CN111879534A - 一种城轨车辆制动系统的性能检测方法、系统以及设备 - Google Patents

Abstract

本发明揭示了一种城轨车辆制动系统的性能检测方法、系统以及电子设备，所述方法包括：A、构建城轨车辆制动系统正常行为模型；B、采用人工神经网络对正常行为模型进行拟合，以得到拟合后的神经网络模型；C、以城轨车辆在正常状态运行时的正常行为数据构建样本，对神经网络模型进行训练，以得到描述城轨车辆制动系统在正常状态运行时的制动减速度变化的正常行为模型；D、构建城轨车辆在正常状态运行时各制动手柄级位对应的模型输入样本，并分别通过步骤C得到的正常行为模型计算得到各制动手柄级位对应的制动减速度期望值；以及E、分别获得城轨车辆在实际运行时每个制动手柄级位对应的制动减速度平均值与制动减速度期望值之间的偏差值。

Description

一种城轨车辆制动系统的性能检测方法、系统以及设备

技术领域

本发明涉及城轨车辆制动领域，进一步地，涉及一种城轨车辆制动系统的性能检测方法、系统以及设备。

背景技术

城轨车辆，是一种在专用轨道上运行的车辆，例如地铁、火车、轻轨、独轨、新交通系统、磁悬浮等。

城轨车辆制动系统是城轨车辆的关键子系统，负责为城轨车辆的减速行驶或者停车提供制动力，其可靠性和安全性直接关系着城轨车辆的运行安全和运营质量。为了确保城轨车辆制动系统的安全可靠运行，城轨车辆制动系统加装了大量传感器对制动系统的工作参数进行监测，并且具有一定的诊断能力，能够检测到部分故障并且自动采取主动安全措施。另外，城轨车辆执行日常检修也能对包括制动系统在内的各类故障实现主动发现和防范。

不过，目前城轨车辆制动系统的状态检测和日常检修偏重于对已经发生的故障的诊断和检修，对于故障的早期检测尚且缺乏适用方法和技术。同时，对于制动系统整体性能的评价和系统性能劣化过程的分析和评估也缺乏可行方法。因此，目前对城轨车辆制动系统的状态检修尚且缺乏有效的技术支持，其维修策略也主要是定时维修和事后维修，不能满足提高轨道车辆运行效率及降低运营成本的要求。

专利号为CN201910164981.6的专利申请中公开了一种基于特征量的地铁列车牵引系统动态风险分析评估方法，该方法包括：S1、地铁列车牵引系统监控实时采集各个车辆和设备的数据；S2、基于采集的数据建立地铁牵引系统典型风险链条，建立电容故障率随电容等效串联电阻变化图和牵引电机故障率随电机振动变化曲线图；S3、依据检测的数据，动态统计t时刻牵引逆变器的等效串联电阻RESR、电机振动烈度L，并按照电容故障率随电容等效串联电阻变化图像，计算电容实时故障概率Pt1；按照牵引电机故障率随电机振动变化曲线图，计算出电机故障概率Pt2；S4、求得t时刻因逆变器支撑电容故障条件下典型风险链条发生概率Pt。该方法通过动态检测不同时刻下的各车辆的牵引设备的状态，获得电机故障概率，从而实现对牵引系统健康状态做出实时定量的分析评估。然而该方法检测的数据类型较少，只能得出故障发生概率，对于后续维修决策无法提供数据支持。

发明内容

本发明的优势在于提供一种城轨车辆制动系统的性能检测方法、系统以及设备，通过分析城轨车辆制动系统实际运行时的性能指标与正常运行时的正常性能期望值的偏离情况，检测系统运行状态，进而识别系统的早期故障，同时基于实际性能指标与正常性能期望值之间的偏离情况对城轨车辆制动系统的性能状态进行定量评估，以实现为基于当前状态的维修决策提供数据支持。

为实现上述发明优势，本发明提供了如下技术方案：

一种城轨车辆制动系统的性能检测方法，包括：

A、构建城轨车辆制动系统正常行为模型，其中所述正常行为模型为描述制动减速度与其影响因素之间的非线性关系的模型，其中所述城轨车辆的制动减速度的影响因素包括城轨车辆的车速、车重、制动缸压力、制动切除数量以及制动手柄级位；

