轨道列车VOBC健康诊断方法、系统、装置及存储介质与流程 专利技术说明

控制;调节装置的制造及其应用技术轨道列车vobc健康诊断方法、系统、装置及存储介质技术领域1.本发明涉及城市轨道交通领域，尤其涉及一种轨道列车vobc健康诊断方法、系统、装置及存储介质。背景技术：2.随着城市轨道交通迅猛发展，大量列车投入运行，对车载控制器检修能力的需求日渐提高。状态性维修是对传统的计划性维修进行优化与改进的重要途径之一，而状态修高度依赖于设备设施状态评估及变化规律的分析。车载系统是对高速列车进行操纵和控制的核心设备，车载系统需要在保证列车行车安全的前提下满足不同的运营需求，其组成单元众多，结构复杂，是保证行车安全高效运行的关键设施。现有技术都是通过人工来处理数据，其存在效率低下、准确率低、成本高等缺陷，也无法预测vobc健康状态，不能满足状态性维修的需求，如何基于海量报警数据，快速精准地诊断和预测vobc健康状态，是现有技术急需解决的技术难题。技术实现要素：3.本发明的目的在于克服背景技术所指出的技术问题，提供一种轨道列车vobc健康诊断方法、系统、装置及存储介质，构建设备子系统，对设备子系统相关设备的故障数据进行实时采集，构建vobc健康评价系统，计算平均无故障间隔时间得到平均无故障间隔变化曲线，通过vobc健康评价模型进行设备健康指数诊断，再通过曲线拟合算法拟合预测vobc健康变化趋势，能够预测出预警时间，指导列车状态性维修。4.本发明的目的通过下述技术方案实现：5.作为本发明第一种应用维度方面，本发明可将轨道列车的所有设备作为一个整体设备系统，实现对整体设备系统的vobc健康诊断。一种轨道列车vobc健康诊断方法，其方法包括：6.s1、构建vobc健康评价系统，vobc健康评价系统内部包括vobc健康评价模型、数据分析系统，数据分析系统采集轨道列车设备的故障数据基于mtbf算法得到平均无故障间隔时间m，设备的故障数据按照运行时刻依次排列故障信息，并以设备的运行时刻、平均无故障间隔时间m为横纵坐标拟合得到平均无故障间隔变化曲线；7.s2、vobc健康评价模型按照如下健康评价关系公式构建评价模型：8.λ＝kech，其中λ为设备故障率，k为比例系数，c为平均无故障间隔变化曲线的曲率系数，h为健康指数；9.m为设备平均无故障间隔时间；10.vobc健康评价模型按设备运行时刻实时输出健康指数作为设备的实时诊断数据；11.s3、设定健康指数预警阈值hz，vobc健康评价模型基于最小二乘法的曲线拟合算法计算设备运行状态达到健康指数预警阈值hz时的预警时间。12.作为本发明第二种应用维度方面，本发明可将轨道列车的每个设备进行单独的vobc健康诊断。一种轨道列车vobc健康诊断方法，其方法包括：13.s1、构建vobc健康评价系统，vobc健康评价系统内部包括vobc健康评价模型、数据分析系统，数据分析系统按照轨道列车设备分别构建设备子系统，第i个设备子系统采集设备i的故障数据基于mtbf算法得到平均无故障间隔时间mi，设备i的故障数据按照运行时刻依次排列故障信息，并以设备i的运行时刻、平均无故障间隔时间mi为横纵坐标拟合得到设备i的平均无故障间隔变化曲线；14.s2、vobc健康评价模型按照设备i分别构建设备i的评价模型，设备i的评价模型采用如下健康评价关系公式构建：15.其中λi为设备i的故障率，ki为设备i所对应的比例系数，ci为设备i平均无故障间隔变化曲线的曲率系数，hi为健康指数；16.mi为设备平均无故障间隔时间；17.vobc健康评价模型按设备i的运行时刻实时输出健康指数作为设备i的实时诊断数据；18.s3、设定设备i的健康指数预警阈值zi，vobc健康评价模型基于最小二乘法的曲线拟合算法计算设备i的运行状态达到健康指数预警阈值zi时的预警时间。19.本发明第二种应用维度进一步的技术方案：所述设备子系统所对应的设备为atp子系统、ato子系统、测速定位系统、车地无线通信系统或人机交互系统。20.