述原始数据信号的接口，对所述每种所述原始数据信号进行预处理；其中，所述预处理包括信号转化和清洗；

基于改进的证据理论融合算法对处理后的所述原始数据信号进行数据融合。

8.一种高铁行车设备故障诊断装置，其特征在于，包括：

提取模块，用于基于信号分析方法，从采集的高铁行车设备的一种或多种原始数据信号中提取故障特征；

诊断模块，用于基于分类器根据每种所述原始数据信号的故障特征对所述高铁行车设备进行初步故障诊断，获取每种所述原始数据信号对应的初步诊断结果；

融合模块，用于基于多传感器融合算法将所有所述原始数据信号对应的初步诊断结果进行融合，获取所述高铁行车设备的最终诊断结果。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述高铁行车设备故障诊断方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述高铁行车设备故障诊断方法的步骤。

Images