B、采用人工神经网络对所述正常行为模型进行拟合，以得到拟合后的神经网络模型；

C、以所述城轨车辆在正常状态运行时的正常行为数据构建样本，对拟合后的神经网络模型进行训练，以得到描述所述城轨车辆制动系统在正常状态运行时的制动减速度变化的正常行为模型，其中所述正常行为数据包括所述城轨车辆在正常状态运行时的各制动手柄级位对应的制动减速度、车速、车重、制动缸压力以及制动手柄级位；

D、构建所述城轨车辆在正常状态运行时各制动手柄级位对应的模型输入样本，并分别通过所述步骤C得到的正常行为模型计算得到各制动手柄级位对应的制动减速度期望值；以及

E、分别获得所述城轨车辆在实际运行时每个制动手柄级位对应的制动减速度平均值与所述制动减速度期望值之间的偏差值，其中所述偏差值用于评估所述城轨车辆的性能状态。

在一或多个实施例中，所述步骤A中，所述正常行为模型为：

其中，

表示城轨车辆的第k个制动手柄级位(L_k)对应的制动减速度期望值，V表示车速，M表示车重，P_cy表示制动缸压力，N_{br_ex}表示切除制动数量，如果没有车辆制动被切除，则N_{br_ex}＝0，如果有一个车厢制动被切除，则N_{br_ex}＝1，Moi表示空气湿度，e_k表示模型拟合误差，f(·)表示描述制定减速度与其影响因素之间的非线性关系。

在一或多个实施例中，所述步骤B中，采用单隐层人工神经网络对所述正常行为模型进行拟合。

在一或多个实施例中，所述步骤C中，若当前制动手柄级位为L_k，则选择制动手柄级位切换到L_k的时刻t_k-1到制动手柄级位从L_k切换到另外一个级位时刻t_k之间的正常行为数据构建一个样本，采用制动级位L_k进行了N次制动的方式，则构建N个样本，表示为如下的方式：

其中，

表示城轨车辆的第k个制动手柄级位(L_k)对应的制动减速度平均值，V表示车速，M表示车重，P_cy表示制动缸压力，N_{br_ex}表示切除制动数量，如果没有车辆制动被切除，则N_{br_ex}＝0，如果有一个车厢制动被切除，则N_{br_ex}＝1，Moi表示空气湿度。

在一或多个实施例中，所述步骤C中，模型训练方法为BP(BackPropagation)算法或LM(Levenberg-Marquart)算法。

在一或多个实施例中，所述性能检测方法，进一步包括：响应于各制动手柄级位对应的所述偏差值Δa中的任一个大于预设阈值，则进行反馈。

在一或多个实施例中，所述性能检测方法，进一步包括：响应于各制动手柄级位对应的所述偏差值的时间序列形成突变，则进行反馈。

在一或多个实施例中，所述性能检测方法，进一步包括：响应于各制动手柄级位对应的所述偏差值的时间序列形成持续变大或变小趋势，则进行反馈。

依本发明的另一方面，进一步提供一种性能检测系统，包括：

正常行为模型构建模块，用于构建城轨车辆制动系统正常行为模型，其中所述正常行为模型为描述制动减速度与其影响因素之间的非线性关系的模型，其中所述城轨车辆的制动减速度的影响因素包括城轨车辆的车速、车重、制动缸压力、制动切除数量以及制动手柄级位；

模型拟合模块，采用人工神经网络对所述正常行为模型进行拟合，以得到拟合后的神经网络模型，和以所述城轨车辆在正常状态运行时的正常行为数据构建样本，对所述神经网络模型进行训练，以得到描述所述城轨车辆制动系统在正常状态运行时的制动减速度的正常行为模型，其中所述正常行为数据包括所述城轨车辆在正常状态运行时的各制动手柄级位对应的制动减速度、车速、车重、制动缸压力以及制动手柄级位；

制动减速度期望值计算模块，用于构建所述城轨车辆在正常状态运行时各制动手柄级位对应的模型输入样本，并分别通过所述正常行为模型计算得到各制动手柄级位对应的制动减速度期望值；以及

偏差值计算模块，用于分别计算得到所述城轨车辆在实际运行时每个制动手柄级位对应的制动减速度平均值与所述制动减速度期望值之间的偏差值，其中所述偏差值用于评估所述城轨车辆的性能状态。