本发明第二种应用维度进一步的技术方案：第i个设备子系统采集设备i在健康使用周期内的故障数据，计算得到最小故障率λmin、中位故障率λc、最大故障率λmax，vobc健康评价模型中设备i的评价模型进行如下配置设定并进行模型训练：21.设定设备i在健康使用周期内的最小故障率λmin时刻的健康指数为100，设定设备i在健康使用周期内的中位故障率λc时刻的健康指数为80，设定设备i在健康使用周期内的最大故障率λmax时刻的健康指数为60。22.本发明第一或二种应用维度进一步的技术方案：vobc健康评价系统内部具有算法模块、pymysql库、numpy库、pandas库，pymysql库用于接收读取数据，算法模块结合pymysql库、numpy库、pandas库进行数据运算处理，同时算法模块采用定时任务调度框架调度器实现定时计算。23.本发明第二种应用维度进一步的技术方案：数据分析系统配置有多线程数据采集中心和多线程数据处理中心，多线程数据采集中心对应集成各个设备子系统的采集部分，多线程数据处理中心对应集成各个设备子系统的处理部分，多线程数据采集中心利用数据清洗算法对采集的数据进行缺失处理、去重、非法数据去除、无效数据过滤处理，并基于智能匹配算法的数据分析系统对故障数据所属子系统进行分类，对应存储于设备子系统中；多线程数据处理中心使用基于mtbf算法计算各个设备子系统的平均无故障间隔时间。24.本发明第二种应用维度进一步的技术方案：方法包括：将设备i的实时诊断数据基于最小二乘法的曲线拟合算法拟合得到拟合曲线，计算得到拟合曲线的拟合斜率及拟合截距，设定设备i的健康指数预警阈值zi为60，并计算预警时间，将拟合曲线、预警时间作为健康诊断结果进行可视化展示。25.一种轨道列车vobc健康诊断系统，包括vobc健康评价系统，vobc健康评价系统包括数据分析系统、vobc健康评价模型和输出模块，数据分析系统按照轨道列车设备分别构建设备于系统，第i个设备于系统用于采集设备i的故障数据基于mtbf算法得到平均无故障间隔时间mi并拟合得到平均无故障间隔变化曲线；26.vobc健康评价模型用于按照设备i分别构建设备i的评价模型，vobc健康评价模型按设备i的运行时刻实时输出健康指数作为设备i的实时诊断数据；vobc健康评价模型内部设定有设备i的健康指数预警阈值zi，vobc健康评价模型用于基于最小二乘法的曲线拟合算法计算设备i的运行状态达到健康指数预警阈值zi时的预警时间；27.输出模块用于设备i的实时诊断数据的输出及可视化展示。28.一种轨道列车vobc健康诊断装置，包括：29.至少一个处理器；30.至少一个存储器，用于存储至少一个程序；31.当至少一个程序被至少一个处理器执行，使得至少一个处理器实现本发明轨道列车vobc健康诊断方法。32.一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行本发明轨道列车vobc健康诊断方法。33.本发明较现有技术相比，具有以下优点及有益效果：34.(1)本发明构建设备子系统，对设备子系统相关设备的故障数据进行实时采集，构建vobc健康评价系统，计算平均无故障间隔时间得到平均无故障间隔变化曲线，通过vobc健康评价模型进行设备健康指数诊断，再通过曲线拟合算法拟合预测vobc健康变化趋势，能够预测出预警时间，指导列车状态性维修。35.(2)本发明按列车组成系统进行故障数据分类提取，构建vobc健康评价模型对列车组成系统的健康指数量化计算，实现了设备健康度数据的实时精确诊断，得出列车vobc健康变化趋势，进而准确预测得到预警时间，便于提前准备进行组成系统的状态性维修。附图说明36.图1为本发明轨道列车vobc健康诊断方法的流程示意图；37.图2为本发明实施例中健康诊断结果数据的可视化展示图；38.图3为实施例中曲线拟合算法计算预警时间的示意图；39.图4为实施例中曲线拟合算法预测健康指数变化趋势的示意图；40.图5为本发明轨道列车vobc健康诊断系统的原理框图。具体实施方式41.