依本发明的另一方面，进一步提供一种电子设备，包括：

存储器；和

处理器，其中所述存储器中储存有程序指令，所述程序指令在被所述处理器运行时使所述处理器执行所述的性能检测方法。

通过对随后的描述和附图的理解，本发明进一步的目的和优势将得以充分体现。

本发明的这些和其它目的、特点和优势，通过下述的详细说明，附图和权利要求得以充分体现。

附图说明

图1是本发明的一个优选实施方式中所表示的一种性能检测方法的示意图。

图2是本发明的上述优选实施方式中所表示的所述性能检测方法的人工神经网络结构示意图。

图3是本发明的上述优选实施方式中所表示的所述性能检测方法的流程示意图。

图4是本发明的上述优选实施方式中所表示的一种性能检测系统的框图示意图。

图5是本发明的上述优选实施方式中所表示的一种电子设备的框图示意图。

具体实施方式

以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。

可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

请参见图1，为本发明的一个优选实施例的一种城轨车辆制动系统的性能检测方法，包括：

A、构建城轨车辆制动系统正常行为模型，其中所述正常行为模型为描述制动减速度与其影响因素之间的非线性关系的模型，其中所述城轨车辆的制动减速度的影响因素包括城轨车辆的车速、车重、制动缸压力、制动切除数量以及制动手柄级位；

B、采用人工神经网络对所述正常行为模型进行拟合，以得到拟合后的神经网络模型；

C、以所述城轨车辆在正常状态运行时的正常行为数据构建样本，对拟合后的神经网络模型进行训练，以得到描述所述城轨车辆制动系统在正常状态运行时的制动减速度变化的正常行为模型，其中所述正常行为数据包括所述城轨车辆在正常状态运行时的各制动手柄级位对应的制动减速度、车速、车重、制动缸压力、制动切成数量以及制动手柄级位；

D、构建所述城轨车辆在正常状态运行时各制动手柄级位对应的模型输入样本，并分别通过所述步骤C得到的正常行为模型计算得到各制动手柄级位对应的制动减速度期望值；以及

E、分别获得所述城轨车辆在实际运行时每个制动手柄级位对应的制动减速度平均值与所述制动减速度期望值之间的偏差值，其中所述偏差值用于评估所述城轨车辆的性能状态。

在本优选实施例中，所述城轨车辆包括但不限于地铁、火车、轻轨、独轨、新交通系统、磁悬浮等，其能够在专用轨道上运行。进一步地，所述城轨车辆的性能指标被定义为所述城轨车辆的制动减速度。也就是说，在本实施例中定义所述城轨车辆的制动减速度为所述城轨车辆制动系统的性能指标。

优选地，通过对城轨车辆制动系统的工作原理和工作环境进行分析，确定影响所述城轨车辆的制动减速度的因素包括但不限于所述城轨车辆的车速、车重、制动缸压力、制动切除数量以及制动手柄级位等。更进一步地，所述制动减速度的影响因素还可以包括空气质量如空气湿度，或轨道坡度等。

在本优选实施例中，所述步骤A中，所述正常行为模型为：

其中，

表示城轨车辆的第k个制动手柄级位(L_k)对应的制动减速度期望值，V表示车速，M表示车重，P_cy表示制动缸压力，N_{br_ex}表示切除制动数量，如果没有车辆制动被切除，则N_{br_ex}＝0，如果有一个车厢制动被切除，则N_{br_ex}＝1，Moi表示空气湿度，e_k表示模型拟合误差，f(·)表示描述制定减速度与其影响因素之间的非线性关系。

可以理解的是，所述城轨车辆一般具有多个制动手柄级位，每个制动手柄级位均具有对应的制动减速度，因此，在本实施例中，所述正常行为模型中每个制动手柄级位均对应一个制动减速度期望值

例如，所述城轨车辆具有8个制动手柄级位，则对应的制动减速度期望值至多为8个。

可选地，在没有空气湿度测量值的情况下，Moi可以用于天气数据来表示，如晴天、雨天、雾天或雪天等数据。

如图2所示，所述步骤B中，采用单隐层人工神经网络对所述正常行为模型进行拟合，以确定如图2所示的人工神经网络结构。

所述城轨车辆的正常状态被定义为所述城轨车辆无故障或无性能退化的状态，所述正常行为数据为所述城轨车辆在无故障或无性能退化运行时所采集的正常行为数据。所述正常行为数据包括但不限于各制动手柄级位对应的制动减速度、车速、车重、制动缸压力、制动切成数量以及制动手柄级位等。更进一步地，所述正常行为数据还可以包括所述城轨车辆在正常状态运行时的空气质量数据如空气湿度或正常天气数据等。

在本实施例中，所述步骤C中，若当前制动手柄级位为L_k，则选择制动手柄级位切换到L_k的时刻t_k-1到制动手柄级位从L_k切换到另外一个级位时刻t_k之间的正常行为数据构建一个样本，采用制动级位L_k进行了N次制动的方式，则构建N个样本，表示为如下的方式：

其中，

表示城轨车辆的第k个制动手柄级位(L_k)对应的制动减速度平均值，V表示车速，M表示车重，P_cy表示制动缸压力，N_{br_ex}表示切除制动数量，如果没有车辆制动被切除，则N_{br_ex}＝0，如果有一个车厢制动被切除，则N_{br_ex}＝1，Moi表示空气湿度。

值得一提的是，所述样本中所述城轨车辆的车速、车重、制动缸压力以及制动减速度均采用平均值。例如，在采集所述正常行为数据的过程中，可以分别采集预设时间段内的多个数据值，然后计算得出平均值。

优选地，所述步骤C中，模型训练方法为BP(BackPropagation)算法或LM(Levenberg-Marquart)算法。可以理解的是，在采集足够多的样本对所述正常行为模型进行模型训练和测试，可以得到描述所述城轨车辆在正常状态运行时的制动减速度变化的正常行为模型。在本优选实施例中，每个制动手柄级位对应的数据均构建一个样本进行模型训练。

在所述步骤D中，构建所述城轨车辆在正常状态运行时各制动手柄级位对应的模型输入样本，并分别通过所述步骤C得到的正常行为模型计算得到各制动手柄级位对应的制动减速度期望值。可以理解的是，所述模型输入样本包括所述城轨车辆在正常状态运行时所采集的数据。对应于每个制动手柄级位，通过所述步骤C中得到的正常行为模型，可以分别得出相应的制动减速度期望值。

在所述步骤E中，根据所述城轨车辆的在实际运行时测得的实际测量数据，计算每个制动手柄级位对应的制动减速度平均值

。所述偏差值Δa为所述制动减速度平均值

与所述制动减速度期望值之间的差值

。因此，对应于每个制动手柄级位，所述偏差值Δa也具有多个。

优选地，所述性能检测方法，进一步包括：响应于各制动手柄级位对应的所述偏差值Δa中的任一一个大于预设阈值，则进行反馈。也就是说，当任一一个制动手柄级位对应的制动减速度平均值与制动减速度期望值之间的偏差值超出预设阈值时，表明所述城轨车辆制动系统的性能超限，需要进行检修，排除故障或其他因素。通过反馈的方式告知相关工作人员，其中反馈的方式可以为画面提示、声音、振动、警报、灯光闪烁等。

也就是说，所述性能检测方法可以识别系统的早期故障，同时基于实际性能指标与正常性能期望值之间的偏离情况对城轨车辆制动系统的性能状态进行定量评估，以实现为基于当前状态的维修决策提供数据支持。

可以看出的是，本发明相对于现有城轨车辆制动系统故障检测技术，可以充分利用实际运行数据分析技术对城轨车辆制动系统的性能退化及早期故障进行检测，从而能够为城轨车辆制动系统的状态维修提供有力的支撑。此外，在数据分析建模过程中，只需要城轨车辆制动系统正常运行数据构建训练样本，而不需要大量的故障样本，使得数据更加容易获取，不要通过故障注入试验等获取模型训练数据，增加了本发明的性能检测方法的可操作性。

如图3所示为本优选实施例的所述性能检测方法的流程示意图。

优选地，所述性能检测方法，进一步包括：响应于各制动手柄级位对应的所述偏差值的时间序列之间的差值大于预设阈值，则进行反馈。在本实施例中，分别得到所述城轨车辆的每个制动手柄级位在多个时间段内对应的所述偏差值，通过对每个制动手柄级位对应的所述偏差值分别进行时间排序，从而得出所述时间序列，若所述时间序列中的某个时间值与相邻的时间值之间的差值大于预设阈值，则表明所述制动手柄级位对应的所述偏差值的时间序列发生了突变，即所述城轨车辆制动系统有可能发生了故障，需进行检修或故障排除，通过反馈的方式告知相关工作人员，其中反馈的方式可以为画面提示、声音、振动、警报、灯光闪烁等。