下面结合实施例对本发明作进一步地详细说明：42.实施例一43.本发明第一种应用维度方面，本发明可将轨道列车的所有设备作为一个整体设备系统(即将所有设备看成一个设备，进行设备的故障数据汇总计算平均无故障间隔时间)，实现对整体设备系统的vobc健康诊断(即实现对列车整体设备进行整体健康诊断)。一种轨道列车vobc健康诊断方法，其方法包括：44.s1、构建vobc健康评价系统，vobc健康评价系统内部包括vobc健康评价模型、数据分析系统，数据分析系统采集轨道列车设备(包括atp子系统、ato子系统、测速定位系统、车地无线通信系统、人机交互系统所对应的设备，本实施例将所有设备进行汇总)的故障数据基于mtbf算法得到平均无故障间隔时间m，设备的故障数据按照运行时刻依次排列故障信息，并以设备的运行时刻、平均无故障间隔时间m为横纵坐标拟合得到平均无故障间隔变化曲线。45.s2、vobc健康评价模型按照如下健康评价关系公式构建评价模型：46.λ＝kech，其中λ为设备故障率，k为比例系数，c为平均无故障间隔变化曲线的曲率系数，h为健康指数；47.m为设备平均无故障间隔时间；48.vobc健康评价模型按设备运行时刻实时输出健康指数作为设备的实时诊断数据；49.s3、设定健康指数预警阈值hz，vobc健康评价模型基于最小二乘法的曲线拟合算法计算设备运行状态达到健康指数预警阈值hz时的预警时间。50.实施例二51.作为本发明第二种应用维度方面，本发明可将轨道列车的每个设备(包括atp子系统、ato子系统、测速定位系统、车地无线通信系统、人机交互系统所对应的设备，atp子系统为列车自动保护系统的简称，atp子系统针对列车各个设备进行自动保护而设置若干个监测器，监测器对应监测设备的故障数据；ato子系统为列车自动驾驶子系统的简称，对列车自动驾驶进行控制及监测)进行单独的vobc健康诊断。一种轨道列车vobc健康诊断方法，其方法包括：52.s1、构建vobc健康评价系统，vobc健康评价系统内部包括vobc健康评价模型、数据分析系统，数据分析系统按照轨道列车设备分别构建设备子系统(优选地，所述设备子系统所对应的设备为atp子系统、ato子系统、测速定位系统、车地无线通信系统、人机交互系统或其他系统)，第i个设备子系统采集设备i的故障数据基于mtbf算法得到平均无故障间隔时间mi，设备i的故障数据按照运行时刻依次排列故障信息，并以设备i的运行时刻、平均无故障间隔时间mi为横纵坐标拟合得到设备i的平均无故障间隔变化曲线，平均无故障间隔变化曲线的横坐标为设备i的运行时刻，纵坐标为平均无故障间隔时间mi；53.s2、vobc健康评价模型按照设备i分别构建设备i的评价模型，设备i的评价模型采用如下健康评价关系公式构建：54.其中λi为设备i的故障率，ki为设备i所对应的比例系数，ci为设备i平均无故障间隔变化曲线的曲率系数，hi为健康指数；55.mi为设备平均无故障间隔时间；56.vobc健康评价模型按设备i的运行时刻实时输出健康指数作为设备i的实时诊断数据；57.s3、设定设备i的健康指数预警阈值zi，vobc健康评价模型基于最小二乘法的曲线拟合算法计算设备i的运行状态达到健康指数预警阈值zi时的预警时间。58.在一些实施例中，第i个设备子系统采集设备i在健康使用周期内的故障数据，计算得到最小故障率λmin、中位故障率λc、最大故障率λmax，一般来说，最小故障率λmin为经过状态性维修或计划性维修完善之后(一般为健康使用周期开始时)的相对较小故障时刻，设备i运行时间，故障率会逐步增高，先经过中位故障率λc再达到最大故障率λmax，当达到最大故障率λmax就需要状态性维修。vobc健康评价模型中设备i的评价模型进行如下配置设定并进行模型训练：59.设定设备i在健康使用周期(健康使用周期为经过状态性维修或计划性维修之后，从最小故障至维修时最大故障的时间周期，)内的最小故障率λmin时刻的健康指数为100，设定设备i在健康使用周期内的中位故障率λc时刻的健康指数为80，设定设备i在健康使用周期内的最大故障率λmax时刻的健康指数为60。