优选地，所述性能检测方法，进一步包括：响应于各制动手柄级位对应的所述偏差值的时间序列持续变大，则进行反馈。在本实施例中，若所述时间序列中的时间值逐渐增大，则表明所述城轨车辆制动系统发生了故障或性能在比较稳定的下降，需要密切关注并进行提前故障诊断。可以理解的是，所述城轨车辆在正常状态运行时，所述偏差值的时间序列应该忽大忽小，无规律的，若所述偏差值的时间序列产生了趋势，如逐渐增大或逐渐减小，则表明所述城轨车辆的性能出现了下降或异常，通过反馈的方式告知相关工作人员，其中反馈的方式可以为画面提示、声音、振动、警报、灯光闪烁等。

如图4所示，依本发明的另一方面，进一步提供一种性能检测系统，包括：

正常行为模型构建模块10，用于构建城轨车辆制动系统正常行为模型，其中所述正常行为模型为描述制动减速度与其影响因素之间的非线性关系的模型，其中所述城轨车辆的制动减速度的影响因素包括城轨车辆的车速、车重、制动缸压力、制动切除数量以及制动手柄级位；

模型拟合模块20，采用人工神经网络对所述正常行为模型进行拟合，以得到拟合后的神经网络模型，和以所述城轨车辆在正常状态运行时的正常行为数据构建样本，对所述神经网络模型进行训练，以得到描述所述城轨车辆制动系统在正常状态运行时的制动减速度的正常行为模型，其中所述正常行为数据包括所述城轨车辆在正常状态运行时的各制动手柄级位对应的制动减速度、车速、车重、制动缸压力以及制动手柄级位；

制动减速度期望值计算模块30，用于构建所述城轨车辆在正常状态运行时各制动手柄级位对应的模型输入样本，并分别通过所述正常行为模型计算得到各制动手柄级位对应的制动减速度期望值；以及

偏差值计算模块40，用于分别计算得到所述城轨车辆在实际运行时每个制动手柄级位对应的制动减速度平均值与所述制动减速度期望值之间的偏差值，其中所述偏差值用于评估所述城轨车辆的性能状态。

如图5所示，依本发明的另一方面，进一步提供一种电子设备，包括：

处理器101；和

存储器102，其中所述存储器102中储存有程序指令，所述程序指令在被所述处理器101运行时使所述处理器执行所述的性能检测方法。

所述处理器101可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制所述可移动电子设备中的其他组件以执行期望的功能。

所述存储器102可以包括一个或多个计算程序产品，所述计算程序产品可以包括各种形式的计算可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算可读存储介质上可以存储一个或多个计算程序指令，所述处理器可以运行所述程序指令，以实现上文所述的本发明的各个实施例的方法以及/或者其他期望的功能。

在一个示例中，所述可移动电子设备还可以包括：输入装置和输出装置，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

例如，该输入装置可以是例如用于采集图像数据或视频数据的摄像模组等等。

该输出装置可以向外部输出各种信息，包括分类结果等。该输出设备可以包括例如显示器、灯光设备、扫描器、摄像模组、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

最后应说明的是：以上实施方式仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施方式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方式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方式技术方案的精神和范围。

Claims (10)

1.一种城轨车辆制动系统的性能检测方法，其特征在于，包括：

A、构建城轨车辆制动系统正常行为模型，其中所述正常行为模型为描述制动减速度与其影响因素之间的非线性关系的模型，其中所述城轨车辆的制动减速度的影响因素包括城轨车辆的车速、车重、制动缸压力、制动切除数量以及制动手柄级位；

B、采用人工神经网络对所述正常行为模型进行拟合，以得到拟合后的神经网络模型；

C、以所述城轨车辆在正常状态运行时的正常行为数据构建样本，对所述神经网络模型进行训练，以得到描述所述城轨车辆制动系统在正常状态运行时的制动减速度变化的正常行为模型，其中所述正常行为数据包括所述城轨车辆在正常状态运行时的各制动手柄级位对应的制动减速度、车速、车重、制动缸压力以及制动手柄级位；