以设备i在健康使用周期内按照最小故障率λmin对应健康指数为100、中位故障率λc对应健康指数为80、最大故障率λmax对应健康指数为60，进行健康使用周期内的模型训练，采集列车近六个月的故障数据，使用训练后的vobc健康评价模型进行精确度检测，直到vobc健康评价模型高精度运行，当健康指数达到60就为前述的健康指数预警阈值zi。在一些实施例中，方法包括：将设备i的实时诊断数据基于最小二乘法的曲线拟合算法拟合得到拟合曲线，计算得到拟合曲线的拟合斜率及拟合截距，设定设备i的健康指数预警阈值zi为60，并计算预警时间(指导列车进行状态性维修)，将拟合曲线、预警时间作为健康诊断结果进行可视化展示。60.在一些实施例中，vobc健康评价系统内部具有算法模块、pymysql库、numpy库、pandas库，pymysql库用于接收读取数据，算法模块结合pymysql库、numpy库、pandas库进行数据运算处理，同时算法模块采用定时任务调度框架调度器实现定时计算。61.在一些实施例中，数据分析系统配置有多线程数据采集中心和多线程数据处理中心，多线程数据采集中心对应集成各个设备子系统的采集部分，多线程数据处理中心对应集成各个设备子系统的处理部分，多线程数据采集中心利用数据清洗算法对采集的数据进行缺失处理、去重、非法数据去除、无效数据过滤处理，并基于智能匹配算法的数据分析系统对故障数据所属子系统进行分类，对应存储于设备子系统中；多线程数据处理中心使用基于mtbf算法计算各个设备子系统的平均无故障间隔时间。数据分析系统采用spring boot+mysql+kubernetes部署微服务。62.一种轨道列车vobc健康诊断系统，包括vobc健康评价系统，vobc健康评价系统包括数据分析系统、vobc健康评价模型和输出模块，数据分析系统按照轨道列车设备分别构建设备子系统，第i个设备子系统用于采集设备i的故障数据基于mtbf算法得到平均无故障间隔时间mi并拟合得到平均无故障间隔变化曲线；63.vobc健康评价模型用于按照设备i分别构建设备i的评价模型，vobc健康评价模型按设备i的运行时刻实时输出健康指数作为设备i的实时诊断数据。64.设备i的评价模型采用如下健康评价关系公式构建：65.其中λi为设备i的故障率，ki为设备i所对应的比例系数，ci为设备i平均无故障间隔变化曲线的曲率系数，hi为健康指数；66.mi为设备平均无故障间隔时间；67.vobc健康评价模型按设备i的运行时刻实时输出健康指数作为设备i的实时诊断数据。本实施例基于mtbf算法的vobc健康评价模型开展健康诊断，生成列车vobc健康诊断结果性数据，存储到数据库。68.vobc健康评价模型内部设定有设备i的健康指数预警阈值zi，vobc健康评价模型用于基于最小二乘法的曲线拟合算法计算设备i的运行状态达到健康指数预警阈值zi时的预警时间。如图3所示，曲线拟合算法基于最小二乘法，收集健康评价模型的列车vobc系统历史健康诊断结果，计算出拟合曲线的拟合斜率及拟合截距，根据拟合曲线预测未来健康度，如图4所示，当健康度趋于恶化，预测的健康度低于设定阈值时，即为预警日期。69.输出模块用于设备i的实时诊断数据的输出及可视化展示。如图2所示，在输出模块的前端页面通过列表、柱状图、折线图、饼图、文字、报表等多种方式展示健康诊断结果，指导列车vobc系统状态性维修。70.一种轨道列车vobc健康诊断装置，包括：71.至少一个处理器；72.至少一个存储器，用于存储至少一个程序；73.当至少一个程序被至少一个处理器执行，使得至少一个处理器实现本实施例轨道列车vobc健康诊断方法。74.一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行本实施例轨道列车vobc健康诊断方法。75.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!