D、构建所述城轨车辆在正常状态运行时各制动手柄级位对应的模型输入样本，并分别通过所述步骤C得到的正常行为模型计算得到各制动手柄级位对应的制动减速度期望值；以及

E、分别获得所述城轨车辆在实际运行时每个制动手柄级位对应的制动减速度平均值与所述制动减速度期望值之间的偏差值，其中所述偏差值用于评估所述城轨车辆的性能状态。

2.根据权利要求1所述的性能检测方法，其特征在于，所述步骤A中，所述正常行为模型为：

其中，

表示城轨车辆的第k个制动手柄级位(L_k)对应的制动减速度期望值，V表示车速，M表示车重，P_cy表示制动缸压力，N_{br_ex}表示切除制动数量，如果没有车辆制动被切除，则N_{br_ex}＝0，如果有一个车厢制动被切除，则N_{br_ex}＝1，Moi表示空气湿度，e_k表示模型拟合误差，f(·)表示描述制定减速度与其影响因素之间的非线性关系。

3.根据权利要求1所述的性能检测方法，其特征在于，所述步骤B中，采用单隐层人工神经网络对所述正常行为模型进行拟合。

4.根据权利要求1所述的性能检测方法，其特征在于，所述步骤C中，若当前制动手柄级位为L_k，则选择制动手柄级位切换到L_k的时刻t_k-1到制动手柄级位从L_k切换到另外一个级位时刻t_k之间的正常行为数据构建一个样本，采用制动级位L_k进行了N次制动的方式，则构建N个样本，表示为如下的方式：

其中，

表示城轨车辆的第k个制动手柄级位(L_k)对应的制动减速度平均值，V表示车速，M表示车重，P_cy表示制动缸压力，N_{br_ex}表示切除制动数量，如果没有车辆制动被切除，则N_{br_ex}＝0，如果有一个车厢制动被切除，则N_{br_ex}＝1，Moi表示空气湿度。

5.根据权利要求1所述的性能检测方法，其特征在于，所述步骤C中，模型训练方法为BP(BackPropagation)算法或LM(Levenberg-Marquart)算法。

6.根据权利要求1至5任一所述的性能检测方法，其特征在于，进一步包括：响应于各制动手柄级位对应的所述偏差值Δa中的任一个大于预设阈值，则进行反馈。

7.根据权利要求1至5任一所述的性能检测方法，其特征在于，进一步包括：响应于各制动手柄级位对应的所述偏差值的时间序列发生突变，则进行反馈。

8.根据权利要求1至5任一所述的性能检测方法，其特征在于，进一步包括：响应于各制动手柄级位对应的所述偏差值的时间序列形成持续变大或变小趋势，则进行反馈。

9.一种性能检测系统，其特征在于，包括：

正常行为模型构建模块，用于构建城轨车辆制动系统正常行为模型，其中所述正常行为模型为描述制动减速度与其影响因素之间的非线性关系的模型，其中所述城轨车辆的制动减速度的影响因素包括城轨车辆的车速、车重、制动缸压力、制动切除数量以及制动手柄级位；

模型拟合模块，采用人工神经网络对所述正常行为模型进行拟合，以得到拟合后的神经网络模型，和以所述城轨车辆在正常状态运行时的正常行为数据构建样本，对所述神经网络模型进行训练，以得到描述所述城轨车辆制动系统在正常状态运行时的制动减速度的正常行为模型，其中所述正常行为数据包括所述城轨车辆在正常状态运行时的各制动手柄级位对应的制动减速度、车速、车重、制动缸压力以及制动手柄级位；

制动减速度期望值计算模块，用于构建所述城轨车辆在正常状态运行时各制动手柄级位对应的模型输入样本，并分别通过所述正常行为模型计算得到各制动手柄级位对应的制动减速度期望值；以及

偏差值计算模块，用于分别计算得到所述城轨车辆在实际运行时每个制动手柄级位对应的制动减速度平均值与所述制动减速度期望值之间的偏差值，其中所述偏差值用于评估所述城轨车辆的性能状态。

10.一种电子设备，其特征在于，包括：

存储器；和

处理器，其中所述存储器中储存有程序指令，所述程序指令在被所述处理器运行时使所述处理器执行如权利要求1至8任一所述的性能检测方法。

Images